Vorhersage der Wirksamkeit einer neoadjuvanten Therapie bei Patienten mit lokal fortgeschrittenem Rektumkarzinom unter Verwendung einer KI-Plattform basierend auf multiparametrischer MRT (DLARC)
29. August 2022 aktualisiert von: xiaochun meng, Sixth Affiliated Hospital, Sun Yat-sen University
Etablieren Sie ein Deep-Learning-Modell basierend auf Multiparameter-Magnetresonanztomographie, um die Wirksamkeit der neoadjuvanten Therapie bei lokal fortgeschrittenem Rektumkarzinom vorherzusagen. Diese Studie beabsichtigt, DCE mit konventionellen MRT-Bildern für DL zu kombinieren und ein Multiparameter-MRT-Modell zur Vorhersage der Wirksamkeit zu etablieren von CRT, und vergleichen Sie es mit dem DL und dem nicht-künstlichen quantitativen MRT-Diagnosemodell, das durch konventionelles MRT konstruiert wurde, um die Rolle von DL bei der MRT-Vorhersage von CRT zu bewerten.
Und diese Studie versucht auch, eine DL-Plattform aufzubauen, um die Wirksamkeit der neoadjuvanten LARC-Strahlentherapie und -Chemotherapie zu bewerten, die vollständige Remission (pCR) der Patienten nach CRT genau zu beurteilen und eine wichtige Grundlage für die klinische Entscheidungsfindung bereitzustellen.
Studienübersicht
Status
Rekrutierung
Bedingungen
Studientyp
Beobachtungs
Einschreibung (Voraussichtlich)
1700
Kontakte und Standorte
Dieser Abschnitt enthält die Kontaktdaten derjenigen, die die Studie durchführen, und Informationen darüber, wo diese Studie durchgeführt wird.
Studienkontakt
- Name: Xiaochun Meng
- Telefonnummer: 13719166488
- E-Mail: mengxch3@mail.sysu.edu.cn
Studieren Sie die Kontaktsicherung
- Name: Peiyi Xie
- Telefonnummer: 13724071514
- E-Mail: xiepy6@mail.sysu.edu.cn
Studienorte
-
-
Guangdong
-
Guangzhou, Guangdong, China
- Noch keine Rekrutierung
- The First Affiliated Hospital of Jinan University
-
Guangzhou, Guangdong, China
- Rekrutierung
- Sixth Affiliated Hospital, Sun Yat-sen University
-
Kontakt:
- Xiaochun Meng
- Telefonnummer: 13719166488
- E-Mail: mengxch3@mail.sysu.edu.cn
-
Guangzhou, Guangdong, China
- Noch keine Rekrutierung
- The Second Affiliated Hospital of Guangzhou Medical University
-
Zhuhai, Guangdong, China
- Noch keine Rekrutierung
- Fifth Affiliated Hospital, Sun Yat-Sen University
-
-
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 bis 70 Jahre (Erwachsene, Älterer Erwachsener)
Akzeptiert gesunde Freiwillige
Nein
Studienberechtigte Geschlechter
Alle
Probenahmeverfahren
Nicht-Wahrscheinlichkeitsprobe
Studienpopulation
Patienten mit lokal fortgeschrittenem Rektumkarzinom (LARC), die mit neoadjuvanter Therapie und radikaler Operation behandelt werden
Beschreibung
Einschlusskriterien:
- Pathologisch nachgewiesenes rektales Adenokarzinom
- Die erste MRT-Diagnose war lokal fortgeschrittener Mastdarmkrebs (LARC)
- Alter 18-70
- Zweimal kernspintomographisch untersucht
- Eine präoperative neoadjuvante Radiochemotherapie wurde abgeschlossen
- Vollständige totale mesangiale Resektion des Rektumkarzinoms und postoperative pathologische Untersuchung
- Einverständniserklärung und unterschriebene Einverständniserklärung
Ausschlusskriterien:
- Schlechte Magnetresonanzbildqualität, z. B. starke Artefakte
- Fälle mit Darmverschluss oder Perforation, die eine notfallmäßige chirurgische Behandlung erfordern
- Frühere Behandlung von Rektumkarzinom
- Eine Geschichte von anderen bösartigen Tumoren
- Eine Geschichte der Bauch- und Beckenchirurgie
- Die Patienten gingen für die Nachbeobachtung verloren und schieden aufgrund von Nebenwirkungen oder anderen Gründen freiwillig aus der Studie aus
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 |
|---|
|
vollständige Antwort
Patienten, die eine neoadjuvante Therapie erhielten, erreichten vor LARC eine pathologische vollständige Remission.
|
|
nicht vollständige Antwort
Patienten, die eine neoadjuvante Therapie erhielten, erreichten vor LARC kein pathologisches vollständiges Ansprechen.
|
Was misst die Studie?
Primäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Die Fläche unter der Kurve (AUC) der Receiver Operating Characteristic (ROC)-Kurven von Modellen zur Vorhersage des Tumoransprechens
Zeitfenster: Baseline und vor der Operation
|
Die Fläche unter der Kurve (AUC) der Receiver Operating Characteristic (ROC)-Kurven von Modellen zur Identifizierung der pCR-Kandidaten von Nicht-pCR-Personen unter den mit neoadjuvanter Therapie behandelten LARC-Patienten wird berechnet.
|
Baseline und vor der Operation
|
Sekundäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Die Spezifität von Modellen bei der Vorhersage der Tumorreaktion
Zeitfenster: Baseline und vor der Operation
|
Die Sensitivität von Modellen bei der Identifizierung der pCR-Kandidaten von Nicht-pCR-Personen unter den mit neoadjuvanter Therapie behandelten LARC-Patienten wird berechnet.
|
Baseline und vor der Operation
|
|
Die Sensitivität von Modellen bei der Vorhersage der Tumorreaktion
Zeitfenster: Baseline und vor der Operation
|
Die Sensitivität von Modellen bei der Identifizierung der pCR-Kandidaten von Nicht-pCR-Personen unter den mit neoadjuvanter Therapie behandelten LARC-Patienten wird berechnet.
|
Baseline und vor der Operation
|
|
Der positive Vorhersagewert von Modellen bei der Vorhersage des Tumoransprechens
Zeitfenster: Baseline und vor der Operation
|
Der positive Vorhersagewert von Modellen bei der Identifizierung der pCR-Kandidaten von Nicht-pCR-Personen unter den mit neoadjuvanter Therapie behandelten LARC-Patienten wird berechnet.
|
Baseline und vor der Operation
|
|
Der negative Vorhersagewert von Modellen bei der Vorhersage des Tumoransprechens
Zeitfenster: Baseline und vor der Operation
|
Der negative Vorhersagewert von Modellen bei der Identifizierung der pCR-Kandidaten von Nicht-pCR-Personen unter den mit neoadjuvanter Therapie behandelten LARC-Patienten wird berechnet.
|
Baseline und vor der Operation
|
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)
24. Juni 2022
Primärer Abschluss (Voraussichtlich)
1. Dezember 2025
Studienabschluss (Voraussichtlich)
1. Dezember 2026
Studienanmeldedaten
Zuerst eingereicht
29. August 2022
Zuerst eingereicht, das die QC-Kriterien erfüllt hat
29. August 2022
Zuerst gepostet (Tatsächlich)
31. August 2022
Studienaufzeichnungsaktualisierungen
Letztes Update gepostet (Tatsächlich)
31. August 2022
Letztes eingereichtes Update, das die QC-Kriterien erfüllt
29. August 2022
Zuletzt verifiziert
1. August 2022
Mehr Informationen
Begriffe im Zusammenhang mit dieser Studie
Zusätzliche relevante MeSH-Bedingungen
Andere Studien-ID-Nummern
- 2021ZSLYEC-478
Arzneimittel- und Geräteinformationen, Studienunterlagen
Studiert ein von der US-amerikanischen FDA reguliertes Arzneimittelprodukt
Nein
Studiert ein von der US-amerikanischen FDA reguliertes Geräteprodukt
Nein
Produkt, das in den USA hergestellt und aus den USA exportiert wird
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 .