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-Signatur zur Vorhersage aggressiver histologischer Muster bei reseziertem nichtkleinzelligem Lungenkrebs

27. Juni 2023 aktualisiert von: Chang Chen, Shanghai Pulmonary Hospital, Shanghai, China

Auf Positronenemissionstomographie/Computertomographie (PET/CT) basierende Deep-Learning-Signatur zur Vorhersage aggressiver histologischer Muster bei reseziertem nichtkleinzelligem Lungenkrebs

Der Zweck dieser Studie besteht darin, die Leistung einer PET/CT-basierten Deep-Learning-Signatur zur Vorhersage aggressiver histologischer Muster bei reseziertem nichtkleinzelligem Lungenkrebs anhand einer multizentrischen prospektiven Kohorte zu bewerten.

Studienübersicht

Status

Rekrutierung

Bedingungen

Intervention / Behandlung

Studientyp

Beobachtungs

Einschreibung (Geschätzt)

1500

Kontakte und Standorte

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

Studienorte

  • China
    • Guizhou
      • Zunyi, Guizhou, China
        • Rekrutierung
        • Affiliated Hospital of Zunyi Medical University
        • Kontakt:
    • Jiangxi
      • Nanchang, Jiangxi, China
        • Rekrutierung
        • The First Affiliated Hospital of Nanchang University
        • Kontakt:
    • Zhejiang
      • Ningbo, Zhejiang, China
        • Rekrutierung
        • Ningbo HwaMei Hospital
        • Kontakt:

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

  • Erwachsene
  • Älterer Erwachsener

Akzeptiert gesunde Freiwillige

Ja

Probenahmeverfahren

Nicht-Wahrscheinlichkeitsprobe

Studienpopulation

Resezierter nichtkleinzelliger Lungenkrebs im Stadium I–III

Beschreibung

Einschlusskriterien:

(1) Teilnehmer, bei denen eine Operation zur radiologischen Feststellung von Lungenläsionen aus den präoperativen Dünnschnitt-CT-Scans vorgesehen ist; (2) Pathologische Bestätigung des primären NSCLC; (3) Alter zwischen 20 und 75 Jahren; (4) Einholung einer schriftlichen Einverständniserklärung.

Ausschlusskriterien:

(1) Mehrere Lungenläsionen; (2) Schlechte Qualität der PET-CT-Bilder; (3) Teilnehmer mit unvollständigen klinischen Informationen; (4) Teilnehmer, die 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
Fläche unter der Betriebskennlinie des Empfängers
Zeitfenster: 2023.5.1-2023.10.31
Die Fläche unter der Receiver Operating Characteristic Curve (ROC) des Deep-Learning-Modells zur Vorhersage des Vorhandenseins oder Nichtvorhandenseins des aggressiven histologischen Musters. Das aggressive histologische Muster umfasst die Ausbreitung durch den Luftraum (STAS), die viszerale Pleurainvasion (VPI) und die lymphovaskuläre Invasion (LVI). Und das Modell gibt alle Vorhersagewerte (Anwesenheit oder Abwesenheit) der drei Arten aggressiver histologischer Muster aus.
2023.5.1-2023.10.31

Sekundäre Ergebnismessungen

Ergebnis Maßnahme
Maßnahmenbeschreibung
Zeitfenster
Empfindlichkeit
Zeitfenster: 2023.5.1-2023.10.31
Die Empfindlichkeit des Deep-Learning-Modells bei der Vorhersage des Vorhandenseins oder Fehlens des aggressiven histologischen Musters. Das aggressive histologische Muster umfasst die Ausbreitung durch den Luftraum (STAS), die viszerale Pleurainvasion (VPI) und die lymphovaskuläre Invasion (LVI). Und das Modell gibt alle Vorhersagewerte (Anwesenheit oder Abwesenheit) der drei Arten aggressiver histologischer Muster aus.
2023.5.1-2023.10.31

Andere Ergebnismessungen

Ergebnis Maßnahme
Maßnahmenbeschreibung
Zeitfenster
Spezifität
Zeitfenster: 2023.5.1-2023.10.31
Die Spezifität des Deep-Learning-Modells bei der Vorhersage des Vorhandenseins oder Fehlens des aggressiven histologischen Musters. Das aggressive histologische Muster umfasst die Ausbreitung durch den Luftraum (STAS), die viszerale Pleurainvasion (VPI) und die lymphovaskuläre Invasion (LVI). Und das Modell gibt alle Vorhersagewerte (Anwesenheit oder Abwesenheit) der drei Arten aggressiver histologischer Muster aus.
2023.5.1-2023.10.31
Positiv vorhergesagter Wert
Zeitfenster: 2023.5.1-2023.10.31
Der positive Vorhersagewert des Deep-Learning-Modells bei der Vorhersage des Vorhandenseins oder Fehlens des aggressiven histologischen Musters. Das aggressive histologische Muster umfasst die Ausbreitung durch den Luftraum (STAS), die viszerale Pleurainvasion (VPI) und die lymphovaskuläre Invasion (LVI). Und das Modell gibt alle Vorhersagewerte (Anwesenheit oder Abwesenheit) der drei Arten aggressiver histologischer Muster aus.
2023.5.1-2023.10.31
Negativer Vorhersagewert
Zeitfenster: 2023.5.1-2023.10.31
Der negative Vorhersagewert des Deep-Learning-Modells bei der Vorhersage des Vorhandenseins oder Fehlens des aggressiven histologischen Musters. Das aggressive histologische Muster umfasst die Ausbreitung durch den Luftraum (STAS), die viszerale Pleurainvasion (VPI) und die lymphovaskuläre Invasion (LVI). Und das Modell gibt alle Vorhersagewerte (Anwesenheit oder Abwesenheit) der drei Arten aggressiver histologischer Muster aus.
2023.5.1-2023.10.31
Genauigkeit
Zeitfenster: 2023.5.1-2023.10.31
Die Genauigkeit des Deep-Learning-Modells bei der Vorhersage des Vorhandenseins oder Fehlens des aggressiven histologischen Musters. Das aggressive histologische Muster umfasst die Ausbreitung durch den Luftraum (STAS), die viszerale Pleurainvasion (VPI) und die lymphovaskuläre Invasion (LVI). Und das Modell gibt alle Vorhersagewerte (Anwesenheit oder Abwesenheit) der drei Arten aggressiver histologischer Muster aus.
2023.5.1-2023.10.31

Mitarbeiter und Ermittler

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

Sponsor

Shanghai Pulmonary Hospital, Shanghai, China

Mitarbeiter

Zunyi Medical College
Ningbo HwaMei Hospital, Zhejiang, China
The First Affiliated Hospital of Nanchang University, Jiangxi, 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. Mai 2023

Primärer Abschluss (Geschätzt)

31. Oktober 2023

Studienabschluss (Geschätzt)

31. Oktober 2023

Studienanmeldedaten

Zuerst eingereicht

12. Mai 2023

Zuerst eingereicht, das die QC-Kriterien erfüllt hat

27. Juni 2023

Zuerst gepostet (Tatsächlich)

29. Juni 2023

Studienaufzeichnungsaktualisierungen

Letztes Update gepostet (Tatsächlich)

29. Juni 2023

Letztes eingereichtes Update, das die QC-Kriterien erfüllt

27. Juni 2023

Zuletzt verifiziert

1. Juni 2023

Mehr Informationen

Begriffe im Zusammenhang mit dieser Studie

Zusätzliche relevante MeSH-Bedingungen

Andere Studien-ID-Nummern

  • DLAHP

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