Diese Seite wurde automatisch übersetzt und die Genauigkeit der Übersetzung wird nicht garantiert. Bitte wende dich an die englische Version für einen Quelltext.

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

25. Mai 2026 aktualisiert von: 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.

Studienübersicht

Status

Noch keine Rekrutierung

Bedingungen

Studientyp

Beobachtungs

Einschreibung (Geschätzt)

10000

Teilnahmekriterien

Forscher suchen nach Personen, die einer bestimmten Beschreibung entsprechen, die als Auswahlkriterien bezeichnet werden. Einige Beispiele für diese Kriterien sind der allgemeine Gesundheitszustand einer Person oder frühere Behandlungen.

Zulassungskriterien

Studienberechtigtes Alter

  • Erwachsene
  • Älterer Erwachsener

Akzeptiert gesunde Freiwillige

Nein

Probenahmeverfahren

Nicht-Wahrscheinlichkeitsprobe

Studienpopulation

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

Beschreibung

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.

Studienplan

Dieser Abschnitt enthält Einzelheiten zum Studienplan, einschließlich des Studiendesigns und der Messung der Studieninhalte.

Wie ist die Studie aufgebaut?

Designdetails

Kohorten und Interventionen

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.

Was misst die Studie?

Primäre Ergebnismessungen

Ergebnis Maßnahme
Maßnahmenbeschreibung
Zeitfenster
Incidence of distant metastasis
Zeitfenster: 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)

Mitarbeiter und Ermittler

Hier finden Sie Personen und Organisationen, die an dieser Studie beteiligt sind.

Sponsor

Studienaufzeichnungsdaten

Diese Daten verfolgen den Fortschritt der Übermittlung von Studienaufzeichnungen und zusammenfassenden Ergebnissen an ClinicalTrials.gov. Studienaufzeichnungen und gemeldete Ergebnisse werden von der National Library of Medicine (NLM) überprüft, um sicherzustellen, dass sie bestimmten Qualitätskontrollstandards entsprechen, bevor sie auf der öffentlichen Website veröffentlicht werden.

Haupttermine studieren

Studienbeginn (Geschätzt)

1. Juni 2026

Primärer Abschluss (Geschätzt)

31. Dezember 2036

Studienabschluss (Geschätzt)

31. Dezember 2036

Studienanmeldedaten

Zuerst eingereicht

19. Mai 2026

Zuerst eingereicht, das die QC-Kriterien erfüllt hat

25. Mai 2026

Zuerst gepostet (Tatsächlich)

29. Mai 2026

Studienaufzeichnungsaktualisierungen

Letztes Update gepostet (Tatsächlich)

29. Mai 2026

Letztes eingereichtes Update, das die QC-Kriterien erfüllt

25. Mai 2026

Zuletzt verifiziert

1. Mai 2026

Mehr Informationen

Begriffe im Zusammenhang mit dieser Studie

Andere Studien-ID-Nummern

  • SYSKY-2026-372-01

Arzneimittel- und Geräteinformationen, Studienunterlagen

Studiert ein von der US-amerikanischen FDA reguliertes Arzneimittelprodukt

Nein

Studiert ein von der US-amerikanischen FDA reguliertes Geräteprodukt

Nein

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 .