Analyse künstlicher Intelligenz für die Magnetresonanztomographie bei der Früherkennung von Brustkrebs bei Frauen mit hohem Risiko
11. November 2022 aktualisiert von: Shu Wang, Peking University People's Hospital
Brustzentrum des Volkskrankenhauses der Universität Peking
Verwenden Sie die Convolutional Neural Networks Analysis zur Klassifizierung von kontrastverstärkenden Läsionen bei der multiparametrischen Brust-MRT.
Erstellen Sie ein abgekürztes Protokoll und untersuchen Sie, ob ein abgekürztes Protokoll für das Brust-Magnetresonanztomographie-Screening auf Brustkrebs bei chinesischen Frauen mit hohem Risiko geeignet war, wodurch die Untersuchungszeit verkürzt und eine verbesserte Bildgebung vermieden werden kann, während die Genauigkeit der Diagnose sichergestellt wird.
Studienübersicht
Status
Rekrutierung
Bedingungen
Intervention / Behandlung
Studientyp
Beobachtungs
Einschreibung (Voraussichtlich)
5000
Kontakte und Standorte
Dieser Abschnitt enthält die Kontaktdaten derjenigen, die die Studie durchführen, und Informationen darüber, wo diese Studie durchgeführt wird.
Studienkontakt
- Name: shu wang, doctor
- Telefonnummer: 86+010-88324010
- E-Mail: shuwang@pkuph.edu.cn
Studienorte
-
-
Bei Jing
-
Beijing, Bei Jing, China, 100044
- Rekrutierung
- Peking University People's Hospital
-
Kontakt:
- Yuan peng
- Telefonnummer: 13671287670
- E-Mail: 13671287670@163.com
-
-
Beijing
-
Beijing, Beijing, China, 100044
- Rekrutierung
- Peking University People's Hospital
-
Kontakt:
- yuan peng, MD
- Telefonnummer: 86+010-88324010
- E-Mail: 13671287670@163.com
-
-
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
- Kind
- Erwachsene
- Älterer Erwachsener
Akzeptiert gesunde Freiwillige
Nein
Studienberechtigte Geschlechter
Weiblich
Probenahmeverfahren
Wahrscheinlichkeitsstichprobe
Studienpopulation
23
Beschreibung
Einschlusskriterien:
- Patienten, die sich einer vollständigen BMRI-Untersuchung unterziehen
- Schriftliche Einverständniserklärung und Ausfüllen des Fragebogens zu den klinischen Daten
- Durch die Follow-up-Datenbank können mindestens 6 Monate Follow-up-Ergebnisse eingeholt werden, um festzustellen, ob das Diagnoseergebnis negativ/gutartig/bösartig ist; Bei Patienten, die eine pathologische Biopsie benötigen, haben die Ergebnisse der pathologischen Biopsie Vorrang, um die gutartige/bösartige Läsion zu bestimmen.
Ausschlusskriterien:
- Die Brust hatte vor der BMRI Strahlentherapie, Chemotherapie, Biologie und andere Behandlungen erhalten.
- Anzeichen oder Symptome einer Brusterkrankung
- Es gibt Kontraindikationen für brustverstärkte MRT-Untersuchungen wie Kontrastmittelallergie.
- Patienten während der Stillzeit oder Schwangerschaft
Studienplan
Dieser Abschnitt enthält Einzelheiten zum Studienplan, einschließlich des Studiendesigns und der Messung der Studieninhalte.
Wie ist die Studie aufgebaut?
Designdetails
- Beobachtungsmodelle: Kohorte
- Zeitperspektiven: Interessent
Kohorten und Interventionen
Gruppe / Kohorte |
Intervention / Behandlung |
|---|---|
|
Bevölkerung mit hohem Risiko
Frauen mit hohem Brustkrebsrisiko, die sich einer erweiterten MRT unterziehen
|
kein Eingriff
|
Was misst die Studie?
Primäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Screening-Ausbeute
Zeitfenster: 5 Jahre
|
Vergleichen Sie die Erkennungsraten von Brustkrebs beim Screening von Hochrisikopopulationen zwischen der Brust-MRT-Vollsequenz, der kontrastverstärkten und der nicht kontrastverstärkten Sequenz.
|
5 Jahre
|
Sekundäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Die Genauigkeit von Radiologen und Deep-Learning-Modellen
Zeitfenster: 5 Jahre
|
Vergleichen Sie die Sensitivität, Spezifität, den positiven Vorhersagewert und den negativen Vorhersagewert der Brusttumorerkennung durch Radiologen und Deep-Learning-Modelle.
|
5 Jahre
|
Mitarbeiter und Ermittler
Hier finden Sie Personen und Organisationen, die an dieser Studie beteiligt sind.
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. September 2021
Primärer Abschluss (Voraussichtlich)
30. September 2025
Studienabschluss (Voraussichtlich)
30. September 2025
Studienanmeldedaten
Zuerst eingereicht
21. Juli 2021
Zuerst eingereicht, das die QC-Kriterien erfüllt hat
30. Juli 2021
Zuerst gepostet (Tatsächlich)
9. August 2021
Studienaufzeichnungsaktualisierungen
Letztes Update gepostet (Tatsächlich)
16. November 2022
Letztes eingereichtes Update, das die QC-Kriterien erfüllt
11. November 2022
Zuletzt verifiziert
1. November 2022
Mehr Informationen
Begriffe im Zusammenhang mit dieser Studie
Schlüsselwörter
Zusätzliche relevante MeSH-Bedingungen
Andere Studien-ID-Nummern
- AI-BMRI
Plan für individuelle Teilnehmerdaten (IPD)
Planen Sie, individuelle Teilnehmerdaten (IPD) zu teilen?
Nein
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 .