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

Udvikling og fremtidig validering af en multimodal fusion kunstig intelligensmodel til forudsigelse af effektiviteten af ​​neoadjuvant behandling af blærekræft

1. juni 2026 opdateret af: Sun Yat-Sen Memorial Hospital of Sun Yat-Sen University
Denne undersøgelse er en observationsundersøgelse i flere centrum uden interventioner, herunder konstruktion af en AI-diagnostisk model og retrospektiv test af en multicenter-kohort. Undersøgelsesdeltagerne er blærekræftpatienter, der har gennemgået billeddannelsesundersøgelser, blevet patologisk diagnosticeret og modtaget neoadjuvant behandling med komplette kliniske og patologiske data. Undersøgelsen planlægger at tilmelde 130 patienter fra vores center, indsamle tilsvarende billeddannelsesbilleder og indsamle kliniske og genomiske data for at opbygge og internt validere en multimodal AI -model. Modellens generalisering og robusthed vil blive testet for at undersøge sammenhængen mellem multimodale data og effektiviteten af ​​neoadjuvant behandling for blærekræft. Målet er at hjælpe klinikere med at forudsige og evaluere effektiviteten af ​​neoadjuvant behandling for blærekræft med det mål at forbedre patientdiagnosen, behandlingsresultater og prognose.

Studieoversigt

Status

Afsluttet

Betingelser

Intervention / Behandling

Detaljeret beskrivelse

Blærekræft er en af ​​de mest almindelige maligniteter i det genitourinary system over hele verden. For muskel - invasiv blærekræft, der er tilgængelig for radikal resektion, er standardbehandlingen neoadjuvant terapi kombineret med radikal cystektomi, hvor neoadjuvant terapi spiller en afgørende rolle. I øjeblikket har adskillige undersøgelser vist, at cisplatinbaseret neoadjuvant kemoterapi kan ned på scenen, reducere risikoen for dødelighed hos patienter med blærekræft, forbedre overlevelsesraterne og forbedre prognosen. Andre behandlingsmetoder, såsom neoadjuvant immunterapi, målrettet terapi og kombinationsterapier, undersøges også. Imidlertid varierer svar på neoadjuvant terapi mellem patienter med blærekræft, hvor nogle ikke nåede de ønskede terapeutiske mål. Derfor kan det at forudsige deltagernes respons på behandlingen give en vigtig reference til personlig og præcis behandling af blærekræft.

I de senere år, som fremskridt inden for beregningseffekt og datalagringskapacitet, er kunstig intelligens (AI) blevet anvendt bredt inden for digital diagnostik. AI -teknologier kan udtrække og integrere et stort antal funktioner fra multimodale data såsom patologi, billeddannelse og kliniske poster, hvilket muliggør præcis sygdomsdiagnose, prognosevurdering og behandlingsforudsigelse. Inden for tumorbehandlingsforudsigelse har multimodale AI -teknologier opnået adskillige gennembrud, udvikling af effektivitetsforudsigelsesmodeller for tumorer såsom rektal og brystkræft baseret på billeddannelse og patologiske data og validering af modellernes generaliseringsfunktioner gennem ekstern validering.

Derfor planlægger efterforskerne at konstruere og validere en "blærekræft neoadjuvant behandlingseffektivitetsforudsigelsesmodel" baseret på multimodale data såsom MRI -billeder, digitale patologibilleder og kliniske poster af blærekræftpatienter og udvikle en AI -assisteret forudsigelsessoftware til neoadjuvant behandling effektive i blærecancer. Undersøgere håber, at denne AI -diagnostiske model kan tjene som et hjælpeværktøj til at hjælpe klinikere med at stratificere neoadjuvant behandlingseffektivitet hos patienter med blærekræft og derved formulere præcise behandlingsplaner, reducere forbruget af mennesker og materielle ressourcer og beslaglægge de optimale behandlingsmuligheder.

Undersøgelsestype

Observationel

Tilmelding (Faktiske)

469

Kontakter og lokationer

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

Studiesteder

  • Kina
    • Guangdong
      • Guangzhou, Guangdong, Kina, 510080
        • Sun Yat-Sen Memorial Hospital of Sun Yat-Sen 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

  • Barn
  • Voksen
  • Ældre voksen

Tager imod sunde frivillige

Ingen

Prøveudtagningsmetode

Ikke-sandsynlighedsprøve

Studiebefolkning

Patienter med patologisk bekræftet blærekræft, der gennemgår neoadjuvansbehandling og radikal cystektomi, planlægges tilmeldt denne diagnostiske test for at vurdere modellens kliniske anvendelsesevne.

Beskrivelse

Inkluderingskriterier:

  • Blæreoptaget læsioner med histopatologisk bekræftelse af blærekræft efter resektion.
  • Planlagt neoadjuvant terapi og radikal cystektomi.

Ekskluderingskriterier:

  • Patienter, der ikke har gennemgået standard -billeddannelsesundersøgelser, eller har manglende billeddannelse eller patologiske data.
  • Patienter, der har modtaget lokale behandlinger (såsom interventionembolisering) eller systemiske behandlinger (såsom strålebehandling, kemoterapi, immunterapi eller målrettet terapi).
  • Dårlig kvalitet af billeddannelse eller patologiske billeder.

Studieplan

Dette afsnit indeholder detaljer om studieplanen, herunder hvordan undersøgelsen er designet, og hvad undersøgelsen måler.

Hvordan er undersøgelsen tilrettelagt?

Design detaljer

Kohorter og interventioner

Gruppe / kohorte
Intervention / Behandling
Patienter med blærekræft, der gennemgår neoadjuvant terapi
Patienter patologisk diagnosticeret med blærekræft, der gennemgår neoadjuvant terapi.
Diagnostisk test: Artificial intelligence (AI)-based predictive model
Collect magnetic resonance imaging and pathological slides of resected tumor of the enrolled patients. Analyze the data using the AI model to generate predictive results (sensitive or insensitive to the neoadjavant therapy). No intervention to patients would be performed in this diagnostic test study.

Hvad måler undersøgelsen?

Primære resultatmål

Resultatmål
Foranstaltningsbeskrivelse
Tidsramme
AUC (Area Under the Receiver Operating Characteristic Curve)
Tidsramme: For each enrolled patient, the AI model's prediction results will be generated within several days after neoadjuvant therapy. The AUC of the model will be evaluated upon study completion, an average of 3 years.
A comprehensive metric reflecting the overall discriminative ability of the AI model, which integrates the model's sensitivity and specificity across all possible threshold values. It quantifies the probability that the model will correctly rank a randomly selected therapy-sensitive patient higher than a randomly selected therapy-insensitive patient.
For each enrolled patient, the AI model's prediction results will be generated within several days after neoadjuvant therapy. The AUC of the model will be evaluated upon study completion, an average of 3 years.

Sekundære resultatmål

Resultatmål
Foranstaltningsbeskrivelse
Tidsramme
sensitivity
Tidsramme: For each enrolled patient, the predictive results of AI model will be obtained in several days after neoadjuvant therapy, and the sensitivity of the AI model will be evaluated through study completion, an average of 3 year.
the number of correctly diagnosed positive patient (sensitive to therapy), to be divided by the number of patients in total.
For each enrolled patient, the predictive results of AI model will be obtained in several days after neoadjuvant therapy, and the sensitivity of the AI model will be evaluated through study completion, an average of 3 year.
specificity
Tidsramme: For each enrolled patient, the predictive results of AI model will be obtained in several days after neoadjuvant therapy, and the specificity of the AI model will be evaluated through study completion, an average of 3 year.
the number of correctly diagnosed negative patients (therapy insensitive), to be divided by the number of negative patients in total.
For each enrolled patient, the predictive results of AI model will be obtained in several days after neoadjuvant therapy, and the specificity of the AI model will be evaluated through study completion, an average of 3 year.

Samarbejdspartnere og efterforskere

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

Sponsor

Sun Yat-Sen Memorial Hospital of Sun Yat-Sen University

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. december 2025

Studieafslutning (Faktiske)

31. december 2025

Datoer for studieregistrering

Først indsendt

19. marts 2025

Først indsendt, der opfyldte QC-kriterier

1. april 2025

Først opslået (Faktiske)

3. april 2025

Opdateringer af undersøgelsesjournaler

Sidste opdatering sendt (Faktiske)

3. juni 2026

Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier

1. juni 2026

Sidst verificeret

1. april 2025

Mere information

Begreber relateret til denne undersøgelse

Nøgleord

Yderligere relevante MeSH-vilkår

Andre undersøgelses-id-numre

  • SYSKY-2024-738-01

Plan for individuelle deltagerdata (IPD)

Planlægger du at dele individuelle deltagerdata (IPD)?

INGEN

IPD-planbeskrivelse

For at beskytte patientens privatliv er magnetisk resonansafbildning, patologiske diasbilleder og andre patientrelaterede data ikke offentligt tilgængelige.

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 .

Kliniske forsøg med Artificial intelligence (AI)-based predictive model

Søg i lignende forsøg

Sponsorer og samarbejdspartnere

Medicinske tilstande

Narkotikainterventioner

CROs by country

CROs in Djibouti

Betingelser

Sjældne sygdomme

Narkotikainterventioner

Kosttilskud

Sponsor / samarbejdspartnere

Placeringer

Abonner