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

Optimering af nyretumorstyring gennem kunstig intelligens-moduler

16. marts 2025 opdateret af: Shao Pengfei

Mutimodal kunstig intelligens til optimering af nyretumorstyring: diagnose, kirurgi og prognose

Målet med denne observationsundersøgelse er at forbedre håndteringen af ​​mennesker med nyretumor ved hjælp af multimodal kunstig intelligens (AI). Det vil også måle nøjagtigheden af ​​forudsigelserne fra AI-modeller. De vigtigste spørgsmål, den sigter mod at besvare er:

  1. om AI-modulet nøjagtigt kan give tumorrelateret information såsom godartet eller ondartet, undertyper, gradering, stadie osv. ved at lære fra præoperative CT-billeder.
  2. om AI-modulet kan hjælpe klinikere med at finde frem til det bedst egnede operationsprogram til mennesker med nyretumor.
  3. om AI-modulet kan integrere CT-billeder og patologiglas, der tilbyder supplerende prognostisk information for at forbedre postoperativ overlevelse.

Deltagere, der gennemfører en CT-undersøgelse (normalt kontrastforstærket CT, CECT) og gennemgår radikal eller partiel nefrektomi, vil udføre aktiv overvågning og registrere postoperative overlevelsesdata i 5 år.

Studieoversigt

Status

Rekruttering

Betingelser

Detaljeret beskrivelse

I denne undersøgelse vil AI-modellen udforske og afklare træk i nyretumor-CT-billeder og patologiske billeder, som er svære at detektere manuelt, og derefter korrelere dem med kliniske resultater, og derved forbedre diagnosticeringen og behandlingsprocessen for nyretumorer. For det første kan modellen nøjagtigt skelne mellem nyretumorundertyper og forudsige stadie, grad og kompleksitet for at undgå fejldiagnosticering og hjælpe klinikere med at formulere behandlingsplaner. For det andet, ved at lære fra kirurgiske videoer, kan modellen give yderligere information under operationer, såsom vigtige anatomiske vartegn, placering af tumorer. Endelig, ved at kombinere radiomik og patomik, kan modellen skelne mellem højrisiko- og lavrisikopatienter efter operation og dermed give personlig prognostisk vejledning.

Undersøgelsestype

Observationel

Tilmelding (Anslået)

2100

Kontakter og lokationer

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

Studiekontakt

Undersøgelse Kontakt Backup

Studiesteder

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

Ingen

Prøveudtagningsmetode

Ikke-sandsynlighedsprøve

Studiebefolkning

Patienter med nyretumorer på billeddiagnostiske undersøgelser, der blev opereret

Beskrivelse

Inklusionskriterier:

  • Patienter med nyretumor, som kan behandles ved kirurgi;
  • Fuldfør CECT inden for 30 dage før operationen;
  • Patienter, der fuldt ud forstår denne undersøgelse og underskriver det informerede samtykke;

Ekskluderingskriterier:

  • Patienter med ethvert element, der mangler i den kliniske og patologiske baseline-information;
  • Patienter, der allerede har metastaseret på det tidspunkt, hvor tumoren opdages;
  • Tidligere behandling i enhver form, herunder kirurgi, målrettet terapi og immunterapi;

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
Vurdering af AI-modellers ydeevne ved "AUC" omfattende vurderingsmodel
Tidsramme: Fra indskrivning til afslutning af 5-års opfølgning
"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 til afslutning af 5-års opfølgning

Sekundære resultatmål

Resultatmål
Foranstaltningsbeskrivelse
Tidsramme
Vurdering af modellens ydeevne til at forudsige deltagernes prognose efter operationen ved Kaplan-Meier Survival Analysis
Tidsramme: Fra indskrivning til udgangen af ​​5-års opfølgning
Kaplan-Meier Survival Analysis er en ikke-parametrisk statistik, der hovedsageligt bruges til at finde ud af faktorer, der indikerer overlevelse.
Fra indskrivning til udgangen af ​​5-års opfølgning

Samarbejdspartnere og efterforskere

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

Sponsor

Shao Pengfei

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 2025

Primær færdiggørelse (Anslået)

1. januar 2028

Studieafslutning (Anslået)

31. december 2033

Datoer for studieregistrering

Først indsendt

2. december 2024

Først indsendt, der opfyldte QC-kriterier

2. december 2024

Først opslået (Faktiske)

4. december 2024

Opdateringer af undersøgelsesjournaler

Sidste opdatering sendt (Faktiske)

25. marts 2025

Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier

16. marts 2025

Sidst verificeret

1. december 2024

Mere information

Begreber relateret til denne undersøgelse

Nøgleord

Yderligere relevante MeSH-vilkår

Andre undersøgelses-id-numre

  • 2024-SR-961

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