- ICH GCP
- US-Register für klinische Studien
- Klinische Studie NCT05179850
Computer Aided Diagnostic Tool on Computed Tomography Images for Diagnosis of Retroperitoneal Tumor in Children
4. Januar 2022 aktualisiert von: Yuhan Yang, West China Hospital
The aim of this study was to evaluate the diagnostic efficacy of computer aided diagnostic tool for retroperitoneal tumor using machine learning and deep learning techniques on computed tomography images in children.
Studienübersicht
Status
Rekrutierung
Bedingungen
Intervention / Behandlung
Detaillierte Beschreibung
The retroperitoneal space extends from the lumbar region to the pelvic region and houses vital structures such as the kidney, the ureter, the adrenal glands, the pancreas, the aorta and its branches, the inferior vena cava and its tributaries, lymph nodes, and loose connective tissue meshwork along with fat.
This space thus allows the silent growth of primary and metastatic tumors, such that clinical features appear often too late.
The therapeutic regimen differs on various types of retroperitoneal tumor in children.
It is damaging for pediatric patients to acquire histological specimens through invasive procedures.
Hence, an urgent evaluation is absolutely necessary for preoperative diagnosis in such cases via noninvasive approaches.
This study is a retrospective-prospective design by West China Hospital, Sichuan University, including clinical data and radiological images.
A retrospective database was enrolled for patients with definite histological diagnosis and available computed tomography images from June 2010 and December 2020.
The investigators have constructed deep learning and machine learning radiomics diagnostic models on this retrospective cohort and validated it internally.
A prospective cohort would recruit infantile patients diagnosed as retroperitoneal tumor since January 2021.
The proposed deep learning model would also be validated in this prospective cohort externally.
The aim of this study was to evaluate the diagnostic efficacy of computer aided diagnostic tool for retroperitoneal tumor using machine learning and deep learning techniques on computed tomography images in children.
Studientyp
Beobachtungs
Einschreibung (Voraussichtlich)
400
Kontakte und Standorte
Dieser Abschnitt enthält die Kontaktdaten derjenigen, die die Studie durchführen, und Informationen darüber, wo diese Studie durchgeführt wird.
Studienorte
-
-
Sichuan
-
Chengdu, Sichuan, China, 6100041
- Rekrutierung
- West China Hospital, Sichuan University
-
Hauptermittler:
- Yuhan Yang, MD
-
-
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
1 Sekunde bis 18 Jahre (Kind, Erwachsene)
Akzeptiert gesunde Freiwillige
Nein
Studienberechtigte Geschlechter
Alle
Probenahmeverfahren
Nicht-Wahrscheinlichkeitsprobe
Studienpopulation
Patients who had retroperitoneal tumor and completed the abdominal computed tomography examination before operation, biopsy, neoadjuvant chemotherapy, and radiotherapy.
Beschreibung
Inclusion Criteria:
- Age up to 18 years old
- Receiving no treatment before diagnosis
- With written informed consent
Exclusion Criteria:
- Clinical data missing
- Unavailable computed tomography images
- Without written informed consent
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 |
---|---|
Retrospektive Kohorte
Die interne Kohorte wurde rückwirkend von Juni 2010 bis Dezember 2020 am West China Hospital der Sichuan University eingeschrieben.
Es ist eine Ausbildungs- und interne Validierungskohorte.
|
Verschiedene radiomische, maschinelle Lern- und Deep-Learning-Strategien für die Extraktion radiomischer Merkmale, Sortiermerkmale und Modelleinschränkung.
|
Voraussichtliche Kohorte
Für dasselbe Zentrum wurden prospektiv dieselben Einschluss-/Ausschlusskriterien angewendet.
Es handelt sich um eine externe Validierungskohorte.
|
Verschiedene radiomische, maschinelle Lern- und Deep-Learning-Strategien für die Extraktion radiomischer Merkmale, Sortiermerkmale und Modelleinschränkung.
|
Was misst die Studie?
Primäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
---|---|---|
Pathological tumor diagnosis
Zeitfenster: Baseline
|
The diagnosis is defined by histopathological specimens from surgery and/or biopsy.
|
Baseline
|
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 (Tatsächlich)
1. Januar 2021
Primärer Abschluss (Voraussichtlich)
31. Dezember 2023
Studienabschluss (Voraussichtlich)
31. Dezember 2023
Studienanmeldedaten
Zuerst eingereicht
16. Dezember 2021
Zuerst eingereicht, das die QC-Kriterien erfüllt hat
16. Dezember 2021
Zuerst gepostet (Tatsächlich)
5. Januar 2022
Studienaufzeichnungsaktualisierungen
Letztes Update gepostet (Tatsächlich)
20. Januar 2022
Letztes eingereichtes Update, das die QC-Kriterien erfüllt
4. Januar 2022
Zuletzt verifiziert
1. Januar 2022
Mehr Informationen
Begriffe im Zusammenhang mit dieser Studie
Zusätzliche relevante MeSH-Bedingungen
- Neubildungen nach histologischem Typ
- Urologische Neubildungen
- Urogenitale Neoplasmen
- Neubildungen nach Standort
- Nierenerkrankungen
- Urologische Erkrankungen
- Neubildungen, Drüsen und Epithelien
- Genetische Krankheiten, angeboren
- Neubildungen, Neuroepithel
- Neuroektodermale Tumoren
- Neubildungen, Nervengewebe
- Nierentumoren
- Neoplastische Syndrome, erblich
- Neubildungen, komplex und gemischt
- Neuroektodermale Tumore, primitiv
- Neuroektodermale Tumore, primitiv, peripher
- Neubildungen
- Neoplasmen, Keimzelle und Embryonal
- Neuroblastom
- Wilms-Tumor
- Teratom
Andere Studien-ID-Nummern
- HX-2021477
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 .
Klinische Studien zur Radiomischer Algorithmus
-
Sun Yat-Sen Memorial Hospital of Sun Yat-Sen UniversityNoch keine RekrutierungKritische Krankheit | Der Rettungsdienst | Maschinelles Lernen | Diagnose | Notdienst, KrankenhausChina
-
Sun Yat-Sen Memorial Hospital of Sun Yat-Sen UniversityRekrutierungFrühe Vorhersage für Sepsis-induzierte akute LungenverletzungChina
-
Ablacon, Inc.Aktiv, nicht rekrutierendPathologische Prozesse | Herzkrankheiten | Herz-Kreislauf-Erkrankungen | Vorhofflimmern | Arrhythmien, Herz | Vorhofflimmern, anhaltendVereinigte Staaten
-
Ablacon, Inc.AbgeschlossenVorhofflimmern, anhaltendTschechien
-
Universidad Pública de NavarraMutua NavarraUnbekanntSchulter-Impingement | Erkrankung der RotatorenmanschetteSpanien
-
Dana-Farber Cancer InstituteCancer Nutrition Consortium Inc.Noch keine RekrutierungLebensqualität | Ernährung schlecht | ErnährungsmangelVereinigte Staaten
-
New York State Psychiatric InstituteNational Institute of Mental Health (NIMH)AbgeschlossenDepressionVereinigte Staaten