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

Forudsigelse af symptombaner efter thorakoskopisk lungekræftkirurgi ved hjælp af en fortolkelig maskinindlæringsmodel

8. januar 2025 opdateret af: GuiBin Qiao, Guangdong Provincial People's Hospital
Patienter lider af en række symptomer efter thorakoskopisk kirurgi. Der er dog mangel på validerede prædiktive værktøjer til at identificere potentielt højrisikopatienter. Denne undersøgelse forventes at omfatte cirka 1.500 lungekræftpatienter, som gennemgår thorakoskopisk kirurgi. Latent klasse blandet modellering (LCMM) vil blive brugt til at dentificere undergrupper af patienter med lignende symptomforløb. Maskinlæringsmodeller blev udviklet til at forudsige postoperative symptombaner baseret på indsamlet information. Effektiv forudsigelse af postoperative symptomer kan hjælpe med at identificere højrisikopatienter og træffe forebyggende foranstaltninger.

Studieoversigt

Status

Ikke rekrutterer endnu

Betingelser

Detaljeret beskrivelse

Thorakoskopisk lungekræftkirurgi er en udbredt metode til behandling af tidlig og lokalt fremskreden lungekræft. På trods af fordelene ved thorakoskopisk kirurgi, såsom minimal invasion og hurtig bedring, lider patienterne stadig af en række forskellige symptomer såsom smerter, åndenød, søvnforstyrrelser eller træthed efter operationen, hvilket alvorligt påvirker livskvaliteten. Der er dog mangel på validerede prædiktive værktøjer til at identificere potentielt højrisikopatienter. Denne undersøgelse forventes at omfatte cirka 1.500 lungekræftpatienter, som gennemgår thorakoskopisk kirurgi. Patienter inviteres til at udfylde MD Anderson Symptom Inventory-Lung Cancer-modulet efter thorakoskopisk kirurgi. Symptomer af interesse omfatter smerter, åndenød, søvnforstyrrelser og træthed. Moderate til svære symptomer blev defineret som en score på ≥ 4. Latent klasse blandet modellering (LCMM), en klyngeteknik, kan identificere undergrupper af patienter med lignende symptomforløb baseret på longitudinelle patientrapporterede udfaldsdata (PRO). Maskinlæringsmodeller blev udviklet til at forudsige postoperative symptombaner baseret på indsamlet information, herunder demografisk og klinisk information og operative data. Maskinlæringsmodellerne inkluderer hovedsageligt Random Forest, Support Vector Machines, Neurale Networks, XGBoost osv. Den mest passende model vælges, og modelfortolkning udføres ved hjælp af SHAP-metoden. Effektiv forudsigelse af postoperative symptomer kan hjælpe med at identificere højrisikopatienter og træffe forebyggende foranstaltninger.

Undersøgelsestype

Observationel

Tilmelding (Anslået)

1500

Kontakter og lokationer

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

Studiekontakt

Studiesteder

  • Kina
      • Guangdong, Kina, 510080
        • Guangdong 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

Lungekræftpatient gennemgik thorakoskopisk kirurgi og gennemførte MD Anderson Symptom Inventory-Lung Cancer-modulet postoperativt.

Beskrivelse

Inklusionskriterier:

  • Alder 18-80 år gammel;
  • Patologisk diagnosticeret lungekræft;
  • Gennemgå thorakoskopisk kirurgi, herunder video-assisteret thorakoskopi og robot-assisteret thorakoskopisk kirurgi;
  • ingen tidligere anamnese med malignitet eller lungekirurgi;
  • Har evnen til at fuldføre skalaen.

Ekskluderingskriterier:

  • Konverteret til thorakotomi under thoracoskopisk kirurgi;
  • Ude af stand til at fuldføre den postoperative skala mindst to gange;
  • Manglende dataværdier, der overstiger 30 procent.

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
Symptomforløb efter thorakoskopisk kirurgi
Tidsramme: Inden for fire uger efter thorakoskopisk kirurgi
Postoperative symptomer af interesse omfattede smerter, åndenød, søvnforstyrrelser og træthed.
Inden for fire uger efter thorakoskopisk kirurgi

Samarbejdspartnere og efterforskere

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

Sponsor

Guangdong Provincial People's Hospital

Efterforskere

  • Ledende efterforsker: Guibin Qiao, Guangdong Provincial People's Hospital

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. marts 2025

Primær færdiggørelse (Anslået)

1. januar 2026

Studieafslutning (Anslået)

1. februar 2026

Datoer for studieregistrering

Først indsendt

8. januar 2025

Først indsendt, der opfyldte QC-kriterier

8. januar 2025

Først opslået (Faktiske)

25. marts 2025

Opdateringer af undersøgelsesjournaler

Sidste opdatering sendt (Faktiske)

25. marts 2025

Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier

8. januar 2025

Sidst verificeret

1. april 2024

Mere information

Begreber relateret til denne undersøgelse

Nøgleord

Yderligere relevante MeSH-vilkår

Andre undersøgelses-id-numre

  • LC-ML

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