- ICH GCP
- US Clinical Trials Registry
- Klinisk forsøg NCT06775587
SERS-baseret serum molekylær spektral screening for benigne og maligne pulmonale proliferative knuder (SERS on lung)
SERS-baseret serum molekylær spektral screening for benigne og maligne pulmonale proliferative knuder: et multicenter, åbent, dobbeltblindt, uafhængigt klinisk forsøg med dataanalyse
Lungeknuder er ofte en tidlig indikator for lungekræft. Med den udbredte anvendelse af CT-scanninger af brystet i rutinemæssige fysiske undersøgelser bliver et stigende antal lungeknuder opdaget, herunder en række små knuder såsom inflammatoriske læsioner, godartede tumorer og ondartede tumorer. I øjeblikket er der ingen samlet international konsensus om de diagnostiske og behandlingsstrategier for lungeknuder, som skitseret af forskellige globale retningslinjer. Udvikling og implementering af et omfattende lungeknude- og lungekræftscreeningsprogram inden for offentlige sundhedsstyringssystemer er fortsat en kompleks og udfordrende bestræbelse. At fremme forskning og foreslå lungekræftscreeningsteknologier, der er meget følsomme, meget specifikke, enkle, tilgængelige og omkostningseffektive er en væsentlig og presserende prioritet i moderne sundhedspleje.
Raman-spektroskopi (RS), som en ikke-invasiv og meget specifik molekylær detektionsteknik, kan opnås på molekylært niveau for følsomt at detektere ændringer i biomolekyler sammensat af proteiner, nukleinsyrer, lipider og sukker relateret til tumormetabolisme i biologiske prøver. Den overfladeforstærkede Raman-spektroskopi (SERS) udviklet baseret på denne teknologi er en af de mulige metoder til højfølsom biomolekyleanalyse. Selvom SERS-teknologi har vist god diagnostisk effektivitet i mange prækliniske undersøgelser i flere tumorer, er den begrænset til en generelt lille prøvestørrelse og mangler ekstern validering. Derfor er der behov for en klinisk undersøgelse af Raman-spektre til tumordiagnose, som opfylder følgende krav: 1. En objektiv, hurtig og praktisk anvendelse af Raman-spektraldatabehandling er nødvendig, og deep learning-metoden kan være den bedste klassifikationsmetode; 2. Det kræver multicenter og store kliniske prøver at træne deep learning diagnostisk model og verificere dens sande effektivitet gennem eksterne data fra prospektive undersøgelser.
I vores foreløbige forskning indsamlede vi serum Raman-spektroskopidata fra en kohorte på 191 patienter med lungeknuder og udviklede et intelligent diagnosesystem til at skelne mellem benigne og ondartede lungeknuder ved hjælp af en maskinlæringsmodel. Systemet opnåede en nøjagtighed på 89,7%. For at opnå det højeste niveau af klinisk evidens og virkelig realisere klinisk transformation, er dette prospektive, multicenter kliniske studie designet til at verificere det intelligente diagnostiske system til tidlig diagnose af prostatacancer.
Studieoversigt
Status
Betingelser
Intervention / Behandling
Detaljeret beskrivelse
I 2020 var der cirka 19,3 millioner nye kræfttilfælde og næsten 10 millioner kræftdødsfald på verdensplan. Blandt dem var antallet af nye tilfælde af lungekræft cirka 2,21 millioner, svarende til 11,4 % af det samlede antal nye kræfttilfælde. Der var cirka 1,8 millioner dødsfald som følge af lungekræft, som er førstepladsen blandt kræftdødsfald. I det år var antallet af nye tilfælde af lungekræft i Kina 816.000, hvilket tegner sig for 37% af den globale total. I 2022 steg det seneste antal lungekræfttilfælde i Kina til 1,0606 millioner, og antallet af lungekræftdødsfald var 733.000. Med hensyn til 5-års overlevelsesraten for lungekræftpatienter var de data, der blev frigivet i 2018 i Kina (2012-2015) 19,7 %, hvilket stadig er en stor forskel fra den samlede kræft-5-års overlevelsesrate på 46,6 % i 2030 foreslået i "Healthy China Action-Cancer Prevention and Control Action Implementation Plan (2023-2030)". Prognosen for lungekræft på forskellige stadier er ret forskellig. 5-års overlevelsesraten for stadium I lungekræft er 77%~92%, og 5-års overlevelsesraten for stadium IIIA~IVB lungecancer er 0~36%. Derfor er tidlig diagnose og behandling af lungekræft nøglen til at forbedre 5-års overlevelsesraten for lungekræft og forbedre patienternes prognose. De fleste lungekræftpatienter er dog allerede i det sene stadie af lungekræft, når de får diagnosen, og de har forpasset muligheden for radikal behandling. Hovedårsagen er, at det primære og sekundære forebyggelsesarbejde ikke bliver gjort nok. Det er nødvendigt at udvikle avancerede teknologier og integrere dem i konsensusretningslinjerne for bred markedsføring.
Lungeknuder er tidlige manifestationer af lungekræft. Med populariseringen af bryst-CT-screening i fysiske undersøgelsesartikler, findes flere og flere lungeknuder i fysiske undersøgelser, herunder forskellige typer små knuder, såsom inflammatoriske læsioner, godartede tumorlæsioner og ondartede tumorlæsioner. For at identificere disse typer knuder bedømmer klinikere ofte knudernes todimensionelle billeddannelsesegenskaber baseret på deres personlige erfaringer, såsom plandiameter, om der er grater, lapper, forkalkning og andre træk for at vurdere sandsynligheden for malignitet i lungerne knuder, men nøjagtigheden af at bedømme de godartede og ondartede knuder på denne måde er tæt forbundet med klinikeres erfaring og anciennitet, og forskellige læger har forskellige domme på de samme knuder. På nuværende tidspunkt er der ingen samlet konsensus om diagnose og behandlingsstrategier for lungeknuder anbefalet af flere internationale konsensusretningslinjer. I offentlige sundhedsforvaltningsfaciliteter er udvikling og implementering af et omfattende lungeknude-lungekræftscreeningsprogram en kompleks og udfordrende opgave. At forske i og foreslå højsensitivitet og høj specificitet samt enkle, nemme at populære og billige lungekræftscreeningsteknologier er en uundværlig del af sundhedssystemet. Derudover er fænomenet overdiagnosticering og behandling af lungeknuder også almindeligt i klinisk praksis på grund af inkonsistensen af retningslinjer for diagnosticering og behandlingsstrategier for lungeknuder. Hvordan man undgår overdiagnosticering og behandling kræver mere opmærksomhed. Derfor er det vores ansvar aktivt at forbedre nøjagtigheden af forudsigelsen af lungeknudekræft, reducere frekvensen af overdiagnosticering og behandling og øge frekvensen af tidlig lungekræftintervention. Blandt de eksisterende screeningmetoder for tidlig lungekræft er laboratorieundersøgelser (især brugen af blod, urin eller andre flydende biopsier) en billig, ikke-invasiv og let gentagelig tidlig forudsigelsesmetode sammenlignet med billeddannelse eller histopatologiske undersøgelser ved at påvise specifikke cancerbiomarkører såsom cirkulerende tumor-DNA, proteiner, cancermetabolitter og endda celleafledte exosomer og cirkulerende tumorceller. Der er dog stadig mange udfordringer, herunder: 1) Der er ingen effektive og rigelige tumorbiomarkører for lungekræft; 2) Der er ingen enkel og gennemførlig cancerdetektionsmetode, især i det asymptomatiske stadium; 3) Der er ingen omfattende analyseplatform for store datasæt til at skelne mellem raske og lungekræftpopulationer.
Raman spektroskopi (RS) er en ikke-invasiv og meget specifik materiale molekylær detektionsteknologi, der kan opnås på molekylært niveau til følsomt at detektere ændringer i biomolekyler sammensat af proteiner, nukleinsyrer, lipider og sukker relateret til tumormetabolisme i biologiske prøver. Overfladeforstærket Raman-spektroskopi (SERS) udviklet baseret på denne teknologi er en af de gennemførlige metoder til meget følsom biomolekylær analyseteknologi. Selvom SERS-teknologien har vist gode diagnostiske effekter i en lang række prækliniske undersøgelser af flere tumorer, er den begrænset af den generelt lille prøvestørrelse og mangel på ekstern verifikation. Derfor er det nødvendigt at udføre klinisk forskning i brugen af Raman-spektroskopi til tumordiagnostik, som opfylder følgende krav: 1. Objektive, hurtige og praktiske Raman-spektroskopi-databehandlingsmetoder er påkrævet, og maskin- og deep learning-metoder kan være de bedste. klassificeringsmetoder; 2. Kliniske prøver med flere center, store stikprøver er nødvendige for at træne deep learning diagnostiske modeller, og deres sande effektivitet verificeres af eksterne data fra prospektive undersøgelser.
I vores tidligere undersøgelse indsamlede vi serum Raman-spektroskopidata fra en kohorte på 191 patienter med lungeknuder og byggede et Raman intelligent diagnosesystem for godartede og ondartede lungeknuder baseret på en maskinlæringsmodel. Nøjagtigheden af dette intelligente diagnosesystem nåede 89,7%. For at opnå det højeste niveau af klinisk evidens og virkelig opnå klinisk transformation, sigter denne prospektive, multi-center kliniske undersøgelse på at verificere brugen af dette intelligente diagnosesystem til tidlig diagnose af ondartede pulmonale knuder.
Undersøgelsestype
Tilmelding (Anslået)
Kontakter og lokationer
Studiekontakt
- Navn: Zongyang Yu, Ph.D
- Telefonnummer: 13509327806
- E-mail: yuzy527@sina.com
Studiesteder
-
-
Fujian
-
Fuzhou, Fujian, Kina, 350000
- Raman detector
-
Kontakt:
- Zongyang Yu, degree
- Telefonnummer: 0591-22859650
- E-mail: yuzy525@sina.com
-
-
Deltagelseskriterier
Berettigelseskriterier
Aldre berettiget til at studere
- Voksen
- Ældre voksen
Tager imod sunde frivillige
Prøveudtagningsmetode
Studiebefolkning
Beskrivelse
Inklusionskriterier:
- Deltagere med lungekræft, der opfylder kriterierne for TNM (niende udgave);
- Deltagerne er villige til at deltage i denne undersøgelse og følge forskningsplanen;
- Deltagere eller juridisk autoriserede repræsentanter kan give skriftligt informeret samtykke godkendt af den etiske vurderingskomité, der administrerer hjemmesiden.
Ekskluderingskriterier:
- Deltagere med samtidige andre maligne tumorer;
- Deltagere med manglende kliniske baseline data;
- Deltagere med alvorlige underliggende lungesygdomme (såsom bronkiektasi, bronkial astma eller KOL osv.), eller dem med en historie med erhvervsmæssig eller miljømæssig eksponering for støv, miner eller asbest;
- Deltagere, der ikke samarbejder eller nægter at deltage i kliniske forsøg på et senere tidspunkt.
Studieplan
Hvordan er undersøgelsen tilrettelagt?
Design detaljer
Kohorter og interventioner
Gruppe / kohorte |
Intervention / Behandling |
|---|---|
|
CT af brystet bekræfter patient med lungeknuder
CT thorax bekræftede tilstedeværelsen af lungeknuder hos patienten og gennemgik til sidst kirurgisk indgreb.
Lungeknolderne havde de endelige patologiske resultater.
|
|
Hvad måler undersøgelsen?
Primære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
Diagnostisk nøjagtighed
Tidsramme: gennem studieafslutning, i gennemsnit 1 år
|
Bestem, om der er hæmatogen metastase i indskrevne lungekræftpatienter gennem RAMAN intelligent diagnostisk system
|
gennem studieafslutning, i gennemsnit 1 år
|
|
Postoperative patologiske resultater
Tidsramme: gennem studieafslutning, i gennemsnit 1 år
|
Efter at have gennemgået kirurgisk resektion af pulmonale knuder, blev den endelige patologiske karakter af pulmonal knuder bestemt ved patologisk undersøgelse.
|
gennem studieafslutning, i gennemsnit 1 år
|
Sekundære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
Tid til RAMAN diagnose
Tidsramme: op til 30 dage
|
Tiden til at udføre RAMAN-test og opnå diagnostiske resultater efter opnåelse af serum
|
op til 30 dage
|
|
Sikkerhedsvurdering Resultater
Tidsramme: op til 30 dage
|
AE'er og SAE'er til og med dag 30
|
op til 30 dage
|
Samarbejdspartnere og efterforskere
Sponsor
Datoer for undersøgelser
Studer store datoer
Studiestart (Anslået)
Primær færdiggørelse (Anslået)
Studieafslutning (Anslået)
Datoer for studieregistrering
Først indsendt
Først indsendt, der opfyldte QC-kriterier
Først opslået (Faktiske)
Opdateringer af undersøgelsesjournaler
Sidste opdatering sendt (Faktiske)
Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier
Sidst verificeret
Mere information
Begreber relateret til denne undersøgelse
Yderligere relevante MeSH-vilkår
Andre undersøgelses-id-numre
- 2024-041
Plan for individuelle deltagerdata (IPD)
Planlægger du at dele individuelle deltagerdata (IPD)?
IPD-planbeskrivelse
IPD-delingsadgangskriterier
IPD-deling Understøttende informationstype
- STUDY_PROTOCOL
- SAP
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 Serum Raman spektroskopi intelligent diagnostisk system
-
Fuzhou General HospitalIkke rekrutterer endnu
-
RenJi HospitalChanghai Hospital; Peking University People's Hospital; Shanghai Zhongshan... og andre samarbejdspartnereRekruttering
-
Fuzhou General HospitalIkke rekrutterer endnuLungekræft, ikke-småcellet | Lungekræft Småcellet lungekræft (SCLC)
-
Fuzhou General HospitalIkke rekrutterer endnu
-
Sun Yat-sen UniversityUkendt