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

AI-baseret forudsigelse af levermetastaser ved kolorektalkræft (Et retrospektivt studie)

9. februar 2026 opdateret af: Wan-Guang Zhang, Tongji Hospital

Et multicenter, retrospektivt, observationsstudie med henblik på at udvikle og validere en multimodal dyb læringsmodel til at forudsige metakron levermetastase hos patienter med kolorektal cancer efter kurativ resektion

Denne multicenter, retrospektive undersøgelse har til formål at udvikle og validere en multimodal deep learning-model til at forudsige risikoen for metakron levermetastase hos patienter med kolorektal cancer i stadium I-III efter kurativ resektion. Modellen vil integrere præoperativ kontrastforstærket CT-billeddannelse, digitaliserede histopatologiske helsidesbilleder og standard klinisk-patologiske data.

Det primære formål er at vurdere modellens diskriminerende præstation, målt ved området under receiver operating characteristic-kurven (AUC), og sammenligne dens prædiktive nøjagtighed med traditionelle prognostiske faktorer som TNM-stadieinddeling og serum carcinoembryonalt antigen-niveauer. Denne forskning anvender eksisterende arkivdata; ingen direkte patientkontakt eller intervention er involveret. Det ultimative mål er at levere et robust, datadrevet værktøj til forbedret risikostratificering, som potentielt kan vejlede personlige overvågningsstrategier og adjuvant terapeutiske beslutninger i fremtiden.

Studieoversigt

Status

Rekruttering

Betingelser

Intervention / Behandling

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
    • Hubei
      • Wuhan, Hubei, Kina
        • Rekruttering
        • Tongji Hospital
        • 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

Voksne patienter (i alderen 18-75) med primær kolorektalkræft i stadium I-III, som blev udsat for kurativ resection på deltagende medicinske centre mellem 2015 og 2025, og for hvem komplet præoperativ billeddiagnostik, postoperativ patologisk data og opfølgningsovervågningsdata er tilgængelige til retrospektiv analyse.

Beskrivelse

Inklusionskriterier:

  • Alder 18-75 år, ethvert køn.
  • Histologisk bekræftet primær tyktarms- eller endetarmsadenokarcinom.
  • Har gennemgået kurativ radikal resektion (R0-resektion) for tyktarmskræft.
  • Præoperativ kontrastforstærket CT-scanning af abdomen/bækken udført inden for 1 måned før operation, med acceptabel billedkvalitet.
  • Ingen tegn på fjernmetastaser (inklusive synkron levermetastase) ved præoperativ eller intraoperativ udforskning.

Eksklusionskriterier:

  • Tidligere andre ondartede svulster.
  • Tidligere leverkirurgi eller levertransplantation.
  • Manglende kliniske, billeddiagnostiske eller patologiske data, der kræves til undersøgelsen.
  • Død i den perioperative periode (inden for 30 dage efter operation).
  • Manglende regelmæssig opfølgningsinformation.

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
Kohorte for kolorektal cancerresektion
En retrospektiv kohorte af voksne patienter (18-75 år) med stadium I-III primær kolorektal adenokarcinom, som gennemgik kurativ (R0) resektion. Denne kohorte er defineret med henblik på at udvikle og validere en multimodal deep learning-model til at forudsige risikoen for metakron levermetastase. Alle data, herunder præoperative kontrastforstærkede CT-scanninger, postoperative digitaliserede patologislides og kliniske journaler, blev indsamlet retrospektivt fra rutinemæssig klinisk praksis. Ingen interventioner blev gennemført som en del af denne undersøgelse.
Andet: Analyse af multimodal dyb læringsmodeller
Dette er en ikke-interventionel undersøgelse. Den primære studieprocedure er anvendelsen af en multimodal deep learning-model til retrospektiv analyse af eksisterende kliniske data (kontrastforstærkede CT-billeder, digitaliserede patologiske prøver og struktureret kliniske variabler) med det formål at forudsige risikoen for metakron levermetastase. Der gives ingen terapeutiske eller diagnostiske interventioner til deltagerne som en del af denne forskningsprotokol.

Hvad måler undersøgelsen?

Primære resultatmål

Resultatmål
Foranstaltningsbeskrivelse
Tidsramme
Areal under modtageroperativ karakteristikkurve (AUC)
Tidsramme: op til 3 år
Den diskriminatoriske præstation af den multimodal deep learning-model til at forudsige 3-års risikoen for metakron levermetastase.
Modellen integrerer præoperative kontrastforstærkede CT-billeder, digitaliserede hele-snit patologibilleder og kliniske data.
AUC vil blive beregnet på det udelukkede uafhængige testset.
Vurderingen er baseret på data indsamlet fra datoen for kurativ kirurgi (baseline) til datoen for første billeddiagnostisk bekræftet levermetastase eller sidste opfølgning.
op til 3 år

Sekundære resultatmål

Resultatmål
Foranstaltningsbeskrivelse
Tidsramme
Levermetastasefri Overlevelse (LMFS) efter Risikogruppe
Tidsramme: op til 3 år
Forskellen i levermetastasefri overlevelse mellem højrisiko- og lavrisikogrupperne som stratificeret af den multimodale model. LMFS defineres som tiden fra kirurgi til den første radiologiske diagnose af levermetastase. Fra kirurgidatoen til datoen for første dokumenterede levermetastase eller sidste opfølgning.
op til 3 år

Samarbejdspartnere og efterforskere

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

Sponsor

Tongji 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 (Faktiske)

1. januar 2015

Primær færdiggørelse (Faktiske)

30. januar 2026

Studieafslutning (Anslået)

30. januar 2026

Datoer for studieregistrering

Først indsendt

30. januar 2026

Først indsendt, der opfyldte QC-kriterier

9. februar 2026

Først opslået (Faktiske)

10. februar 2026

Opdateringer af undersøgelsesjournaler

Sidste opdatering sendt (Faktiske)

10. februar 2026

Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier

9. februar 2026

Sidst verificeret

1. januar 2026

Mere information

Begreber relateret til denne undersøgelse

Nøgleord

Andre undersøgelses-id-numre

  • TJ-IRB202512239

Plan for individuelle deltagerdata (IPD)

Planlægger du at dele individuelle deltagerdata (IPD)?

INGEN

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 Analyse af multimodal dyb læringsmodeller

Søg i lignende forsøg

Sponsorer og samarbejdspartnere

Medicinske tilstande

Narkotikainterventioner

CROs by country

CROs in Armenia

Betingelser

Sjældne sygdomme

Narkotikainterventioner

Kosttilskud

Sponsor / samarbejdspartnere

Placeringer

Abonner