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

Identifikation af multiple lungesygdomme ved hjælp af flygtige organiske forbindelser biomarkører i menneskelig udånding

23. marts 2025 opdateret af: ChromX Health

Udforskning og undersøgelse af identifikation af forskellige lungesygdomme ved brug af flygtige organiske forbindelser biomarkører i menneskelig udånding

Målet med denne observationsundersøgelse er at udvikle en avanceret ekspiratorisk algoritmemodel, der anvender markørmolekyler for flygtige organiske forbindelser (VOC) i udåndet ånde. Denne model har til formål at præcist diagnosticere flere lungesygdomme. De primære mål, det stræber efter at nå, er:

  1. At vurdere den diagnostiske nøjagtighed af en udåndet åndedræt VOC-assisteret diagnostisk kunstig intelligens (AI) model til diagnosticering af flere almindelige lungesygdomme.
  2. At vurdere den diagnostiske nøjagtighed af en udåndet åndedræt VOC-assisteret diagnostisk kunstig intelligens (AI) model til at diagnosticere flere lungesygdomme.

Studieoversigt

Detaljeret beskrivelse

Dette er et prospektivt, tværsnit, observationelt kohortestudie, der har til formål at rekruttere 10.000 deltagere med multipel lungesygdom, herunder lungekræft, lungeinfektion, kronisk obstruktiv lungesygdom (KOL), bronkitis, lungefibrose, lungeemboli, pulmonal arteriel hypertension, , lungeabsces, emfysem, radioaktiv lungeskade, cystisk fibrose i lungen, bronkial astma, bronkiektasi, interstitiel lungesygdom (ILD), preserved ratio impaired spirometri (PRISm) osv. Udåndede åndeprøver fra disse deltagere vil blive indsamlet og analyseret ved hjælp af gaskromatografi-massespektrometri (GC-MS) og mikrogaschromatografi-fotoioniseringsdetektor (μGC-PID) system. Efter opnåelse af μGC-PID-resultaterne vil der blive udført en omfattende evaluering af de diagnostiske evner af udåndede åndeprøver til at differentiere forskellige lungesygdomme, ved at udnytte kliniske diagnostiske resultater, CT-undersøgelsesdata og kliniske data.

Undersøgelsestype

Observationel

Tilmelding (Anslået)

10000

Kontakter og lokationer

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

Studiekontakt

Studiesteder

    • Guangdong
      • Guangzhou, Guangdong, Kina, 510140
        • Rekruttering
        • The First Affiliated Hospital of Guangzhou Medical University
        • Kontakt:

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

  • Voksen
  • Ældre voksen

Tager imod sunde frivillige

Ja

Prøveudtagningsmetode

Sandsynlighedsprøve

Studiebefolkning

Patienter med unormale lunge-CT-billeder inden for de seneste seks måneder, herunder lungekræft, lungeinfektion, kronisk obstruktiv lungesygdom (KOL), bronkitis, lungefibrose, lungeemboli, pulmonal arteriel hypertension, tuberkulose, lungeabsces, emfysem, radioaktiv lungeskade, cystisk fibrose i lungen, bronkial astma, bronkiektasi, interstitiel lungesygdom (ILD), preserved ratio impaired spirometri (PRISm) osv.

Beskrivelse

Inklusionskriterier:

  • Mænd eller kvinder, alder skal være 18 år eller derover.
  • Patienter skal opfylde CT-billeddiagnostiske kriterier for forskellige lungesygdomme, og patienter skal kunne levere elektroniske versioner af CT-billeddata.
  • Patienterne skal have en klar klinisk diagnose.
  • Alle deltagere skal underskrive en skriftlig informeret samtykkeerklæring.

Ekskluderingskriterier:

  • Gravid kvinde.
  • Personer med en historie med anden kræft end lungesygdom.
  • Personer, der har gennemgået organtransplantationer eller ikke-autologe (allogene) knoglemarvs- eller stamcelletransplantationer.
  • Personer med andre alvorlige organiske sygdomme eller psykiske sygdomme.
  • Personer med stofskiftesygdomme som diabetes, hyperlipidæmi mv.
  • Enhver anden tilstand, som forskere anser for uegnet til deltagelse i dette kliniske forsøg.

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
lungesygdom
Personer med abnormiteter i lunge-CT-billeddannelse og klinisk diagnosticeret med lungekræft, lungeinfektion, kronisk obstruktiv lungesygdom (KOL), bronkitis, lungefibrose, lungeemboli, pulmonal arteriel hypertension, tuberkulose, lungeabsces, emfysem, radioaktiv lungefibrose, af lungen, bronkial astma, bronkiektasi, interstitiel lungesygdom (ILD), preserved ratio impaired spirometri (PRISm) etc.
Udåndede åndeprøver fra disse deltagere vil blive indsamlet og analyseret for at påvise flygtige organiske forbindelsesmolekyler i menneskelig udånding ved hjælp af GC-MS og μGC-PID
normalt individ
Personer uden abnormiteter påvist i lunge-CT-billeddannelse.
Udåndede åndeprøver fra disse deltagere vil blive indsamlet og analyseret for at påvise flygtige organiske forbindelsesmolekyler i menneskelig udånding ved hjælp af GC-MS og μGC-PID

Hvad måler undersøgelsen?

Primære resultatmål

Resultatmål
Foranstaltningsbeskrivelse
Tidsramme
Den diagnostiske nøjagtighed af en udåndet åndedræt VOC-assisteret diagnostisk kunstig intelligens (AI) model til diagnosticering af flere almindelige lungesygdomme.
Tidsramme: 2 år
Den diagnostiske ydeevne af VOC-assisteret diagnostisk kunstig intelligens (AI) model vil blive sammenlignet med klinisk diagnose og CT/LDCT diagnose, herunder sensitivitet, specificitet, positiv prædiktiv værdi (PPV) og negativ prædiktiv værdi (NPV).
2 år

Sekundære resultatmål

Resultatmål
Foranstaltningsbeskrivelse
Tidsramme
Den diagnostiske nøjagtighed af en udåndet åndedræt VOC-assisteret diagnostisk kunstig intelligens (AI) model til diagnosticering af flere lungesygdomme.
Tidsramme: 2 år
Den diagnostiske ydeevne af VOC-assisteret diagnostisk kunstig intelligens (AI) model vil blive sammenlignet med klinisk diagnose og CT/LDCT diagnose, herunder sensitivitet, specificitet, positiv prædiktiv værdi (PPV) og negativ prædiktiv værdi (NPV).
2 år

Andre resultatmål

Resultatmål
Foranstaltningsbeskrivelse
Tidsramme
Etabler en udåndet åndedræts VOC-model til at forudsige specifikke genmutationer i nogle lungesygdomme.
Tidsramme: 2 år
Etabler en udåndet åndedræts VOC-model til at forudsige specifikke genmutationer i nogle lungesygdomme. Og evaluer forudsigelsesnøjagtigheden ved at sammenligne resultaterne af specifik gentest
2 år

Samarbejdspartnere og efterforskere

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

Publikationer og nyttige links

Den person, der er ansvarlig for at indtaste oplysninger om undersøgelsen, leverer frivilligt disse publikationer. Disse kan handle om alt relateret til undersøgelsen.

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)

30. juni 2024

Primær færdiggørelse (Anslået)

30. december 2026

Studieafslutning (Anslået)

30. juni 2027

Datoer for studieregistrering

Først indsendt

18. juli 2024

Først indsendt, der opfyldte QC-kriterier

25. juli 2024

Først opslået (Faktiske)

30. juli 2024

Opdateringer af undersøgelsesjournaler

Sidste opdatering sendt (Faktiske)

26. marts 2025

Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier

23. marts 2025

Sidst verificeret

1. marts 2025

Mere information

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 .

Abonner