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

Kunstig intelligensmodeller til præcisionsforudsigelse og behandling af prostatakræft

27. oktober 2024 opdateret af: Shao Pengfei

Nøjagtig forudsigelse og behandling af prostatacancer ved hjælp af kunstig intelligens-modelbaserede hele diasbilleder og MRI'er

Formålet med dette kliniske forsøg er, om kunstig intelligens-modeller kan bruges til nøjagtig klinisk præoperativ diagnose og postoperativ diagnose af patologiske fund, og vil også måle nøjagtigheden af ​​forudsigelserne fra de kunstige intelligens-modeller. De vigtigste målspørgsmål, som modellen behandler bygningen er:

  1. om AI-modellen kan lære af præoperativ MR og postoperative Whole Slide Images for præcist at forudsige information såsom godartethed eller malignitet, aggressivitet, gradering, undertyper, gener osv. for deltagere, der mistænkes for at have prostatacancer præoperativt/punkturelt.
  2. om AI-modellen er i stand til at lære postoperative makropatologiske dias for at muliggøre udfaldsdiagnose af kirurgiske patologiglas hos nye deltagere.

Deltagerne vil:

  1. gennemføre en MR-undersøgelse og få deres MR-billeder analyseret af den etablerede AI-model for at stille en nøjagtig diagnose af dem.
  2. Baseret på diagnosen, hvis prostatacancer forudsiges, vil de gennemgå en radikal prostatakræftoperation og forfine deres kirurgiske patologi.

Studieoversigt

Status

Ikke rekrutterer endnu

Betingelser

Intervention / Behandling

Detaljeret beskrivelse

Baseret på kunstig intelligens-teknologi er forudsigelsesmodellen bygget ved at skitsere den kvantitative kortlægningskorrelation mellem kommenteret prostatacancer Whole Slide Images og MRI og tydeliggøre de fælles træk. For det første kan modellen nøjagtigt diagnosticere den radikale patologi af prostatacancer, som kan undtages fra immunhistokemi for at opnå detaljeret patologisk information; for det andet kan den etablerede AI-forudsigelsesmodel nøjagtigt diagnosticere godartet/malignt, invasivt, grad og undertype af prostatacancer ved at forudsige deltagerens MR-billeder før operation eller punktering, således at en personlig behandlingsplan kan formuleres for patienten før operation eller punktering . Endelig, baseret på AI-teknologi, lærer modellen af ​​MR-billederne og udfører 3D-rekonstruktion af prostata og læsioner før operation/punktur og afklarer dermed læsionernes nøjagtige placering og vejleder punktering eller kirurgisk behandling.

Undersøgelsestype

Interventionel

Tilmelding (Anslået)

200

Fase

  • Ikke anvendelig

Kontakter og lokationer

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

Studiekontakt

Undersøgelse Kontakt Backup

  • Navn: Pan Zang, Postgraduate
  • Telefonnummer: 18914730216
  • E-mail: 896381164@qq.com

Studiesteder

  • Kina
    • Jiangsu
      • Nanjing, Jiangsu, Kina, 210036
        • The First Affiliated Hospital of Nanjing Medical University (Jiangsu Provincial People's 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

  • Voksen
  • Ældre voksen

Tager imod sunde frivillige

Ja

Beskrivelse

Inklusionskriterier:

  • Patienter med mistanke om PCa (forhøjet PSA eller mistænkelige positive læsioner på ultralyds- eller MR-resultater);

Ekskluderingskriterier:

  • Tidligere behandling af prostata i enhver form, herunder kirurgi, strålebehandling/kemoterapi, endokrin terapi, målrettet terapi og immunterapi;
  • Patienter med ethvert element, der mangler i den kliniske og patologiske baseline-information;
  • Patienter med en anamnese med andre maligniteter, alvorlige komorbiditeter eller andre helbredsproblemer;
  • Ude af stand til at give/underskrive en informeret samtykkeformular;
  • Patienter, som efter investigators vurdering anses for uegnede til at deltage 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

  • Primært formål: Diagnostisk
  • Tildeling: Randomiseret
  • Interventionel model: Parallel tildeling
  • Maskning: Tredobbelt

Våben og indgreb

Deltagergruppe / Arm
Intervention / Behandling
Eksperimentel: Eksperimentel gruppe
Denne gruppe patienter vil modtage forudsigelser assisteret af kunstig intelligens-modeller.
Diagnostisk test: Nøjagtige forudsigelsesmodeller for kunstig intelligens
Diagnostisk test: Nøjagtige forudsigelsesmodeller for kunstig intelligens Postoperativ patologi, præcis præoperativ diagnose (inklusive godartet og ondartet, invasiv, graduerende, undertyper) eller 3D-læsionsmodellering vil blive forudsagt baseret på den forudsigelige AI-model som svar på de oplysninger, der gives.
Ingen indgriben: Kontrolgruppe
Denne gruppe patienter vil ikke modtage forudsigelser assisteret af kunstig intelligens-modeller.

Hvad måler undersøgelsen?

Primære resultatmål

Resultatmål
Foranstaltningsbeskrivelse
Tidsramme
Forudsigelse af postradikal prostatacancerpatologi efter radikal prostatektomi ved hjælp af 'AUC' omfattende vurderingsmodel
Tidsramme: Fra indskrivning af forsøgsperson til indledende post-operation, normalt 30-90 dage.
'AUC' refererer til området under ROC-kurven (Receiver Operating Characteristic), som angiver modellens ydeevne til at forudsige immunhistokemi-relateret patologisk information om prostatacancer efter operation, og AUC varierer fra 0-1 med den højere værdi indikerer den bedre forudsigelseseffekt.
Fra indskrivning af forsøgsperson til indledende post-operation, normalt 30-90 dage.
Forudsigelse af præstationen af ​​postradikal patologi ved hjælp af 'AUC' omfattende vurderingsmodel
Tidsramme: Fra indskrivning af forsøgsperson til indledende post-operation, normalt 30-90 dage.
'AUC' refererer til arealet under ROC-kurven (Receiver Operating Characteristic), der angiver modellens præstationsniveau til at forudsige prostatacancer i den præoperative periode, med AUC fra 0-1, med større værdier, der indikerer bedre forudsigelsesresultater.
Fra indskrivning af forsøgsperson til indledende post-operation, normalt 30-90 dage.
'F1 Score' til vurdering af præoperativ 3D-modellering
Tidsramme: Fra indskrivning af forsøgsperson til indledende genopretning efter operationen/punktur, normalt 30-90 dage.
Et afstemt gennemsnit af den præoperative 3D-modelleringspræcision og genkaldelse vurderet gennem 'F1-score', som repræsenterer matchningen til den virkelige situation.
Fra indskrivning af forsøgsperson til indledende genopretning efter operationen/punktur, normalt 30-90 dage.

Sekundære resultatmål

Resultatmål
Foranstaltningsbeskrivelse
Tidsramme
Vurder størrelsen af ​​omkostningsforskellen mellem den prædiktive model og den kliniske tilgang ved "økonomiske omkostningsbesparelser"
Tidsramme: Fra indskrivning af forsøgsperson til indledende genopretning efter operationen/punktur, normalt 30-90 dage.
Sammenlign forskellen i omkostninger ved brug af en prædiktiv model med dem, der er forudsagt ved hjælp af en klinisk tilgang, forskellen vil være i yuan.
Fra indskrivning af forsøgsperson til indledende genopretning efter operationen/punktur, normalt 30-90 dage.
"Diagnostisk tid" evaluerer den tid, det tager at forudsige immunhistokemi-relateret patologi i den postoperative periode.
Tidsramme: Fra indskrivning af forsøgsperson til indledende genopretning efter operationen/punktur, normalt 30-90 dage.
Den tid, der bruges postoperativt på at forudsige eller hjælpe patologen med at opnå immunhistokemi-relateret patologiinformation, vurderes ved "Diagnostisk tid" og vil blive målt i minutter.
Fra indskrivning af forsøgsperson til indledende genopretning efter operationen/punktur, normalt 30-90 dage.

Samarbejdspartnere og efterforskere

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

Sponsor

Shao Pengfei

Samarbejdspartnere

Institute of Automation, Chinese Academy of Sciences

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 (Anslået)

1. december 2024

Primær færdiggørelse (Anslået)

1. januar 2030

Studieafslutning (Anslået)

31. december 2030

Datoer for studieregistrering

Først indsendt

13. august 2024

Først indsendt, der opfyldte QC-kriterier

27. oktober 2024

Først opslået (Faktiske)

29. oktober 2024

Opdateringer af undersøgelsesjournaler

Sidste opdatering sendt (Faktiske)

29. oktober 2024

Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier

27. oktober 2024

Sidst verificeret

1. oktober 2024

Mere information

Begreber relateret til denne undersøgelse

Nøgleord

Yderligere relevante MeSH-vilkår

Andre undersøgelses-id-numre

  • Shao Pengfei

Lægemiddel- og udstyrsoplysninger, undersøgelsesdokumenter

Studerer et amerikansk FDA-reguleret lægemiddelprodukt

Ingen

Studerer et amerikansk FDA-reguleret enhedsprodukt

Ingen

produkt fremstillet i og eksporteret fra U.S.A.

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 .

Abonner