ML beslutningsmodel for G-NEC adjuverende terapi (G-NEC)
Maskinlæringsbaseret beslutningsmodel for optimal adjuverende terapi i primært gastrisk neuroendokrint karcinom: et nationalt real-verdens evidensstudie
Gastrisk neuroendokrint karcinom (G-NEC) er en sjælden og aggressiv tumor, der stammer fra neuroendokrine celler i maveslimhinden. Det er karakteriseret ved en høj tilbøjelighed til recidiv og en generelt dårlig prognose. På grund af dens sjældenhed er der begrænsede data og ingen etableret konsensus om den optimale postoperative adjuverende terapi, hvilket gør behandlingsbeslutninger udfordrende for sundhedsudbydere.
Denne undersøgelse er en retrospektiv analyse med fokus på evaluering af overlevelsesrater, identifikation af prognostiske faktorer og formulering af behandlingsanbefalinger til patienter med G-NEC. Ved at analysere kliniske data fra den virkelige verden sigter vi mod bedre at forstå de faktorer, der påvirker patientresultater, og at udvikle evidensbaserede strategier til forbedring af overlevelse. Vores mål er at give klinikere værdifuld indsigt og værktøjer til at træffe mere informerede behandlingsbeslutninger, hvilket i sidste ende forbedrer kvaliteten af behandlingen og resultaterne for patienter med denne udfordrende sygdom.
Studieoversigt
Status
Undersøgelsestype
Tilmelding (Faktiske)
Kontakter og lokationer
Studiesteder
-
-
Fujian
-
Fuzhou, Fujian, Kina, 350001
- Fujian Medical University
-
-
Deltagelseskriterier
Berettigelseskriterier
Aldre berettiget til at studere
- Barn
- Voksen
- Ældre voksen
Tager imod sunde frivillige
Prøveudtagningsmetode
Studiebefolkning
Beskrivelse
Inklusionskriterier:
- (1) patienter, der gennemgik radikal kirurgi uden nogen neoadjuverende terapi;
- (2) patologi bekræftet NEC eller blandet adenoneuroendokrint karcinom (MANEC).
Ekskluderingskriterier:
- (1) historie med andre maligne neoplasmer;
- (2) behandling med endoskopisk submucosal dissektion eller endoskopisk mucosal resektion eller torakotomi;
- (3) ufuldstændige kliniske data (herunder patologisk, adjuverende kemoterapi og opfølgningsinformation);
- (4) modtagelse af alternative adjuverende behandlingsregimer;
- (5) død inden for 30 dage postoperativt.
Studieplan
Hvordan er undersøgelsen tilrettelagt?
Design detaljer
Kohorter og interventioner
Gruppe / kohorte |
|---|
|
Patienter med gastrisk neuroendokrin karcinom (G-NEC).
Denne undersøgelse fokuserer på patienter diagnosticeret med gastrisk neuroendokrint karcinom (G-NEC), som har gennemgået radikal kirurgi.
Kohorten omfatter voksne patienter (≥18 år) behandlet på 38 tertiære hospitaler i Kina mellem januar 2006 og december 2020.
Patienterne inddeles i tre grupper baseret på deres postoperative adjuverende behandling: ingen adjuverende kemoterapi, etoposid- og platinderivat-baseret kemoterapi og fluorouracil-baseret kemoterapi.
Studiet har til formål at udvikle og validere en maskinlæringsbaseret beslutningsstøttemodel for at optimere individualiserede adjuverende terapistrategier for G-NEC-patienter, hvor det primære resultat er sygdomsfri overlevelse (DFS).
|
Hvad måler undersøgelsen?
Primære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
Sygdomsfri overlevelse (DFS)
Tidsramme: Fra operationsdato op til 5 år
|
Sygdomsfri overlevelse er defineret som tiden fra operationsdatoen til sygdommens tilbagefald, død af enhver årsag eller sidste opfølgning, alt efter hvad der indtræffer først.
Maskinlæringsmodellens ydeevne til at forudsige DFS og anbefale optimal adjuverende terapi vil blive evalueret.
|
Fra operationsdato op til 5 år
|
Samarbejdspartnere og efterforskere
Sponsor
Datoer for undersøgelser
Studer store datoer
Studiestart (Faktiske)
Primær færdiggørelse (Faktiske)
Studieafslutning (Faktiske)
Datoer for studieregistrering
Først indsendt
Først indsendt, der opfyldte QC-kriterier
Først opslået (Faktiske)
Opdateringer af undersøgelsesjournaler
Sidste opdatering sendt (Anslået)
Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier
Sidst verificeret
Mere information
Begreber relateret til denne undersøgelse
Nøgleord
Yderligere relevante MeSH-vilkår
Andre undersøgelses-id-numre
- 2024GNEC
Plan for individuelle deltagerdata (IPD)
Planlægger du at dele individuelle deltagerdata (IPD)?
IPD-planbeskrivelse
Patientbeskyttelse: Da denne undersøgelse involverer følsomme medicinske oplysninger, skal vi sikre, at enhver datadelingsplan overholder alle relevante love og bestemmelser om beskyttelse af personlige oplysninger.
Etiske overvejelser: Vi rådfører os med vores etiske udvalg for at bestemme den mest passende tilgang til datadeling, der respekterer patientens samtykke og bevarer forskningens integritet.
Datastandardisering: I betragtning af denne undersøgelses multicenterkarakter arbejder vi på at standardisere vores dataindsamlings- og lagringsprocesser på tværs af alle 38 deltagende hospitaler for at sikre konsistens og kvalitet af alle potentielt delte data.
Samarbejdspotentiale: Vi anerkender værdien af datadeling for at fremme forskning i gastrisk neuroendokrine karcinomer og udforsker potentielle samarbejder med andre forskningsgrupper.
Ressourceallokering: Vi vurderer de ressourcer, der kræves for at forberede dataene til deling, herunder afidentifikationsprocesser og oprettelse af dataordbøger.
Lægemiddel- og udstyrsoplysninger, undersøgelsesdokumenter
Studerer et amerikansk FDA-reguleret lægemiddelprodukt
Studerer et amerikansk FDA-reguleret enhedsprodukt
produkt fremstillet i og eksporteret fra U.S.A.
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 Maskinelæring
-
Kırıkkale UniversityTilmelding efter invitationÅndelig omsorg | Flipped Learning ModelTyrkiet (Türkiye)
-
Hand & Reconstructive MicrosurgeryAfsluttetMasselæring, Spaced Learning, Mikrokirurgi
-
National Taiwan University HospitalRekrutteringDyb læring | Ammende | Mechine Learning | Kunstig intelligens (AI)Taiwan
-
RenJi HospitalIkke rekrutterer endnuAnvendelse af kunstig intelligens Deep Learning-teknologi i magnetisk resonans lumbal billeddannelseDeep Learning, Lumbal Magnetic Resonance Imaging
-
Cairo UniversityIkke rekrutterer endnuEndodonti | AI (kunstig intelligens) | Deep Learning Model | Perforering | Missede kanaler | Endodontisk genbehandling | Non-surgical Retreatment | DIFFICULTY ASSESSMENT | SEPARATED INSTRUMENT | Poor Obturation | Obturation Quality
-
HITEC-Institute of Medical SciencesAfsluttetOSCE (Objective Structured Clinical Examination) | TBL (Team Based Learning) | Undervisning af kliniske færdigheder til medicinske studerendePakistan
-
Seoul National University Bundang HospitalIkke rekrutterer endnuSlagvolumen variation | Pulstrykvariation | Deep Learning Model | Arterielle bølgerefleksioner | Perifer veneKorea, Republikken
-
Fenerbahce UniversityIkke rekrutterer endnuSkulderdystoci-træning med AI-understøttet flipped learning i jordemoderuddannelsenTyrkiet (Türkiye)
-
Yang ChaonanIkke rekrutterer endnuRisikofaktorer | Kritisk syge patienter | Trykskade | Machine Learning Algoritmer
-
University of ZurichRekrutteringForudsigelse af slagtilfældeudfald understøttet af Deep Learning AlgorithmSchweiz