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

Entwicklung eines bildgebenden Vorhersagemodells für Beckenlymphknotenmetastasen bei Gebärmutterhalskrebs unter Verwendung von Techniken der künstlichen Intelligenz.

3. Juni 2024 aktualisiert von: Obstetrics & Gynecology Hospital of Fudan University
Bei dieser Studie handelt es sich um eine retrospektive explorative Studie, die an einem einzelnen Zentrum durchgeführt wird und auf die Entwicklung und Validierung eines präoperativen Lymphmetastasenmodells für Gebärmutterhalskrebs mithilfe von Deep Learning mit künstlicher Intelligenz abzielt. Das Modell wird anhand präoperativer Bildgebung und postoperativer pathologischer Befunde von Gebärmutterhalskrebspatienten trainiert, mit dem Ziel, die Genauigkeit der Vorhersage von Lymphmetastasen durch präoperative Bildgebung zu verbessern und Erkenntnisse für Behandlungsentscheidungen zu liefern.

Studienübersicht

Status

Rekrutierung

Bedingungen

Studientyp

Beobachtungs

Einschreibung (Geschätzt)

4000

Kontakte und Standorte

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

Studienkontakt

Studienorte

  • China
    • Shanghai
      • Shanghai, Shanghai, China, 200090
        • Rekrutierung
        • The Obstetrics and Gynecology Hospital of Fudan University
        • Kontakt:
        • Hauptermittler:
          • Xin Wu
        • Unterermittler:
          • Hua Jiang
        • Unterermittler:
          • Xuan Yin
        • Unterermittler:
          • Ling Qiu
        • Unterermittler:
          • Hui Wang
        • Unterermittler:
          • Yang Liu
        • Unterermittler:
          • Shen Luo
        • Unterermittler:
          • Xiaomei Sun

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

Nein

Probenahmeverfahren

Wahrscheinlichkeitsstichprobe

Studienpopulation

Alle Patienteninformationen und Bilddaten wurden vom Krankenhaus für Geburtshilfe und Gynäkologie der Fudan-Universität gesammelt. Dieses Krankenhaus ist eine spezialisierte Einrichtung für Tertiärversorgung und gilt als das führende Krankenhaus für Geburtshilfe und Gynäkologie in China.

Beschreibung

Einschlusskriterien:

  1. Patienten mit der präoperativen Diagnose eines invasiven Gebärmutterhalskrebses im Stadium I-III, mit jeder Art von Pathologie, und Patienten, die sich in unserem Krankenhaus einer radikalen/modifizierten radikalen Gebärmutterhalskrebsoperation + Beckenlymphknotendissektion unterzogen haben.
  2. Alter ≥18 Jahre und ≤80 Jahre
  3. Patienten mit vollständigen präoperativen Becken-MRT-Bildern sowie postoperativen Pathologie- und klinischen Daten in unserem Krankenhaus

Ausschlusskriterien:

  1. Patientinnen während der Schwangerschaft oder Stillzeit, Patientinnen innerhalb von 42 Tagen nach der Abtreibung
  2. Patienten, die vor der Operation wegen dieses früheren Gebärmutterhalskrebses eine neoadjuvante Chemotherapie oder Strahlentherapie erhalten haben
  3. Patienten mit anderen bösartigen Tumoren innerhalb von 5 Jahren
  4. Kombination anderer Grunderkrankungen, die zu vergrößerten Beckenlymphknoten führen können
  5. Bildgebungsbericht mehr als 1 Monat vor der Operation
  6. Schlechte Bildqualität und nicht erkennbar

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
Ein Modell zur Identifizierung von Beckenlymphknotenmetastasen in der präoperativen Bildgebung
Zeitfenster: Von der Einschreibung bis zum Ende der Modellentwicklung nach 24 Monaten
Mithilfe der Technologie der künstlichen Intelligenz (KI) wurde ein Modell zur Identifizierung von Beckenlymphknotenmetastasen anhand präoperativer Bilder entwickelt, um die Genauigkeit der präoperativen Erkennung von Lymphknotenmetastasen bei Gebärmutterhalskrebs zu verbessern. Das Modell wurde validiert, wobei der diagnostische Schwerpunkt auf der Bestimmung des Status der Lymphknotenmetastasierung lag.
Von der Einschreibung bis zum Ende der Modellentwicklung nach 24 Monaten

Mitarbeiter und Ermittler

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

Sponsor

Obstetrics & Gynecology Hospital of Fudan 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. Februar 2024

Primärer Abschluss (Geschätzt)

1. Dezember 2025

Studienabschluss (Geschätzt)

1. Dezember 2025

Studienanmeldedaten

Zuerst eingereicht

3. Juni 2024

Zuerst eingereicht, das die QC-Kriterien erfüllt hat

3. Juni 2024

Zuerst gepostet (Tatsächlich)

7. Juni 2024

Studienaufzeichnungsaktualisierungen

Letztes Update gepostet (Tatsächlich)

7. Juni 2024

Letztes eingereichtes Update, das die QC-Kriterien erfüllt

3. Juni 2024

Zuletzt verifiziert

1. Juni 2024

Mehr Informationen

Begriffe im Zusammenhang mit dieser Studie

Schlüsselwörter

Zusätzliche relevante MeSH-Bedingungen

Andere Studien-ID-Nummern

  • FUOBGY2024-33

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