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

Lungenknotenbildgebungs-Biobank für Radiomics- und KI-Forschung (LIBRA)

8. Juni 2021 aktualisiert von: Royal Marsden NHS Foundation Trust
Diese Studie wird retrospektive CT-Bilder und klinische Daten von Teilnehmern mit zufälligen Lungenknoten sammeln, die in Krankenhäusern in ganz London gesehen wurden. Die Forscher werden untersuchen, ob maschinelles Lernen verwendet werden kann, um vorherzusagen, welche Teilnehmer an Lungenkrebs erkranken werden, um die Früherkennung zu verbessern.

Studienübersicht

Status

Rekrutierung

Bedingungen

Intervention / Behandlung

Studientyp

Beobachtungs

Einschreibung (Voraussichtlich)

1000

Kontakte und Standorte

Dieser Abschnitt enthält die Kontaktdaten derjenigen, die die Studie durchführen, und Informationen darüber, wo diese Studie durchgeführt wird.

Studienkontakt

Studienorte

  • Vereinigtes Königreich
      • London, Vereinigtes Königreich, NW1 2PG
        • Rekrutierung
        • University College London Hospitals Nhs Foundation Trust
        • Kontakt:
      • London, Vereinigtes Königreich, SW3 6NP
        • Rekrutierung
        • The Royal Brompton NHS Foundation Trust
        • Kontakt:
        • Hauptermittler:
          • Dr Anand Deveral
    • England
      • Sutton, England, Vereinigtes Königreich, SM2 5PT
    • Greater London
      • London, Greater London, Vereinigtes Königreich, SE6 4JH
        • Rekrutierung
        • Lewisham and Greenwich NHS Trust
        • Kontakt:
        • Hauptermittler:
          • Shafick Gareeboo
    • Surrey
      • Carshalton, Surrey, Vereinigtes Königreich, SM5 1AA
        • Noch keine Rekrutierung
        • Epsom and St Helier's Hospitals NHS Trust
        • Kontakt:
        • Hauptermittler:
          • Jonathon Ratoff

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

18 Jahre und älter (ERWACHSENE, OLDER_ADULT)

Akzeptiert gesunde Freiwillige

Nein

Studienberechtigte Geschlechter

Alle

Probenahmeverfahren

Nicht-Wahrscheinlichkeitsprobe

Studienpopulation

Patienten mit zuvor identifizierten Lungenknoten.

Beschreibung

Einschlusskriterien:

  • Alter > 18
  • Ausgangs-CT-Thorax-Bildgebung mit Lungenknoten zwischen 5 und 30 mm in den letzten 10 Jahren.
  • Ground Truth bekannt (entweder Scandaten zeigen Stabilität für 2 Jahre (basierend auf Durchmesser) oder ein Jahr (basierend auf Volumetrie), vollständige Auflösung oder durch Biopsie nachgewiesene Malignität.
  • Scheibendicke < 2,5 mm.

Ausschlusskriterien:

  • • Fehlen mindestens einer technisch adäquaten CT-Thorax-Bildgebungsserie (definiert durch visuelle Überprüfung des Vorhandenseins von Bildgebungsdaten des Thorax in der DICOM-Aufzeichnung).

    • Scheibendicke > 2,5 mm.
    • Bildgebung > 10 Jahre alt.
    • Ground Truth unbekannt.

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
Intervention / Behandlung
Lungenknoten

Eine Kohorte von 1000 Patienten mit zufälligen Lungenknoten wird anhand klinischer Aufzeichnungen an teilnehmenden NHS-Standorten identifiziert.

Link-anonymisierte CT-Bilder und -Daten werden in einer zentralen Datenbank für Radiomics- und künstliche Intelligenzforschung gespeichert, um das Malignitätsrisiko vorherzusagen.
Diagnosetest: Klassifikation des maschinellen Lernens
Die Scans des Patienten werden als Eingabe in die hauseigene Software verwendet, um mehrere Radiomics-Merkmale zu extrahieren. Diese Merkmale werden verwendet, um eine Risikosignatur zu entwickeln, die das Malignitätsrisiko vorhersagen kann. Patientenscans werden auch als Eingabe in Deep-Learning-/Convolutional-Neuronal-Network-Modelle verwendet, um eine automatisierte Bildgebungsklassifizierung durchzuführen.

Was misst die Studie?

Primäre Ergebnismessungen

Ergebnis Maßnahme
Maßnahmenbeschreibung
Zeitfenster
Entwicklung einer bildgebenden Biobank
Zeitfenster: 1 Jahr
Der primäre Endpunkt wird erreicht, wenn wir in der Lage sind, Ausgangs-CT-Scans und den minimalen klinischen Datensatz für 1000 Patienten zu speichern.
1 Jahr

Sekundäre Ergebnismessungen

Ergebnis Maßnahme
Maßnahmenbeschreibung
Zeitfenster
Entdeckung eines CT-Thorax-basierten Radiomics-Profils zur Vorhersage des Krebsrisikos.
Zeitfenster: 1 Jahr
Unser Ziel ist es, verschiedene Cluster von Radiomics-Variablen zu identifizieren, um einen Radiomics-Prädiktionsvektor (RPV) zu generieren, der zur Stratifizierung von Patienten nach Malignitätsrisiko verwendet werden kann. Dieser Vektor wird in der multivariaten Analyse verwendet und mit bestehenden Risikomodellen verglichen.
1 Jahr

Mitarbeiter und Ermittler

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

Sponsor

Royal Marsden NHS Foundation Trust

Mitarbeiter

King's College Hospital NHS Trust
University College London Hospitals
Guy's and St Thomas' NHS Foundation Trust
Royal Brompton & Harefield NHS Foundation Trust
Institute of Cancer Research, United Kingdom
Imperial College Healthcare NHS Trust
Lewisham and Greenwich NHS Trust
Epsom and St Helier University Hospitals NHS Trust
RM Partners West London Cancer Alliance
UCLH Biomedical Research Centre

Ermittler

  • Studienstuhl: Richard Lee, MBBS PhD, The Royal Marsden Hospital

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 (TATSÄCHLICH)

1. Juni 2020

Primärer Abschluss (ERWARTET)

1. August 2021

Studienabschluss (ERWARTET)

1. August 2021

Studienanmeldedaten

Zuerst eingereicht

12. Februar 2020

Zuerst eingereicht, das die QC-Kriterien erfüllt hat

12. Februar 2020

Zuerst gepostet (TATSÄCHLICH)

17. Februar 2020

Studienaufzeichnungsaktualisierungen

Letztes Update gepostet (TATSÄCHLICH)

11. Juni 2021

Letztes eingereichtes Update, das die QC-Kriterien erfüllt

8. Juni 2021

Zuletzt verifiziert

1. Juni 2021

Mehr Informationen

Begriffe im Zusammenhang mit dieser Studie

Schlüsselwörter

Zusätzliche relevante MeSH-Bedingungen

Andere Studien-ID-Nummern

  • CCR5215

Plan für individuelle Teilnehmerdaten (IPD)

Planen Sie, individuelle Teilnehmerdaten (IPD) zu teilen?

UNENTSCHIEDEN

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 .

Klinische Studien zur Lungentumoren

Klinische Studien zur Klassifikation des maschinellen Lernens

Suchen Sie nach ähnlichen Studien

Sponsoren und Mitarbeiter

Krankheiten

Drogeninterventionen

CROs by country

CROs in Equatorial Guinea

Bedingungen

Seltene Krankheiten

Drogeninterventionen

Nahrungsergänzungsmittel

Sponsor / Mitarbeiter

Standorte

Abonnieren