Multimodal model forudsiger gentagelse (FUTURE12)
13. november 2024 opdateret af: Qun Zhao
Multimodal klinisk-billeddannelse-patologi-drevet kunstig intelligensmodel til forudsigelse af postoperativt tilbagefald af lokalt avanceret gastrisk cancer
Denne undersøgelse fokuserer på at udvikle en avanceret model, der kombinerer klinisk information, billeddannelse og patologidata for at forudsige sandsynligheden for, at cancer vender tilbage efter operation hos patienter med lokalt fremskreden mavekræft.
Ved at bruge kunstig intelligens (AI) analyserer denne model forskellige datakilder for at skabe en mere præcis forudsigelse af gentagelsesrisiko, som kan hjælpe læger, patienter og familier til bedre at forstå chancerne for gentagelse.
Denne AI-drevne tilgang giver sundhedsudbydere mulighed for at træffe mere informerede beslutninger om personlig opfølgningsbehandling og potentielle yderligere behandlinger for at forbedre patientresultaterne.
Studieoversigt
Status
Afsluttet
Betingelser
Intervention / Behandling
Undersøgelsestype
Observationel
Tilmelding (Faktiske)
93
Kontakter og lokationer
Dette afsnit indeholder kontaktoplysninger for dem, der udfører undersøgelsen, og oplysninger om, hvor denne undersøgelse udføres.
Studiesteder
-
-
Hebei
-
Shijiazhuang, Hebei, Kina, 050011
- The Fourth Hospital of Hebei Medical University
-
-
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
Ingen
Prøveudtagningsmetode
Ikke-sandsynlighedsprøve
Studiebefolkning
Undersøgelsespopulationen omfatter voksne patienter (i alderen 18 og ældre) diagnosticeret med lokalt fremskreden gastrisk cancer (stadie II eller III), som har gennemgået kirurgisk resektion.
Denne population er udvalgt baseret på tilgængeligheden af komplette kliniske, billeddannende og patologiske data, der er nødvendige for analyse af den multimodale AI-drevne prædiktive model.
Undersøgelsen fokuserer på at vurdere risikoen for postoperativt tilbagefald i denne specifikke gruppe for at forbedre personlig opfølgning og behandlingsplanlægning.
Beskrivelse
**Inklusionskriterier:**
- Patienter diagnosticeret med lokalt fremskreden gastrisk cancer (stadium II eller III).
- Patienter, der har gennemgået kirurgisk resektion for mavekræft.
- Patienter med fuldstændige kliniske, billeddiagnostiske og patologiske data tilgængelige til analyse.
- Alder 18 år eller ældre.
- Patienter, der giver informeret samtykke til at deltage i undersøgelsen.
**Ekskluderingskriterier:**
- Patienter med fjernmetastaser (stadium IV) på diagnosetidspunktet.
- Patienter med ufuldstændige eller manglende kliniske, billeddiagnostiske eller patologiske data.
- Patienter, der har modtaget forudgående behandling for anden mavekræft end kirurgisk resektion.
- Patienter med andre samtidige maligne sygdomme.
- Patienter, der ikke er i stand til eller ønsker at overholde kravene til undersøgelsesopfølgning.
Studieplan
Dette afsnit indeholder detaljer om studieplanen, herunder hvordan undersøgelsen er designet, og hvad undersøgelsen måler.
Hvordan er undersøgelsen tilrettelagt?
Design detaljer
Hvad måler undersøgelsen?
Primære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
Forudsigelsesnøjagtighed af postoperativt recidiv i lokalt fremskreden gastrisk cancer
Tidsramme: 24 måneders postoperativ opfølgning
|
Det primære resultatmål er nøjagtigheden af den multimodale AI-model til at forudsige risikoen for postoperativt recidiv hos patienter med lokalt fremskreden gastrisk cancer.
Dette vurderes ved at sammenligne modellens forudsigelser med faktiske tilbagevendende hændelser over en specificeret opfølgningsperiode, hvilket muliggør evaluering af dens effektivitet til at identificere højrisikopatienter og vejlede kliniske beslutninger.
|
24 måneders postoperativ opfølgning
|
Samarbejdspartnere og efterforskere
Det er her, du vil finde personer og organisationer, der er involveret i denne undersøgelse.
Sponsor
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)
1. januar 2022
Primær færdiggørelse (Faktiske)
31. oktober 2024
Studieafslutning (Faktiske)
31. oktober 2024
Datoer for studieregistrering
Først indsendt
13. november 2024
Først indsendt, der opfyldte QC-kriterier
13. november 2024
Først opslået (Faktiske)
15. november 2024
Opdateringer af undersøgelsesjournaler
Sidste opdatering sendt (Faktiske)
15. november 2024
Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier
13. november 2024
Sidst verificeret
1. november 2024
Mere information
Begreber relateret til denne undersøgelse
Yderligere relevante MeSH-vilkår
Andre undersøgelses-id-numre
- FUTURE12
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 .