- ICH GCP
- US-Register für klinische Studien
- Klinische Studie NCT05576506
Anwendung der hyperspektralen Bildanalysetechnologie bei der Diagnose von Darmkrebs auf der Grundlage einer kolonoskopischen Biopsie
16. Dezember 2022 aktualisiert von: Xiuli Zuo, Shandong University
Der Zweck dieser Studie ist es, einen Deep-Learning-Algorithmus für die Diagnose von Darmkrebs und anderen Darmerkrankungen zu entwickeln und zu validieren, indem die Eigenschaften von Hyperspektralbildern basierend auf den pathologischen Ergebnissen einer kolonoskopischen Biopsie markiert und analysiert werden, um die Objektivität und Intelligenz von zu verbessern Darmkrebsfrüherkennung.
Studienübersicht
Status
Rekrutierung
Detaillierte Beschreibung
Sammeln Sie prospektiv die hyperspektralen Bildinformationen von gewöhnlichem koloskopischem Biopsiegewebe.
Das koloskopische Biopsiegewebe stammt vom Endoskopiezentrum des Qilu-Krankenhauses der Shandong-Universität.
Die hyperspektralen Bilder werden basierend auf den pathologischen Ergebnissen der Biopsie markiert, und das Deep Convolutional Neural Network (DCNN)-Modell wird verwendet.
Entwickeln Sie mit Training und Verifizierung das Hyperspectral Imaging Artificial Intelligence Diagnostic System (HSIAIDS). Ein Teil des koloskopischen Biopsiegewebes wird als prospektives Testset gesammelt, um die diagnostische Leistung des HSIAIDS-Algorithmus prospektiv zu testen.
Studientyp
Beobachtungs
Einschreibung (Voraussichtlich)
50
Kontakte und Standorte
Dieser Abschnitt enthält die Kontaktdaten derjenigen, die die Studie durchführen, und Informationen darüber, wo diese Studie durchgeführt wird.
Studienkontakt
- Name: Xiuli Zuo, MD,PhD
- Telefonnummer: 15588818685
- E-Mail: zuoxiuli@sina.com
Studienorte
-
-
Shandong
-
Jinan, Shandong, China, 250012
- Rekrutierung
- Qilu hosipital
-
-
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 im Alter von 18-75 Jahren, die sich einer Koloskopie und Biopsie unterziehen;
Beschreibung
Einschlusskriterien:
- Patienten im Alter von 18-75 Jahren, die sich einer Koloskopie und Biopsie unterziehen
Ausschlusskriterien:
- Patienten mit schwerer kardialer, zerebraler, pulmonaler oder renaler Dysfunktion oder psychiatrischen Erkrankungen, die nicht an einer Darmspiegelung teilnehmen können
- Patienten mit vorangegangenen chirurgischen Eingriffen am Magen-Darm-Trakt.
- Patienten mit Kontraindikationen für eine Biopsie
- Patienten, die sich weigern, die Einwilligungserklärung zu unterschreiben
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 |
---|
Deep-Learning-Algorithmus-Gruppe
Nachdem der Patient das Screening bestanden hat, wird eine routinemäßige Koloskopie durchgeführt und das Zielgewebe mit Verdacht auf Entzündung oder Neoplasie wird biopsiert.
Die klinischen Forscher verwenden das Hyperspektralmikroskop, um Bildinformationen des Biopsiegewebes im Endoskopieraum zu sammeln.
Nach dem Sammeln von Informationen werden Biopsieproben routinemäßig verarbeitet und zur pathologischen Diagnose gesendet.
|
Was misst die Studie?
Primäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
---|---|---|
Genauigkeit des HSI-Modells für künstliche Intelligenz zur Identifizierung von kolorektalen Adenomen und Krebs
Zeitfenster: 1 Jahr
|
Genauigkeit des hyperspektralen Bildgebungsmodells (HSI) mit künstlicher Intelligenz zur Identifizierung von kolorektalen hyperplastischen Polypen, Adenomen, SSL und Darmkrebs.
Genauigkeit von Modellen der künstlichen Intelligenz Genauigkeit = (richtig positive + richtig negative) / Gesamtzahl der Probanden * 100 %
|
1 Jahr
|
Empfindlichkeit
Zeitfenster: 1 Jahr
|
Sensitivität des HSI-Modells für künstliche Intelligenz Sensitivität = Anzahl richtig positiver Ergebnisse / (Anzahl richtig positiver Ergebnisse + Anzahl falsch negativer Ergebnisse) * 100 %.
|
1 Jahr
|
Spezifität
Zeitfenster: 1 Jahr
|
Spezifität des HSI-Modells für künstliche Intelligenz Spezifität = Anzahl richtig negativer Ergebnisse / (Anzahl richtig negativer Ergebnisse + Anzahl falsch positiver Ergebnisse) * 100 %
|
1 Jahr
|
Negative Vorhersagewerte (NPV)
Zeitfenster: 1 Jahr
|
Negative Vorhersagewerte für das HSI-Modell der künstlichen Intelligenz = Anzahl richtig negativer Ergebnisse / (Anzahl richtig negativer Ergebnisse + Anzahl falsch negativer Ergebnisse) * 100 %
|
1 Jahr
|
AUC (95 % KI)
Zeitfenster: 1 Jahr
|
Bereich unter der Receiver Operating Characteristic Curve (AUC)
|
1 Jahr
|
Sekundäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
---|---|---|
Erfassung und Bewertung unbekannter Risiken und unerwünschter Ereignisse der hyperspektralen Bildgebung bei der Probenbildaufnahme
Zeitfenster: 1 Jahr
|
Erfassung und Bewertung unbekannter Risiken und unerwünschter Ereignisse der hyperspektralen Bildgebung bei der Probenbildaufnahme
|
1 Jahr
|
Mitarbeiter und Ermittler
Hier finden Sie Personen und Organisationen, die an dieser Studie beteiligt sind.
Sponsor
Ermittler
- Studienstuhl: Xiuli Zuo, MD,PhD, Study Principal Investigator
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)
8. Oktober 2022
Primärer Abschluss (Voraussichtlich)
31. Dezember 2023
Studienabschluss (Voraussichtlich)
31. Dezember 2023
Studienanmeldedaten
Zuerst eingereicht
8. Oktober 2022
Zuerst eingereicht, das die QC-Kriterien erfüllt hat
8. Oktober 2022
Zuerst gepostet (Tatsächlich)
12. Oktober 2022
Studienaufzeichnungsaktualisierungen
Letztes Update gepostet (Tatsächlich)
21. Dezember 2022
Letztes eingereichtes Update, das die QC-Kriterien erfüllt
16. Dezember 2022
Zuletzt verifiziert
1. Oktober 2022
Mehr Informationen
Begriffe im Zusammenhang mit dieser Studie
Schlüsselwörter
Zusätzliche relevante MeSH-Bedingungen
- Erkrankungen des Verdauungssystems
- Neubildungen nach histologischem Typ
- Neubildungen
- Neubildungen nach Standort
- Neubildungen, Drüsen und Epithelien
- Gastrointestinale Neubildungen
- Neoplasmen des Verdauungssystems
- Magen-Darm-Erkrankungen
- Darmerkrankungen
- Darmerkrankungen
- Darmtumoren
- Rektale Erkrankungen
- Kolorektale Neubildungen
- Adenom
Andere Studien-ID-Nummern
- 2022-SDU-QILU-G003
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 Kolorektale Neubildungen
-
John MascarenhasNational Cancer Institute (NCI); National Institutes of Health (NIH); Celgene... und andere MitarbeiterAbgeschlossenIDH2-Mutation | Accelerated/Blast-phase Myeloproliferative Neoplasm | Myelofibrose in der chronischen PhaseVereinigte Staaten, Kanada