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

Maschinelles Lernen zur Vorhersage von Lymphknotenmetastasen bei T1-Plattenepithelkarzinomen des Ösophagus

9. Februar 2024 aktualisiert von: Shanghai Zhongshan Hospital

Maschinelles Lernen zur Vorhersage von Lymphknotenmetastasen beim T1-Plattenepithelkarzinom des Ösophagus: Eine multizentrische Studie

Bestehende Modelle schneiden bei der Quantifizierung des Risikos von Lymphknotenmetastasen (LNM) schlecht ab. Diese Studie generierte Elastic Net Regression (ELR), Random Forest (RF), Extreme Gradient Boosting (XGB) und ein kombiniertes (Ensemble-)Modell davon für LNM bei Patienten mit T1-Plattenepithelkarzinom des Ösophagus.

Studienübersicht

Status

Abgeschlossen

Bedingungen

Intervention / Behandlung

Detaillierte Beschreibung

Lymphknotenmetastasen (LNM) sind eine relativ seltene, aber mögliche Komplikation des T1-Plattenepithelkarzinoms des Ösophagus (ESCC). Bestehende Modelle schneiden bei der Quantifizierung dieses Risikos schlecht ab. Ziel dieser Studie war die Entwicklung eines maschinellen Lernmodells für LNM bei Patienten mit T1-Plattenepithelkarzinomen des Ösophagus.

In diese Studie wurden Patienten mit T1-Plattenepithelkarzinomen eingeschlossen, die zwischen Januar 2010 und September 2021 operiert wurden, aus drei Einrichtungen. Modelle für maschinelles Lernen wurden unter Verwendung von Daten zu Alter und Geschlecht der Patienten, Tiefe der Tumorinvasion, Tumorgröße, Tumorlokalisation, makroskopischem Tumortyp, Lymph- und Gefäßinvasion und histologischem Grad entwickelt. Es wurden Elastic Net Regression (ELR), Random Forest (RF), Extreme Gradient Boosting (XGB) und ein kombiniertes (Ensemble-)Modell daraus erstellt. Verwenden Sie die Fläche unter der Kurve (AUC), um die Vorhersagefähigkeit des Modells zu bewerten. Der Beitrag jedes Faktors zum Modell wurde berechnet. Um den klinischen Bedürfnissen besser gerecht zu werden, haben die Forscher das Modell als benutzerfreundliche Website konzipiert.

Studientyp

Interventionell

Einschreibung (Tatsächlich)

1267

Phase

  • Unzutreffend

Kontakte und Standorte

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

Studienorte

  • China
    • Shanghai
      • Shanghai, Shanghai, China, 200032
        • Zhongshan Hospital Affiliated to Fudan 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

  • Kind
  • Erwachsene
  • Älterer Erwachsener

Akzeptiert gesunde Freiwillige

Nein

Beschreibung

Einschlusskriterien:

  • (I) Brust-ESCC
  • (II) keine gleichzeitige oder frühere bösartige Erkrankung in der Vorgeschichte
  • (III) Tumor mit pT1-Stadium
  • (IV) 15 oder mehr Lymphknoten untersucht

Ausschlusskriterien:

  • wurden vor der Operation einer neoadjuvanten Behandlung oder einer endoskopischen Submukosadissektion unterzogen

Studienplan

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

Wie ist die Studie aufgebaut?

Designdetails

  • Hauptzweck: Diagnose
  • Zuteilung: N / A
  • Interventionsmodell: Einzelgruppenzuweisung
  • Maskierung: Keine (Offenes Etikett)

Waffen und Interventionen

Teilnehmergruppe / Arm
Intervention / Behandlung
Experimental: Arm zur Vorhersage von Lymphknotenmetastasen
Verfahren: Ösophagektomie
Resektion von Speiseröhrentumoren und Lymphknotendissektion

Was misst die Studie?

Primäre Ergebnismessungen

Ergebnis Maßnahme
Maßnahmenbeschreibung
Zeitfenster
Modellleistung: Diskriminierung
Zeitfenster: 8 Wochen
Zeichnen Sie die ROC-Kurve des Modells, ermitteln Sie deren AUC-Werte und wählen Sie basierend auf den Ergebnissen des Validierungssatzes das beste Vorhersagemodell aus
8 Wochen
Variable Bedeutung
Zeitfenster: 6 Wochen
Berechnen Sie den Wichtigkeitsgrad der im Modell verwendeten Variablen, sortieren Sie sie und analysieren Sie die Gründe für die wichtigsten Variablen
6 Wochen
Unteranalyse (ML-Modell vs. Logistikmodell vs. NCCN-Richtlinie)
Zeitfenster: 8 Wochen
Wenden Sie NCCN-Richtlinien und Logistikmodelle zur Vorhersage an und vergleichen Sie deren Leistung mit dem in dieser Studie erhaltenen Modell, um die tatsächlichen Anwendungsvorteile des Modells zu ermitteln
8 Wochen

Mitarbeiter und Ermittler

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

Sponsor

Shanghai Zhongshan Hospital

Publikationen und hilfreiche Links

Die Bereitstellung dieser Publikationen erfolgt freiwillig durch die für die Eingabe von Informationen über die Studie verantwortliche Person. Diese können sich auf alles beziehen, was mit dem Studium zu tun hat.

Allgemeine Veröffentlichungen

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)

15. Januar 2010

Primärer Abschluss (Tatsächlich)

15. Dezember 2019

Studienabschluss (Tatsächlich)

15. Juli 2023

Studienanmeldedaten

Zuerst eingereicht

23. Januar 2024

Zuerst eingereicht, das die QC-Kriterien erfüllt hat

9. Februar 2024

Zuerst gepostet (Tatsächlich)

13. Februar 2024

Studienaufzeichnungsaktualisierungen

Letztes Update gepostet (Tatsächlich)

13. Februar 2024

Letztes eingereichtes Update, das die QC-Kriterien erfüllt

9. Februar 2024

Zuletzt verifiziert

1. Februar 2024

Mehr Informationen

Begriffe im Zusammenhang mit dieser Studie

Zusätzliche relevante MeSH-Bedingungen

Andere Studien-ID-Nummern

  • 81902396

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 .

Klinische Studien zur Lymphknotenmetastasen

Suchen Sie nach ähnlichen Studien

Sponsoren und Mitarbeiter

Krankheiten

Drogeninterventionen

CROs by country

CROs in Senegal

Bedingungen

Seltene Krankheiten

Drogeninterventionen

Nahrungsergänzungsmittel

Sponsor / Mitarbeiter

Standorte

Abonnieren