- ICH GCP
- US Clinical Trials Registry
- Klinisk forsøg NCT07531446
Konstruktion af en klinisk-billeddiagnostisk samarbejdsmodel for dermatomyositis kombineret med interstitiel lungesygdom baseret på PET/CT-billedfunktioner og kliniske parametre
11. april 2026 opdateret af: Hu Jiajia, Ruijin Hospital
Forskerne undersøgte sammenhængene mellem billedparametrene for ⁶⁸Ga-FAPI og ¹⁸F-FDG dual-tracer PET/CT og samtidig interstitiel lungesygdom (ILD) hos patienter med dermatomyositis (DM), udviklede en ny diagnostisk model til at forudsige DM kompliceret med ILD og udførte ekstern validering af denne model.
Samtidig sammenlignede forskerne den prædiktive præstation af den kun-billedbaserede model med den klassiske kliniske model og den klinisk-radiologiske samarbejdsmodel.
Studieoversigt
Status
Aktiv, ikke rekrutterende
Betingelser
Intervention / Behandling
Detaljeret beskrivelse
For de funktioner, der var inkluderet i den endelige optimale model, blev mellemgruppesammenligninger af kontinuerte variable (interstitiel lunge sygdomsgruppe vs. ikke-interstitiel lunge sygdomsgruppe) udført ved hjælp af Wilcoxons rangsumtest.
For kategoriske variable blev chi-i-anden-testen eller Fishers eksakte test anvendt efter behov. I sammenligningen af model effektivitet blev DeLong-testen brugt til at vurdere de statistiske forskelle i AUC-værdier mellem hver maskinlæringsklassificeringsmodel og referencemodellen. Alle statistiske analyser blev udført ved hjælp af R-software (version 4.4.1).
De anvendte R-pakker inkluderede pROC til ROC-analyse, caret til modeltræning og SHAP til fortolkbarhedsanalysen af XGBoost-modellen.
En tohalet p-værdi < 0,05 blev defineret som tærsklen for statistisk signifikans for alle analyser.
Undersøgelsestype
Observationel
Tilmelding (Faktiske)
200
Kontakter og lokationer
Dette afsnit indeholder kontaktoplysninger for dem, der udfører undersøgelsen, og oplysninger om, hvor denne undersøgelse udføres.
Studiesteder
-
-
Shanghai Municipality
-
Shanghai, Shanghai Municipality, Kina
- Department of Nuclear Medicine & Institute for medical imaging technology, Ruijin Hospital Affiliated to Shanghai Jiao Tong University School of Medicine,
-
-
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
Mellem juni 2023 og juli 2025 blev 154 konsekutive patienter diagnosticeret med dermatomyositis (DM), som gennemgik 68Ga-FAPI-04 PET/CT-skanning, oprindeligt overvejet.
Diagnosen af DM blev etableret baseret på Bohan og Peter-kriterierne for klassisk DM [24] eller Sontheimer-kriterierne for klinisk amyopatisk dermatomyositis (CADM) [25].
Diagnosen af interstitiel lungesygdom (ILD) blev bekræftet af et tværfagligt team baseret på en kombination af kliniske symptomer (hoste, åndenød), fysiske fund (inspiratoriske krakelyde), højopløselig computertomografi (HRCT)-bevis for interstitielle forandringer og lungefunktionstest, der viste restriktive ventilationsdefekter.
Beskrivelse
Inklusionskriterier:
- Diagnosen dermatomyositis (DM) blev stillet i henhold til Bohan og Peter-kriterierne
- Diagnosen klinisk amyopatisk dermatomyositis (CADM) blev fastlagt baseret på Sontheimer-kriterierne
- Diagnosen interstitiel lunge sygdom (ILD) blev bekræftet i overensstemmelse med American Thoracic Society's (ATS) kriterier
- ⁶⁸Ga-FAPI og ¹⁸F-FDG PET/CT-skanninger blev udført på Nuklearmedicinsk Afdeling.
Eksklusionskriterier: Patienter med andre bindevævssygdomme.
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 |
|---|---|
|
ILD
Diagnosen af ILD blev bekræftet i overensstemmelse med kriterierne fra American Thoracic Society (ATS).
|
Observer de medicinske billeder via arbejdsstation eller lokal billedanalysesoftware
Udtrækning af billedfunktioner via radiomik eller maskinlæringsmetoder
|
|
ikke-ILD
Patienter i ikke-ILD-gruppen havde ingen tegn på ILD efter ATS-kriterierne.
|
Observer de medicinske billeder via arbejdsstation eller lokal billedanalysesoftware
Udtrækning af billedfunktioner via radiomik eller maskinlæringsmetoder
|
Hvad måler undersøgelsen?
Primære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
Billeddannelsesfunktioner af 68Ga-FAPI PET-scanning
Tidsramme: baseline
|
konventionelle PET-parametre (SUVmax, SUVmin) og PET-teksturelle funktionsparametre (radiomics)
|
baseline
|
Sekundære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
Ydelsen af maskinlæring og referencemodeller
Tidsramme: baseline
|
ROC-kurve (Receiver Operating Characteristic-kurve), DCA-kurve (Decision Curve Analysis-kurve)
|
baseline
|
Andre resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
SHAP-analyse af den optimale model
Tidsramme: baseline
|
baseline
|
|
|
Forskelle mellem grupper
Tidsramme: baseline
|
DM-ILD og DM non-ILD Gruppe sammenligning af vigtige parametre i modeller
|
baseline
|
|
Korrelationsanalyse
Tidsramme: baseline
|
Korrelationsanalyse af de forskellige parametre i modellen.
|
baseline
|
Samarbejdspartnere og efterforskere
Det er her, du vil finde personer og organisationer, der er involveret i denne undersøgelse.
Sponsor
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)
13. januar 2026
Primær færdiggørelse (Anslået)
1. januar 2027
Studieafslutning (Anslået)
1. januar 2027
Datoer for studieregistrering
Først indsendt
27. marts 2026
Først indsendt, der opfyldte QC-kriterier
11. april 2026
Først opslået (Faktiske)
15. april 2026
Opdateringer af undersøgelsesjournaler
Sidste opdatering sendt (Faktiske)
15. april 2026
Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier
11. april 2026
Sidst verificeret
1. januar 2026
Mere information
Begreber relateret til denne undersøgelse
Yderligere relevante MeSH-vilkår
Andre undersøgelses-id-numre
- RuijinH 2026-47
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 Maskinelæring
-
Kırıkkale UniversityTilmelding efter invitationÅndelig omsorg | Flipped Learning ModelTyrkiet (Türkiye)
-
Hand & Reconstructive MicrosurgeryAfsluttetMasselæring, Spaced Learning, Mikrokirurgi
-
National Taiwan University HospitalRekrutteringDyb læring | Ammende | Mechine Learning | Kunstig intelligens (AI)Taiwan
-
RenJi HospitalIkke rekrutterer endnuAnvendelse af kunstig intelligens Deep Learning-teknologi i magnetisk resonans lumbal billeddannelseDeep Learning, Lumbal Magnetic Resonance Imaging
-
Cairo UniversityIkke rekrutterer endnuEndodonti | AI (kunstig intelligens) | Deep Learning Model | Perforering | Missede kanaler | Endodontisk genbehandling | Non-surgical Retreatment | DIFFICULTY ASSESSMENT | SEPARATED INSTRUMENT | Poor Obturation | Obturation Quality
-
HITEC-Institute of Medical SciencesAfsluttetOSCE (Objective Structured Clinical Examination) | TBL (Team Based Learning) | Undervisning af kliniske færdigheder til medicinske studerendePakistan
-
Seoul National University Bundang HospitalIkke rekrutterer endnuSlagvolumen variation | Pulstrykvariation | Deep Learning Model | Arterielle bølgerefleksioner | Perifer veneKorea, Republikken
-
Fenerbahce UniversityIkke rekrutterer endnuSkulderdystoci-træning med AI-understøttet flipped learning i jordemoderuddannelsenTyrkiet (Türkiye)
-
Yang ChaonanIkke rekrutterer endnuRisikofaktorer | Kritisk syge patienter | Trykskade | Machine Learning Algoritmer
-
University of ZurichRekrutteringForudsigelse af slagtilfældeudfald understøttet af Deep Learning AlgorithmSchweiz
Kliniske forsøg med Observer de medicinske billeder
-
Ya-Wei XuWest China Hospital; Ruijin Hospital; Shanghai Ninth People's Hospital Affiliated... og andre samarbejdspartnereUkendtSlag | Ikke-valvulær atrieflimren
-
Indiana UniversityTrukket tilbage
-
Assiut UniversityUkendt