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-Radiomics-Modell zur Vorhersage des Ergebnisses nach Zystektomie bei muskelinvasivem Blasenkrebs

27. Mai 2025 aktualisiert von: Mingzhao Xiao, First Affiliated Hospital of Chongqing Medical University

Deep-Learning-Radiomics-Modell zur Vorhersage des Ergebnisses nach Zystektomie durch präoperative CT bei muskelinvasivem Blasenkrebs

Muskelinvasiver Blasenkrebs (MIBC) hat selbst nach radikaler Zystektomie eine schlechte Prognose. Eine auf Radiomics und Deep Learning basierende postoperative Überlebensstratifizierung kann für Behandlungsentscheidungen zur Verbesserung der Prognose hilfreich sein. Ziel dieser Studie war es, ein Deep-Learning-Radiomics-Modell zu entwickeln und zu validieren, das auf präoperativ verstärkter CT basiert, um das postoperative Überleben bei MIBC vorherzusagen.

Studienübersicht

Status

Rekrutierung

Bedingungen

Intervention / Behandlung

Studientyp

Beobachtungs

Einschreibung (Geschätzt)

500

Kontakte und Standorte

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

Studienkontakt

Studienorte

  • China
    • Chongqing
      • Chongqing, Chongqing, China, 400016
        • Rekrutierung
        • Department of Urology, The First Affiliated Hospital of Chongqing Medical University
        • 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

  • Kind
  • Erwachsene
  • Älterer Erwachsener

Akzeptiert gesunde Freiwillige

Nein

Probenahmeverfahren

Nicht-Wahrscheinlichkeitsprobe

Studienpopulation

Patienten mit pathologisch bestätigtem MIBC, die sich einer radikalen Zystektomie unterzogen haben

Beschreibung

Einschlusskriterien:

  • Patienten mit pathologisch bestätigtem MIBC nach radikaler Zystektomie;
  • Kontrast-CT-Scan weniger als zwei Wochen vor der Operation;
  • vollständige CT-Bilddaten und klinische Daten.

Ausschlusskriterien:

  • Patienten, die eine neoadjuvante Therapie erhielten;
  • nicht-urotheliales Karzinom;
  • schlechte Qualität der CT-Bilder;
  • unvollständige klinische und Follow-up-Daten.

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
MIBC
Patienten mit pathologisch bestätigtem MIBC nach radikaler Zystektomie
Sonstiges: Entwicklung und Validierung eines Deep-Learning-Radiomics-Modells basierend auf einem präoperativ verbesserten CT-Bild
Entwicklung und Validierung eines Deep-Learning-Radiomics-Modells basierend auf präoperativ verstärkter CT zur Vorhersage des postoperativen Überlebens bei MIBC

Was misst die Studie?

Primäre Ergebnismessungen

Ergebnis Maßnahme
Maßnahmenbeschreibung
Zeitfenster
Gesamtüberleben (OS)
Zeitfenster: bis zu 10 Jahre
die Zeit vom Datum der Operation bis zum Tod jeglicher Ursache oder das Datum des letzten Kontakts (zensierte Beobachtung) zum Zeitpunkt der Datenunterbrechung.
bis zu 10 Jahre
Rezidivfreies Überleben (RFS)
Zeitfenster: bis zu 10 Jahre
die Zeit vom Datum der Operation bis zum Datum des ersten dokumentierten Wiederauftretens der Krankheit. Patienten ohne Rezidiv zum Zeitpunkt der Analyse werden zensiert.
bis zu 10 Jahre

Mitarbeiter und Ermittler

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

Sponsor

First Affiliated Hospital of Chongqing Medical University

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. August 2023

Primärer Abschluss (Geschätzt)

1. Juni 2025

Studienabschluss (Geschätzt)

1. Juni 2025

Studienanmeldedaten

Zuerst eingereicht

12. Oktober 2023

Zuerst eingereicht, das die QC-Kriterien erfüllt hat

18. Oktober 2023

Zuerst gepostet (Tatsächlich)

23. Oktober 2023

Studienaufzeichnungsaktualisierungen

Letztes Update gepostet (Tatsächlich)

31. Mai 2025

Letztes eingereichtes Update, das die QC-Kriterien erfüllt

27. Mai 2025

Zuletzt verifiziert

1. Mai 2025

Mehr Informationen

Begriffe im Zusammenhang mit dieser Studie

Schlüsselwörter

Zusätzliche relevante MeSH-Bedingungen

Andere Studien-ID-Nummern

  • AI-BLCA
  • 2022-K508 (Andere Kennung: The First Affiliated Hospital of Chongqing Medical University)

Plan für individuelle Teilnehmerdaten (IPD)

Planen Sie, individuelle Teilnehmerdaten (IPD) zu teilen?

NEIN

Beschreibung des IPD-Plans

Die im Rahmen der aktuellen Studie analysierten Datensätze sind aus Datenschutzgründen nicht öffentlich zugänglich, können jedoch auf begründete Anfrage beim entsprechenden Autor angefordert werden.

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 .

Abonnieren