Denne side blev automatisk oversat, og nøjagtigheden af ​​oversættelsen er ikke garanteret. Der henvises til engelsk version for en kildetekst.

10-årig retrospektiv undersøgelse af oralt og maxillofacialt pladecellekarcinom

15. april 2024 opdateret af: Sun Yat-Sen Memorial Hospital of Sun Yat-Sen University

Klinisk patologisk og prognostisk analyse af oralt og maxillofacialt pladecellekarcinom: en enkeltcenter 10-årig retrospektiv undersøgelse

Introduktion: Incidensen af ​​okkulte cervikale lymfeknudemetastaser (OCLNM) er rapporteret at være 20%-30% i tidligt stadie oral cancer og oropharyngeal cancer. Der mangler en præcis diagnostisk metode til at forudsige okkulte lymfeknudemetastaser og til at hjælpe kirurger med at træffe præcise behandlingsbeslutninger.

Formål: At konstruere og evaluere en præoperativ diagnostisk metode til at forudsige okkult lymfeknudemetastase (OCLNM) i tidligt stadie oralt og oropharyngealt planocellulært carcinom (OC og OP SCC) baseret på dybe indlæringstræk (DLF'er) og radiomik.

Metoder: I alt 319 patienter diagnosticeret med tidligt stadium OC eller OP SCC blev retrospektivt indskrevet og opdelt i trænings-, test- og eksterne valideringssæt. Traditionelle radiomikrofonfunktioner og DLF'er blev ekstraheret fra deres MRI-billeder. Den mindst absolutte svind- og udvælgelsesoperator (LASSO) analyse blev brugt til at identificere de mest værdifulde funktioner. Forudsigelsesmodeller for OCLNM blev udviklet ved hjælp af radiomikrofonfunktioner og DLF'er. Effektiviteten af ​​modellerne og deres kliniske anvendelighed blev evalueret ved hjælp af arealet under kurven (AUC), beslutningskurveanalyse (DCA) og overlevelsesanalyse.

Studieoversigt

Status

Afsluttet

Betingelser

Intervention / Behandling

Undersøgelsestype

Observationel

Tilmelding (Faktiske)

319

Kontakter og lokationer

Dette afsnit indeholder kontaktoplysninger for dem, der udfører undersøgelsen, og oplysninger om, hvor denne undersøgelse udføres.

Studiesteder

  • Kina
    • Guangdong
      • Guangzhou, Guangdong, Kina, 510000
        • Sun Yat-Sen Memorial Hospital
      • Guangzhou, Guangdong, Kina, 510000
        • Sun yat-sun memorial hospital

Deltagelseskriterier

Forskere leder efter personer, der passer til en bestemt beskrivelse, kaldet berettigelseskriterier. Nogle eksempler på disse kriterier er en persons generelle helbredstilstand eller tidligere behandlinger.

Berettigelseskriterier

Aldre berettiget til at studere

  • Barn
  • Voksen
  • Ældre voksen

Tager imod sunde frivillige

Ingen

Prøveudtagningsmetode

Ikke-sandsynlighedsprøve

Studiebefolkning

Radiomik-egenskaberne, der påvirker forudsigelsen af ​​OCLNM i OC og OP SCC. I alt 319 patienter med tidligt stadie OC eller OP SCC fra hospitalerne

Beskrivelse

Inklusionskriterier:

  1. Patologisk bekræftet, tidligere ubehandlet oralt og oropharyngealt pladecellekarcinom med radikal resektion;
  2. MR-undersøgelse blev udført to uger før operationen;
  3. Alle patienter med nakkedissektion og status for regionale lymfeknuder blev bekræftet via patologisk undersøgelse;
  4. Alle patienter havde ingen klinisk evidens for nodal involvering.

Ekskluderingskriterier:

  1. Andre ondartede tumorer, såsom adenoid cystisk carcinom;
  2. mangel på fuldstændig MR-billeddannelse eller dårlig MR-billeddannelseskvalitet;
  3. patienter havde gennemgået nakkedissektion eller behandlet ikke-kirurgisk;
  4. patienter med metastatisk sygdom.

Studieplan

Dette afsnit indeholder detaljer om studieplanen, herunder hvordan undersøgelsen er designet, og hvad undersøgelsen måler.

Hvordan er undersøgelsen tilrettelagt?

Design detaljer

Kohorter og interventioner

Gruppe / kohorte
Intervention / Behandling
Kohorte A
Tilfældigt (121 tilfælde) opdelt som trænings- og testsæt i forholdet 7:3.
Diagnostisk test: Resnet50 deep learning (DL)-modellen
Forudsigelsesevnen af ​​ovenstående Resnet50 deep learning (DL) model blev valideret i testsættet. Baseret på AUC og ACC blev den bedste forudsigelsesmodel identificeret. For at udforske robustheden af ​​den valgte model blev ROC-analyse udført i det eksterne valideringssæt. Desuden blev Log-rank-testen anvendt til at evaluere den prognostiske værdi af modellen.
Kohorte B
Segmenteret i to grupper baseret på det indsamlede batch, som blev defineret som eksternt valideringssæt1 (n = 68) og eksternt valideringssæt2 (n = 130)
Diagnostisk test: Resnet50 deep learning (DL)-modellen
Forudsigelsesevnen af ​​ovenstående Resnet50 deep learning (DL) model blev valideret i testsættet. Baseret på AUC og ACC blev den bedste forudsigelsesmodel identificeret. For at udforske robustheden af ​​den valgte model blev ROC-analyse udført i det eksterne valideringssæt. Desuden blev Log-rank-testen anvendt til at evaluere den prognostiske værdi af modellen.

Hvad måler undersøgelsen?

Primære resultatmål

Resultatmål
Foranstaltningsbeskrivelse
Tidsramme
AUC (arealet under kurven) værdier af modellen
Tidsramme: 10 år（Dette er en retrospektiv forskning，vi indsamler 10 års patienter, men projektet vi implementerer dataindsamling og analyse er 9 måneder）
Effektiviteten af ​​modellerne og deres kliniske anvendelighed blev evalueret ved hjælp af arealet under kurven (AUC)
10 år（Dette er en retrospektiv forskning，vi indsamler 10 års patienter, men projektet vi implementerer dataindsamling og analyse er 9 måneder）

Samarbejdspartnere og efterforskere

Det er her, du vil finde personer og organisationer, der er involveret i denne undersøgelse.

Sponsor

Sun Yat-Sen Memorial Hospital of Sun Yat-Sen University

Datoer for undersøgelser

Disse datoer sporer fremskridtene for indsendelser af undersøgelsesrekord og resumeresultater til ClinicalTrials.gov. Studieregistreringer og rapporterede resultater gennemgås af National Library of Medicine (NLM) for at sikre, at de opfylder specifikke kvalitetskontrolstandarder, før de offentliggøres på den offentlige hjemmeside.

Studer store datoer

Studiestart (Faktiske)

10. maj 2023

Primær færdiggørelse (Faktiske)

10. februar 2024

Studieafslutning (Faktiske)

10. februar 2024

Datoer for studieregistrering

Først indsendt

19. marts 2024

Først indsendt, der opfyldte QC-kriterier

15. april 2024

Først opslået (Faktiske)

16. april 2024

Opdateringer af undersøgelsesjournaler

Sidste opdatering sendt (Faktiske)

16. april 2024

Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier

15. april 2024

Sidst verificeret

1. april 2024

Mere information

Begreber relateret til denne undersøgelse

Yderligere relevante MeSH-vilkår

Andre undersøgelses-id-numre

  • SYSKY-2023-426-01

Plan for individuelle deltagerdata (IPD)

Planlægger du at dele individuelle deltagerdata (IPD)?

INGEN

Lægemiddel- og udstyrsoplysninger, undersøgelsesdokumenter

Studerer et amerikansk FDA-reguleret lægemiddelprodukt

Ingen

Studerer et amerikansk FDA-reguleret enhedsprodukt

Ingen

Disse oplysninger blev hentet direkte fra webstedet clinicaltrials.gov uden ændringer. Hvis du har nogen anmodninger om at ændre, fjerne eller opdatere dine undersøgelsesoplysninger, bedes du kontakte register@clinicaltrials.gov. Så snart en ændring er implementeret på clinicaltrials.gov, vil denne også blive opdateret automatisk på vores hjemmeside .

Kliniske forsøg med MR

Kliniske forsøg med Resnet50 deep learning (DL)-modellen

Søg i lignende forsøg

Sponsorer og samarbejdspartnere

Medicinske tilstande

Narkotikainterventioner

CROs by country

CROs in Latvia

Betingelser

Sjældne sygdomme

Narkotikainterventioner

Kosttilskud

Sponsor / samarbejdspartnere

Placeringer

Abonner