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

Deep-Learning-Modell für die Klassifizierung reiner fester Knötchen

14. September 2022 aktualisiert von: Chang Chen

Deep Learning Model Supplementary PET-CT als effektivere diagnostische Methode zur Klassifizierung reiner fester Knoten: eine multizentrische Beobachtungsstudie

Der Zweck dieser Studie ist es, die Vorhersageleistung eines CT-basierten Deep-Learning-Modells für die Klassifikation reiner fester Knoten zu vergleichen und mit dem maximalen standardisierten Aufnahmewert des Tumors auf PET in einer multizentrischen prospektiven Kohorte zu vergleichen.

Studienübersicht

Status

Rekrutierung

Bedingungen

Intervention / Behandlung

Studientyp

Beobachtungs

Einschreibung (Voraussichtlich)

260

Kontakte und Standorte

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

Studienorte

  • China
      • China, Gansu, China
        • Rekrutierung
        • Lanzhou
        • Kontakt:
      • China, Guizhou, China
        • Rekrutierung
        • Zunyi
        • Kontakt:
      • China, Jiangxi, China
        • Rekrutierung
        • NanChang
        • Kontakt:
      • China, Zhejiang, China
        • Rekrutierung
        • Ningbo
        • Kontakt:
    • Shanghai
      • Yangpu, Shanghai, China
        • Rekrutierung
        • Shanghai Pulmonary Hospital

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 75 Jahre (Erwachsene, Älterer Erwachsener)

Akzeptiert gesunde Freiwillige

Nein

Studienberechtigte Geschlechter

Alle

Probenahmeverfahren

Nicht-Wahrscheinlichkeitsprobe

Studienpopulation

Patienten mit pulmonalen radiologischen reinen soliden Knoten mit einer Größe von weniger als 3 cm

Beschreibung

Einschlusskriterien:

  • Teilnehmer, die für eine Operation zur radiologischen Feststellung von rein soliden Lungenläsionen aus den präoperativen Dünnschnitt-CT-Scans vorgesehen sind;
  • Der maximale Kurzachsendurchmesser von Lymphknoten von weniger als 3 cm im CT-Scan;
  • Alter zwischen 18 und 75 Jahren;
  • definierter pathologischer Untersuchungsbericht vorhanden;
  • Einholung einer schriftlichen Einverständniserklärung.

Ausschlusskriterien:

  • Mehrere Lungenläsionen;
  • Schlechte Qualität der CT-Bilder;
  • Teilnehmer mit unvollständigen klinischen Informationen;
  • Teilnehmer, die vor der ersten CT-Auswertung eine neoadjuvante Therapie erhalten haben.

Studienplan

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

Wie ist die Studie aufgebaut?

Designdetails

Was misst die Studie?

Primäre Ergebnismessungen

Ergebnis Maßnahme
Maßnahmenbeschreibung
Zeitfenster
AUC
Zeitfenster: 2022.01-2023.12
Fläche unter der Kurve der Empfängerbetriebskennlinie
2022.01-2023.12

Sekundäre Ergebnismessungen

Ergebnis Maßnahme
Maßnahmenbeschreibung
Zeitfenster
Genauigkeit
Zeitfenster: 2022.01-2023.12
Verhältnis der Anzahl richtig klassifizierter Proben zur Gesamtzahl der Proben
2022.01-2023.12
Empfindlichkeit
Zeitfenster: 2022.01-2023.12
Die Wahrscheinlichkeit, einen positiven Test in der Bevölkerung mit dem Goldstandard für Krankheiten (positiv) zu entdecken
2022.01-2023.12
Spezifität
Zeitfenster: 2022.01-2023.12
Wahrscheinlichkeit, einen negativen Test in einer Population zu entdecken, die nach dem Goldstandard als krankheitsfrei (negativ) beurteilt wird
2022.01-2023.12
PPV
Zeitfenster: 2022.01-2023.12
Positiv vorhergesagter Wert
2022.01-2023.12
Barwert
Zeitfenster: 2022.01-2023.12
Negativer Vorhersagewert
2022.01-2023.12

Mitarbeiter und Ermittler

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

Sponsor

Chang Chen

Mitarbeiter

Zunyi Medical College
Ningbo HwaMei Hospital, Zhejiang, China
The First Affiliated Hospital of Nanchang University, Jiangxi, China
The First Hospital of Lanzhou University, Gansu, China

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 2022

Primärer Abschluss (Voraussichtlich)

31. Dezember 2023

Studienabschluss (Voraussichtlich)

31. Dezember 2023

Studienanmeldedaten

Zuerst eingereicht

13. September 2022

Zuerst eingereicht, das die QC-Kriterien erfüllt hat

14. September 2022

Zuerst gepostet (Tatsächlich)

16. September 2022

Studienaufzeichnungsaktualisierungen

Letztes Update gepostet (Tatsächlich)

16. September 2022

Letztes eingereichtes Update, das die QC-Kriterien erfüllt

14. September 2022

Zuletzt verifiziert

1. September 2022

Mehr Informationen

Begriffe im Zusammenhang mit dieser Studie

Schlüsselwörter

Andere Studien-ID-Nummern

  • L21-022

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 .

Abonnieren