Entwicklung und prospektive Validierung eines multimodalen Fusionsmodells für künstliche Intelligenz zur Vorhersage der Wirksamkeit der neoadjuvanten Behandlung von Blasenkrebs
Studienübersicht
Status
Bedingungen
Intervention / Behandlung
Detaillierte Beschreibung
Blasenkrebs ist eine der häufigsten Malignitäten des Genitourinary -Systems weltweit. Bei Muskel - invasiven Blasenkrebs, die für eine radikale Resektion zugeordnet werden können, ist die Standardbehandlung eine neoadjuvante Therapie in Kombination mit radikaler Zystektomie, wobei die neoadjuvante Therapie eine entscheidende Rolle spielt. Gegenwärtig haben zahlreiche Studien gezeigt, dass eine neoadjuvante Chemotherapie auf Cisplatin -basierte Tumoren, die Mortalitätsrisiko bei Blasenkrebspatienten verringern, die Überlebensraten verbessern und die Prognose verbessern. Andere Behandlungsansätze wie neoadjuvante Immuntherapie, gezielte Therapie und Kombinationstherapien werden ebenfalls untersucht. Die Reaktionen auf die neoadjuvante Therapie variieren jedoch bei Patienten mit Blasenkrebs, wobei einige nicht die gewünschten therapeutischen Ziele erreicht haben. Daher kann die genaue Vorhersage der Reaktion der Teilnehmer auf die Behandlung eine wichtige Referenz für die personalisierte und präzise Behandlung von Blasenkrebs liefern.
In den letzten Jahren wurde als Fortschritte bei der Rechenleistung und der Datenspeicherkapazität der Künstlungen (KI) im Bereich der digitalen Diagnostik weit verbreitet. AI -Technologien können eine große Anzahl von Merkmalen aus multimodalen Daten wie Pathologie, Bildgebung und klinischen Aufzeichnungen extrahieren und integrieren, wodurch eine präzise Diagnose, Prognosebewertung und Behandlungsvorhersage ermöglicht wird. Im Bereich der Vorhersage der Tumorbehandlung haben multimodale AI -Technologien zahlreiche Durchbrüche erzielt, die Wirksamkeitsvorhersagemodelle für Tumoren wie Rektal- und Brustkrebs entwickeln, die auf Bildgebungs- und pathologischen Daten basieren, und die Validierung der Generalisierungsfähigkeiten der Modelle durch externe Validierung.
Daher planen die Ermittler, ein "Blasenkrebs -Neoadjuvant -Behandlungsereiungsmodell" zu konstruieren und zu validieren ", das auf multimodalen Daten wie MRT -Bildern, digitalen Pathologiebildern und klinischen Aufzeichnungen von Blasenkrebspatienten basiert, und entwickeln eine AI -assistierte Vorhersage -Software für die Wirksamkeit der Behandlung von Neoadjuvant bei Bladerkrebs. Die Ermittler hoffen, dass dieses KI -diagnostische Modell als Hilfsinstrument dienen kann, um Klinikern bei der Stratifizierung der neoadjuvanten Behandlung bei Blasenkrebspatienten zu unterstützen, dadurch präzise Behandlungspläne zu formulieren, den Konsum von menschlichen und materiellen Ressourcen zu verringern und die optimalen Behandlungsmöglichkeiten zu nutzen.
Studientyp
Einschreibung (Tatsächlich)
Kontakte und Standorte
Studienorte
-
-
Guangdong
-
Guangzhou, Guangdong, China, 510080
- Sun Yat-Sen Memorial Hospital of Sun Yat-Sen University
-
-
Teilnahmekriterien
Zulassungskriterien
Studienberechtigtes Alter
- Kind
- Erwachsene
- Älterer Erwachsener
Akzeptiert gesunde Freiwillige
Probenahmeverfahren
Studienpopulation
Beschreibung
Einschlusskriterien:
- Blase, die Läsionen besetzt, mit histopathologischer Bestätigung von Blasenkrebs nach der Resektion.
- Geplante neoadjuvante Therapie und radikale Zystektomie.
Ausschlusskriterien:
- Patienten, die keine Standarduntersuchungen für Blasenbildgebung unterzogen haben oder fehlende Bildgebung oder pathologische Daten haben.
- Patienten, die lokale Behandlungen (z. B. interventionelle Embolisation) oder systemische Behandlungen (wie Strahlentherapie, Chemotherapie, Immuntherapie oder gezielte Therapie) erhalten haben.
- Schlechte Qualität der Bildgebung oder pathologische Bilder.
Studienplan
Wie ist die Studie aufgebaut?
Designdetails
Kohorten und Interventionen
Gruppe / Kohorte |
Intervention / Behandlung |
|---|---|
|
Patienten mit Blasenkrebs, die sich einer neoadjuvanten Therapie unterziehen
Patienten mit Blasenkrebs diagnostiziert, dass eine neoadjuvante Therapie untergeht.
|
Collect magnetic resonance imaging and pathological slides of resected tumor of the enrolled patients.
Analyze the data using the AI model to generate predictive results (sensitive or insensitive to the neoadjavant therapy).
No intervention to patients would be performed in this diagnostic test study.
|
Was misst die Studie?
Primäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
AUC (Area Under the Receiver Operating Characteristic Curve)
Zeitfenster: For each enrolled patient, the AI model's prediction results will be generated within several days after neoadjuvant therapy. The AUC of the model will be evaluated upon study completion, an average of 3 years.
|
A comprehensive metric reflecting the overall discriminative ability of the AI model, which integrates the model's sensitivity and specificity across all possible threshold values.
It quantifies the probability that the model will correctly rank a randomly selected therapy-sensitive patient higher than a randomly selected therapy-insensitive patient.
|
For each enrolled patient, the AI model's prediction results will be generated within several days after neoadjuvant therapy. The AUC of the model will be evaluated upon study completion, an average of 3 years.
|
Sekundäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
sensitivity
Zeitfenster: For each enrolled patient, the predictive results of AI model will be obtained in several days after neoadjuvant therapy, and the sensitivity of the AI model will be evaluated through study completion, an average of 3 year.
|
the number of correctly diagnosed positive patient (sensitive to therapy), to be divided by the number of patients in total.
|
For each enrolled patient, the predictive results of AI model will be obtained in several days after neoadjuvant therapy, and the sensitivity of the AI model will be evaluated through study completion, an average of 3 year.
|
|
specificity
Zeitfenster: For each enrolled patient, the predictive results of AI model will be obtained in several days after neoadjuvant therapy, and the specificity of the AI model will be evaluated through study completion, an average of 3 year.
|
the number of correctly diagnosed negative patients (therapy insensitive), to be divided by the number of negative patients in total.
|
For each enrolled patient, the predictive results of AI model will be obtained in several days after neoadjuvant therapy, and the specificity of the AI model will be evaluated through study completion, an average of 3 year.
|
Mitarbeiter und Ermittler
Studienaufzeichnungsdaten
Haupttermine studieren
Studienbeginn (Tatsächlich)
Primärer Abschluss (Tatsächlich)
Studienabschluss (Tatsächlich)
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
Schlüsselwörter
Zusätzliche relevante MeSH-Bedingungen
- Urogenitale Erkrankungen
- Urogenitale Neoplasmen
- Neubildungen nach Standort
- Neubildungen
- Männliche Urogenitalerkrankungen
- Urologische Erkrankungen
- Weibliche Urogenitalerkrankungen
- Weibliche Urogenitalerkrankungen und Schwangerschaftskomplikationen
- Urologische Neubildungen
- Erkrankungen der Harnblase
- Neubildungen
- Algorithmen
- Mathematische Konzepte
- Künstliche Intelligenz
Andere Studien-ID-Nummern
- SYSKY-2024-738-01
Plan für individuelle Teilnehmerdaten (IPD)
Planen Sie, individuelle Teilnehmerdaten (IPD) zu teilen?
Beschreibung des IPD-Plans
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 .