Früherkennung von Darmkrebs auf Basis künstlicher Intelligenz
28. März 2024 aktualisiert von: Renmin Hospital of Wuhan University
Anwendung künstlicher Intelligenz für die Früherkennung von Darmkrebs auf der Grundlage elektronischer Krankenakten
In dieser Studie wollten wir die Modelle für maschinelles Lernen entwickeln, intern und zeitlich validieren, um das Screening von YOCRC-Verboten anhand der retrospektiv extrahierten Daten aus elektronischen Krankenakten (EMR) zu unterstützen.
Studienübersicht
Status
Abgeschlossen
Bedingungen
Intervention / Behandlung
Detaillierte Beschreibung
Die Diagnose von jung auftretendem kolorektalem Karzinom (YOCRC) ist in den letzten Jahrzehnten häufiger geworden.
Das Screening auf Darmkrebs bei jüngeren Erwachsenen stellt nach wie vor eine Herausforderung dar.
In dieser Studie planen wir, die relevanten klinischen Daten junger Menschen, die sich zwischen 2013 und 2022 einer Koloskopie unterzogen haben, mithilfe der elektronischen Krankenakte (EMR) retrospektiv zu extrahieren.
Zur Unterscheidung von YOCRC- und Nicht-YOCRC-Personen werden mehrere überwachte maschinelle Lerntechniken angewendet. Die oben genannten Klassifikatoren werden im Trainingsdatensatz bzw. im internen Validierungsdatensatz, der zwischen 2013 und 2021 zugelassen wurde, trainiert und intern validiert.
Wir werden auch die zeitliche externe Validität der Klassifikatoren anhand der Zulassungen aus dem Jahr 2022 beurteilen.
Studientyp
Beobachtungs
Einschreibung (Tatsächlich)
11000
Kontakte und Standorte
Dieser Abschnitt enthält die Kontaktdaten derjenigen, die die Studie durchführen, und Informationen darüber, wo diese Studie durchgeführt wird.
Studienorte
-
-
Hubei
-
Wuhan, Hubei, China, 430060
- Renmin Hospital of Wuhan 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
- Erwachsene
Akzeptiert gesunde Freiwillige
Ja
Probenahmeverfahren
Nicht-Wahrscheinlichkeitsprobe
Studienpopulation
Die in dieser Studie extrahierte Studienpopulation stammte aus der Abteilung für Gastroenterologie, der Abteilung für Onkologie usw.
Genauer gesagt gab es für die Studienteilnehmer zwei Hauptquellen: Einige in unsere Studie einbezogene Personen hatten relevante Symptome (wie chronische Bauchschmerzen, veränderte Stuhlgewohnheiten, unerklärlichen Gewichtsverlust, Hämatochezie) und wurden auf Anraten der Studienteilnehmer einer Koloskopie-Untersuchung unterzogen Manche Menschen kommen nur für eine umfassende körperliche Untersuchung ins Krankenhaus (zu den körperlichen Untersuchungspunkten gehört auch die Darmspiegelung).
Beschreibung
Einschlusskriterien:
- Neu diagnostiziertes CRC (YOCRC-Gruppe)
- Alter zwischen 18 und 49 Jahren bei Diagnose (YOCRC-Gruppe)
- Habe nie irgendeine CRC-bezogene Behandlung erhalten (YOCRC-Gruppe)
- Kein durch Koloskopie oder Pathologie bestätigtes CRC (Nicht-YOCRC-Gruppe)
- Alter zwischen 18 und 49 Jahren (Nicht-YOCRC-Gruppe)
Ausschlusskriterien:
- Krankenhausaufenthalt von weniger als 24 Stunden oder unvollständiges vollständiges Blutbild
- Patienten mit entzündlichen Darmerkrankungen oder erblichen CRC-Syndromen
- Vorgeschichte anderer Arten von primären bösartigen Tumoren und andere Gründe, die sie für die Einschreibung ungeeignet machten
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 |
|---|---|
|
Patienten mit jungem Darmkrebs
Bei den Patienten wurde nach einer Koloskopie-Untersuchung ein jung beginnender Darmkrebs diagnostiziert.
|
Diese Studie nutzte klinische Daten und ein Modell des maschinellen Lernens, um Darmkrebs im jungen Alter zu untersuchen.
|
|
Patienten ohne jungen Darmkrebs
Nach einer Koloskopie-Untersuchung wurde bei den Patienten ein jung auftretender Darmkrebs ausgeschlossen.
|
Diese Studie nutzte klinische Daten und ein Modell des maschinellen Lernens, um Darmkrebs im jungen Alter zu untersuchen.
|
Was misst die Studie?
Primäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Die Leistung von Screening-Modellen für maschinelles Lernen
Zeitfenster: bis zum Studienabschluss durchschnittlich 1 Jahr
|
Die Leistung von Früherkennungsmodellen für Darmkrebs bei jungem Beginn wird durch Berechnung der Fläche unter der ROC-Kurve (Receiver Operating Characteristic, AUC), Genauigkeit, Rückruf, Spezifität, negativer Vorhersagewert (NPV), positiver Vorhersagewert (PPV) oder bewertet Präzision genannt).
|
bis zum Studienabschluss durchschnittlich 1 Jahr
|
Mitarbeiter und Ermittler
Hier finden Sie Personen und Organisationen, die an dieser Studie beteiligt sind.
Ermittler
- Studienstuhl: Dong Weiguo, PhD, Renmin Hospital of Wuhan 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. Dezember 2023
Primärer Abschluss (Tatsächlich)
10. Januar 2024
Studienabschluss (Tatsächlich)
25. Januar 2024
Studienanmeldedaten
Zuerst eingereicht
15. März 2024
Zuerst eingereicht, das die QC-Kriterien erfüllt hat
28. März 2024
Zuerst gepostet (Tatsächlich)
2. April 2024
Studienaufzeichnungsaktualisierungen
Letztes Update gepostet (Tatsächlich)
2. April 2024
Letztes eingereichtes Update, das die QC-Kriterien erfüllt
28. März 2024
Zuletzt verifiziert
1. Januar 2024
Mehr Informationen
Begriffe im Zusammenhang mit dieser Studie
Schlüsselwörter
Zusätzliche relevante MeSH-Bedingungen
Andere Studien-ID-Nummern
- Weiguo Dong
Plan für individuelle Teilnehmerdaten (IPD)
Planen Sie, individuelle Teilnehmerdaten (IPD) zu teilen?
UNENTSCHIEDEN
Beschreibung des IPD-Plans
Einbeziehung von Patientendaten
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 .