Entwicklung eines prädiktiven Modells für Magenkrebs -Peritonealmetastasierung und Kachexie unter Verwendung von BUB1- und Radiopathomics -Daten mit Deep Learning (BUDDLE)
Studienübersicht
Status
Bedingungen
Detaillierte Beschreibung
Magenkrebs (GC) ist eine der häufigsten und aggressivsten malignen Erkrankungen, wobei Peritonealmetastasierung und Kachexie signifikant zu seiner schlechten Prognose beitragen. Das BUB1 -Gen wurde an der chromosomalen Instabilität und dem Fortschreiten von GC beteiligt, aber seine Rolle bei der Peritonealmetastasierung und der Kachexie bleibt unklar. Diese klinische Studie zielt darauf ab, das Potenzial der Integration der BUB1 -Genexpression mit Bildgebung und pathologischen Daten zu untersuchen, um ein prädiktives Modell für die GC -Progression zu entwickeln.
Die Studie sammelt umfassende Daten von GC -Patienten, einschließlich genomischer Profile (BUB1 -Genexpression), radiologischen Bildern (CT/MRT -Scans) und histopathologischen Befunden. Advanced Radiomics -Analyse extrahieren quantitative Merkmale aus Bildgebungsdaten, während pathologische Daten auf relevante histologische Marker analysiert werden. Der kombinierte Datensatz wird in ein Deep -Learning -Modell eingespeist, um Muster zu identifizieren, die mit Peritonealmetastasierung und Kachexie verbunden sind und sich auf die Identifizierung früher Biomarker konzentrieren.
Das Deep -Learning -Modell unterzogen sich mit iterativen Schulungen und Validierung unter Verwendung retrospektiver und prospektiver Patientendaten. Der primäre Endpunkt der Studie besteht darin, die Vorhersagegenauigkeit des Modells für die Peritonealmetastasierung und die Entwicklung der Kachexia zu bewerten, während sekundäre Endpunkte das Potenzial zur Information von personalisierten Behandlungsstrategien, die Verbesserung der Überlebensraten und die Anleitung der klinischen Entscheidungen umfassen.
Diese Studie wird auch die Korrelation zwischen BUB1 -Expression und den Radiopathomik -Merkmalen in GC untersuchen und Einblicke in die zugrunde liegenden Mechanismen geben, die die Peritonealmetastasierung und die Kachexie antreiben. Die Ergebnisse zielen darauf ab, ein robustes, klinisch anwendbares Vorhersagewerkzeug zu erstellen, das für bessere Patientenergebnisse in die aktuelle klinische Praxis integriert werden kann.
Studientyp
Einschreibung (Geschätzt)
Teilnahmekriterien
Zulassungskriterien
Studienberechtigtes Alter
- Erwachsene
- Älterer Erwachsener
Akzeptiert gesunde Freiwillige
Probenahmeverfahren
Studienpopulation
Die Studienpopulation wird aus erwachsenen Patienten bestehen, bei denen Magenkrebs (GC) in verschiedenen Stadien der Krankheit diagnostiziert wurde. Die Patienten werden aufgrund des Vorhandenseins von oder Risikofaktoren für Peritonealmetastasen und/oder Kachexie ausgewählt, die durch klinische Bewertungen, Bildgebung (CT/MRT) und histopathologische Untersuchung bewertet werden. Die Teilnehmer werden aus einer Kohorte von GC -Patienten rekrutiert, die genomische, radiologische und pathologische Daten zur Verfügung haben, die für die Schulung des Vorhersagemodells wesentlich sind.
Die Studie konzentriert sich auf Patienten mit einem breiten Spektrum von GC -Manifestationen, einschließlich früher und fortgeschrittener Stadien, um sicherzustellen, dass das Modell für verschiedene Krankheitsprofile anwendbar ist. Diese vielfältige Bevölkerung wird dazu beitragen, die Robustheit und Verallgemeinerbarkeit des Modells bei der Vorhersage der Peritonealmetastasierung und der Kachexie zu bewerten, was auf eine umfassende Darstellung des GC -Fortschreitens abzielt.
Beschreibung
Einschlusskriterien:
Erwachsene im Alter von 18 bis 75 Jahren, bei denen zu jedem Zeitpunkt Magenkrebs (GC) diagnostiziert wurde. Histopathologisch bestätigte GC mit verfügbaren radiologischen (CT/MRT) und pathologischen Daten (Biopsieproben).
Patienten mit oder ausgesetztes Risiko einer Peritonealmetastasierung und/oder Kachexie, bestimmt durch klinische Bewertung und Bildgebung.
Fähigkeit zur Einverständniserklärung und Einhaltung von Studienprotokollen. Bereitschaft, sich regelmäßiger Nachuntersuchungen und klinischer Bewertung für die Dauer der Studie zu unterziehen.
Ausschlusskriterien:
Patienten mit anderen primären Krebsarten oder schwerwiegenden Komorbiditäten (z. B. schwere Herz -Kreislauf -Erkrankungen, unkontrollierter Diabetes).
Schwangere oder stillende Frauen. Patienten mit Kontraindikationen zur MRT- oder CT -Bildgebung. Personen mit unzureichenden klinischen Daten (z. B. fehlende radiopathologische Informationen) für das Modelltraining.
Patienten, die das Studienprotokoll nicht einhalten können oder nicht, einschließlich Nachuntersuchungen und Bewertungen.
Studienplan
Wie ist die Studie aufgebaut?
Designdetails
Was misst die Studie?
Primäre Ergebnismessungen
Ergebnis Maßnahme |
Zeitfenster |
|---|---|
|
Vorhersagegenauigkeit des BUB1-integrierten Deep-Learning-Modells für Magenkrebs-Peritonealmetastasen und Kachexie
Zeitfenster: 12 Monate für Modelltraining, Validierung und anfängliche klinische Anwendung
|
12 Monate für Modelltraining, Validierung und anfängliche klinische Anwendung
|
Mitarbeiter und Ermittler
Sponsor
Studienaufzeichnungsdaten
Haupttermine studieren
Studienbeginn (Geschätzt)
Primärer Abschluss (Geschätzt)
Studienabschluss (Geschätzt)
Studienanmeldedaten
Zuerst eingereicht
Zuerst eingereicht, das die QC-Kriterien erfüllt hat
Zuerst gepostet (Tatsächlich)
Studienaufzeichnungsaktualisierungen
Letztes Update gepostet (Tatsächlich)
Letztes eingereichtes Update, das die QC-Kriterien erfüllt
Zuletzt verifiziert
Mehr Informationen
Begriffe im Zusammenhang mit dieser Studie
Zusätzliche relevante MeSH-Bedingungen
Andere Studien-ID-Nummern
- BUB1
Arzneimittel- und Geräteinformationen, Studienunterlagen
Studiert ein von der US-amerikanischen FDA reguliertes Arzneimittelprodukt
Studiert ein von der US-amerikanischen FDA reguliertes Geräteprodukt
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 .