Deep-Learning-Signatur zur Vorhersage einer vollständigen pathologischen Reaktion auf eine neoadjuvante Chemoimmuntherapie bei nichtkleinzelligem Lungenkrebs
Eine Integration einer auf Computertomographie/Positronenemissionstomographie/Whole Slide Image (CT/PET/WSI) basierenden Deep-Learning-Signatur zur Vorhersage einer vollständigen pathologischen Reaktion auf eine neoadjuvante Chemoimmuntherapie bei nichtkleinzelligem Lungenkrebs: Eine multizentrische Studie
Studienübersicht
Status
Status
Bedingungen
Bedingungen
Intervention / Behandlung
Intervention / Behandlung
Studientyp
Studientyp
Einschreibung (Geschätzt)
Einschreibung
Kontakte und Standorte
Studienorte
-
-
Guizhou
-
Zunyi, Guizhou, China
- Rekrutierung
- Affiliated Hospital of Zunyi Medical University
-
Kontakt:
- Yongxiang Song, Dr
- Telefonnummer: 15505177258
- E-Mail: zhong961008@163.com
-
-
Jiangxi
-
Nanchang, Jiangxi, China
- Rekrutierung
- The First Affiliated Hospital of Nanchang University
-
Kontakt:
- Bentong Yu, Dr
- Telefonnummer: 021-65115006
- E-Mail: 1151697503@qq.com
-
-
Zhejiang
-
Ningbo, Zhejiang, China
- Rekrutierung
- Ningbo HwaMei Hospital
-
Kontakt:
- Minglei Yang, Dr
- Telefonnummer: 021-65115006
- E-Mail: almondjj@163.com
-
-
Teilnahmekriterien
Zulassungskriterien
Zulassungskriterien
Studienberechtigtes Alter
- Erwachsene
- Älterer Erwachsener
Akzeptiert gesunde Freiwillige
Probenahmeverfahren
Studienpopulation
Beschreibung
Einschlusskriterien:
- Alter zwischen 20 und 75 Jahren;
- Patienten, die sich nach neoadjuvanter Chemoimmuntherapie bei NSCLC einer kurativen Operation unterzogen;
- Einholung einer schriftlichen Einverständniserklärung.
Ausschlusskriterien:
- Fehlende Bilddaten;
- Pathologische N3-Krankheit.
Studienplan
Wie ist die Studie aufgebaut?
Designdetails
Was misst die Studie?
Primäre Ergebnismessungen
Primäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Fläche unter der Betriebskennlinie des Empfängers
Zeitfenster: 2023.5.1-2023.10.31
|
Die Fläche unter der Receiver Operating Characteristic Curve (ROC) des Deep-Learning-Modells bei der Vorhersage der vollständigen pathologischen Reaktion (CPR).
CPR wurde als kein Resttumor sowohl im resezierten Primärtumor als auch in den Lymphknoten definiert.
Patienten mit nicht-kleinzelligem Lungenkrebs, die eine neoadjuvante Chemoimmuntherapie erhalten, erreichen entweder eine CPR oder keine CPR, was durch eine pathologische Untersuchung nach einer chirurgischen Resektion bestätigt werden kann.
Und das Modell gibt den Vorhersagewert (CPR/Nicht-CPR) für jeden Patienten aus, der eine neoadjuvante Chemoimmuntherapie erhält.
|
2023.5.1-2023.10.31
|
Sekundäre Ergebnismessungen
Sekundäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Empfindlichkeit
Zeitfenster: 2023.5.1-2023.10.31
|
Die Empfindlichkeit des Deep-Learning-Modells bei der Vorhersage einer vollständigen pathologischen Reaktion.
CPR wurde als kein Resttumor sowohl im resezierten Primärtumor als auch in den Lymphknoten definiert.
Patienten mit nicht-kleinzelligem Lungenkrebs, die eine neoadjuvante Chemoimmuntherapie erhalten, erreichen entweder eine CPR oder keine CPR, was durch eine pathologische Untersuchung nach einer chirurgischen Resektion bestätigt werden kann.
Und das Modell gibt den Vorhersagewert (CPR/Nicht-CPR) für jeden Patienten aus, der eine neoadjuvante Chemoimmuntherapie erhält.
|
2023.5.1-2023.10.31
|
Andere Ergebnismessungen
Andere Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Spezifität
Zeitfenster: 2023.5.1-2023.10.31
|
Die Spezifität des Deep-Learning-Modells bei der Vorhersage einer vollständigen pathologischen Reaktion.
CPR wurde als kein Resttumor sowohl im resezierten Primärtumor als auch in den Lymphknoten definiert.
Patienten mit nicht-kleinzelligem Lungenkrebs, die eine neoadjuvante Chemoimmuntherapie erhalten, erreichen entweder eine CPR oder keine CPR, was durch eine pathologische Untersuchung nach einer chirurgischen Resektion bestätigt werden kann.
Und das Modell gibt den Vorhersagewert (CPR/Nicht-CPR) für jeden Patienten aus, der eine neoadjuvante Chemoimmuntherapie erhält.
|
2023.5.1-2023.10.31
|
|
Positiv vorhergesagter Wert
Zeitfenster: 2023.5.1-2023.10.31
|
Der positive Vorhersagewert des Deep-Learning-Modells bei der Vorhersage einer vollständigen pathologischen Reaktion.
CPR wurde als kein Resttumor sowohl im resezierten Primärtumor als auch in den Lymphknoten definiert.
Patienten mit nicht-kleinzelligem Lungenkrebs, die eine neoadjuvante Chemoimmuntherapie erhalten, erreichen entweder eine CPR oder keine CPR, was durch eine pathologische Untersuchung nach einer chirurgischen Resektion bestätigt werden kann.
Und das Modell gibt den Vorhersagewert (CPR/Nicht-CPR) für jeden Patienten aus, der eine neoadjuvante Chemoimmuntherapie erhält.
|
2023.5.1-2023.10.31
|
|
Negativer Vorhersagewert
Zeitfenster: 2023.5.1-2023.10.31
|
Der negative Vorhersagewert des Deep-Learning-Modells bei der Vorhersage einer vollständigen pathologischen Reaktion.
CPR wurde als kein Resttumor sowohl im resezierten Primärtumor als auch in den Lymphknoten definiert.
Patienten mit nicht-kleinzelligem Lungenkrebs, die eine neoadjuvante Chemoimmuntherapie erhalten, erreichen entweder eine CPR oder keine CPR, was durch eine pathologische Untersuchung nach einer chirurgischen Resektion bestätigt werden kann.
Und das Modell gibt den Vorhersagewert (CPR/Nicht-CPR) für jeden Patienten aus, der eine neoadjuvante Chemoimmuntherapie erhält.
|
2023.5.1-2023.10.31
|
|
Genauigkeit
Zeitfenster: 2023.5.1-2023.10.31
|
Die Genauigkeit des Deep-Learning-Modells bei der Vorhersage einer vollständigen pathologischen Reaktion.
CPR wurde als kein Resttumor sowohl im resezierten Primärtumor als auch in den Lymphknoten definiert.
Patienten mit nicht-kleinzelligem Lungenkrebs, die eine neoadjuvante Chemoimmuntherapie erhalten, erreichen entweder eine CPR oder keine CPR, was durch eine pathologische Untersuchung nach einer chirurgischen Resektion bestätigt werden kann.
Und das Modell gibt den Vorhersagewert (CPR/Nicht-CPR) für jeden Patienten aus, der eine neoadjuvante Chemoimmuntherapie erhält.
|
2023.5.1-2023.10.31
|
Mitarbeiter und Ermittler
Sponsor
Sponsor
Mitarbeiter
Mitarbeiter
Studienaufzeichnungsdaten
Haupttermine studieren
Studienbeginn (Tatsächlich)
Studienbeginn
Primärer Abschluss (Geschätzt)
Primärer Abschluss
Studienabschluss (Geschätzt)
Studienabschluss
Studienanmeldedaten
Zuerst eingereicht
Zuerst eingereicht
Zuerst eingereicht, das die QC-Kriterien erfüllt hat
Zuerst eingereicht, das die QC-Kriterien erfüllt hat
Zuerst gepostet (Tatsächlich)
Zuerst gepostet
Studienaufzeichnungsaktualisierungen
Letztes Update gepostet (Tatsächlich)
Letztes Update gepostet
Letztes eingereichtes Update, das die QC-Kriterien erfüllt
Letztes eingereichtes Update, das die QC-Kriterien erfüllt
Zuletzt verifiziert
Zuletzt verifiziert
Mehr Informationen
Begriffe im Zusammenhang mit dieser Studie
Zusätzliche relevante MeSH-Bedingungen
Andere Studien-ID-Nummern
Andere Studien-ID-Nummern
- DLCPR
Plan für individuelle Teilnehmerdaten (IPD)
Planen Sie, individuelle Teilnehmerdaten (IPD) zu teilen?
Arzneimittel- und Geräteinformationen, Studienunterlagen
Studiert ein von der US-amerikanischen FDA reguliertes Arzneimittelprodukt
Studiert ein von der US-amerikanischen FDA reguliertes Geräteprodukt
Diese Informationen wurden ohne Änderungen direkt von der Website clinicaltrials.gov abgerufen. Wenn Sie Ihre Studiendaten ändern, entfernen oder aktualisieren möchten, wenden Sie sich bitte an register@clinicaltrials.gov. Sobald eine Änderung auf clinicaltrials.gov implementiert wird, wird diese automatisch auch auf unserer Website aktualisiert .