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

Artificial Intelligence-Based Early Warning for Distant Metastasis in Malignant Tumors

25. maj 2026 opdateret af: Chen Kai, Sun Yat-Sen Memorial Hospital of Sun Yat-Sen University
Early detection and timely intervention of distant metastasis are essential for improving the prognosis of patients with malignant tumors. However, current clinical methods have notable limitations. Conventional imaging can only detect macroscopic metastatic lesions, failing to seize the optimal intervention window before metastasis occurs or during the micrometastasis stage. Previous research has adopted artificial intelligence to break the constraints of traditional imaging and realized subclinical early warning of distant metastasis based on retrospective data. On this basis, the present study aims to systematically validate the predictive performance and generalizability of the model in real-world clinical settings via a prospective cohort. This study intends to establish an organ-specific, non-invasive and cost-effective pan-cancer tool for early warning of distant metastasis. It can gain critical time for clinical intervention, help reduce the incidence of distant metastasis and ultimately optimize patient prognosis.

Studieoversigt

Status

Ikke rekrutterer endnu

Betingelser

Undersøgelsestype

Observationel

Tilmelding (Anslået)

10000

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

The enrolled patients are those diagnosed with malignant tumors who receive treatment in hospitals across China and undergo regular follow-up.

Beskrivelse

Inclusion Criteria:

  1. Aged ≥ 18 years old;
  2. Diagnosed with malignant tumor confirmed by histopathology;
  3. No distant metastasis detected at baseline enrollment assessment;
  4. Regular imaging examinations for distant metastasis assessment are scheduled in the routine follow-up protocol after enrollment;
  5. Complete baseline clinicopathological data are available;
  6. Patients provide informed consent and permit researchers to collect and analyze their subsequent imaging and clinicopathological data.

Exclusion Criteria:

  1. Concurrent presence of two or more primary malignant tumors;
  2. Presence of any medical or social factors that may interfere with completion of routine imaging follow-up.

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
Model-predicted positive group
The model-predicted positive group is defined as patients predicted by the artificial intelligence model to develop distant metastasis in the future.
Model-predicted negative group
The model-predicted negative group is defined as patients predicted by the artificial intelligence model not to develop distant metastasis in the future.

Hvad måler undersøgelsen?

Primære resultatmål

Resultatmål
Foranstaltningsbeskrivelse
Tidsramme
Incidence of distant metastasis
Tidsramme: At each routine follow-up visit (interval: approximately 6 months to 1 year)
Proportion of patients with distant metastasis among malignant tumor cases
At each routine follow-up visit (interval: approximately 6 months to 1 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 (Anslået)

1. juni 2026

Primær færdiggørelse (Anslået)

31. december 2036

Studieafslutning (Anslået)

31. december 2036

Datoer for studieregistrering

Først indsendt

19. maj 2026

Først indsendt, der opfyldte QC-kriterier

25. maj 2026

Først opslået (Faktiske)

29. maj 2026

Opdateringer af undersøgelsesjournaler

Sidste opdatering sendt (Faktiske)

29. maj 2026

Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier

25. maj 2026

Sidst verificeret

1. maj 2026

Mere information

Begreber relateret til denne undersøgelse

Andre undersøgelses-id-numre

  • SYSKY-2026-372-01

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 Malignt Tumor Med Metastase

Søg i lignende forsøg

Sponsorer og samarbejdspartnere

Medicinske tilstande

Narkotikainterventioner

CROs by country

CROs in Sri Lanka

Betingelser

Sjældne sygdomme

Narkotikainterventioner

Kosttilskud

Sponsor / samarbejdspartnere

Placeringer

Abonner