- ICH GCP
- Registro de ensayos clínicos de EE. UU.
- Ensayo clínico NCT06108310
RAdiogenómica basada en inteligencia artificial en tumores de colon (ATTRACT)
ATTRACT - RAdiogenómica basada en inteligencia artificial en tumores de colon
El objetivo de este ensayo clínico es desarrollar un modelo basado en inteligencia artificial para evaluar la firma radiogenómica del tumor de colon en pacientes con cáncer de colon en estadio II-III. La principal pregunta que pretende responder es:
• ¿Puede un algoritmo basado en inteligencia artificial de características radiómicas combinado con factores clínicos, biomarcadores bioquímicos y datos genómicos reconocer el comportamiento, la agresividad y el pronóstico del tumor, identificando una firma radiogenómica del tumor?
Los participantes
- someterse a un examen de TC preoperatorio con contraste;
- someterse a escisión quirúrgica de cáncer de colon
- someterse a terapia adyuvante si se considera necesario según las pautas actuales
Descripción general del estudio
Estado
Descripción detallada
El ensayo ATTRACT consta de una parte retrospectiva y otra prospectiva. En la parte retrospectiva del ensayo, se utilizarán datos de radiología, patología y genómica de 300 pacientes con cáncer de colon en estadio II-III para identificar las características genéticas y radiómicas de los tumores de colon y los criterios de valoración clínicos como resultados del modelo predictivo.
Los tumores se segmentarán manualmente en imágenes de TC y se utilizarán para la generación de modelos de IA (inteligencia artificial). Las anotaciones patológicas se asociarán a los correspondientes perfiles anonimizados. La inmunohistoquímica se utilizará para clasificar las muestras en los 4 subtipos moleculares según. También se generarán perfiles de secuenciación de ARN a partir de muestras de tejido a través de transcriptómica dirigida utilizando paneles NGS (secuenciación de próxima generación) personalizados diseñados específicamente para evaluar la expresión genética y evaluar la carga mutacional del tumor. (TMB). Los datos sin procesar se procesarán y modelarán mediante el análisis de vías topológicas para estratificar a los pacientes según las características moleculares relevantes y definir anotaciones moleculares que se utilizarán para entrenar el modelo para la identificación de grupos clínicamente relevantes específicos. Se utilizarán datos sin procesar junto con datos radiológicos para generar y entrenar modelos de IA para la segmentación automatizada y la extracción de la firma radiogenómica.
Las características radiómicas se extraerán de tumores segmentados manualmente. Se utilizarán herramientas estándar de PyRadiomics y herramientas personalizadas. La solidez de las características se garantizará seleccionando solo aquellas con una alta correlación estadística entre observadores. Se generarán dos familias de modelos de IA, una familia dedicada a la segmentación y otra dedicada al fenotipado basado en radiogenómica según los datos clínicos, de biología molecular y patológicos disponibles. Las dos familias se fusionarán para la creación del modelo ATTRACT AI. Para la generación de estos modelos se aplicarán arquitecturas específicas de redes neuronales convolucionales (CNN) basadas en aprendizaje profundo (DL) e Inteligencia Artificial como UNet y MaskNet. La capacitación se realizará utilizando las segmentaciones manuales de ROI (región de interés) como verdad sobre el terreno. Para la generación de modelos de análisis radiogenómicos, se combinarán características radiómicas y genómicas utilizando diferentes algoritmos multivariados. El clasificador estará capacitado para reconocer los subtipos de cáncer y los criterios de valoración clínicos.
En la parte prospectiva del ensayo, se reclutarán pacientes con cáncer de colon en estadio II-III y se les realizará un examen de TC preoperatorio con contraste. La tasa de reclutamiento será de 70 pacientes por año, para un total de 210 pacientes. Después de la TC preoperatoria, la cirugía se realizará según protocolos estándar internacionales. Eventualmente se considerará la terapia adyuvante siguiendo las pautas actuales. Se analizará la muestra patológica de la posible inscripción. Primero, con datos de RNA-seq, TMB (de genes codificantes) y datos clínicos, los pacientes se agruparán mediante el uso de dos técnicas diferentes, el algoritmo de Markov Cluster (MCL) y t-SNE (incrustación de vecinos estocásticos distribuidos en t), Multi- Agrupación de redes de capas. Los pacientes se representarán como nodos de una red, los bordes entre los nodos se ponderarán y establecerán umbrales de acuerdo con la similitud de Jaccard. La similitud se calculará sobre la expresión genética, TMB y la información de perturbación procedente del análisis de vías topológicas. Los resultados de la agrupación se compararán con los procedentes de inmunohistoquímica. Datos de seguimiento clínico (es decir, resultado de la terapia, etc.) se conectarán, una vez disponibles, al flujo de trabajo para reforzar el aprendizaje. El conocimiento extraído se utilizará para anotar el conjunto de datos utilizado para entrenar y validar la clasificación radiómica. La muestra bruta se analizará para extraer diferentes subtipos moleculares transcriptómicos (CMS1, CMS2, CMS3, CMS4) de acuerdo con el Consorcio de subtipificación del cáncer colorrectal (CRC) (CRCSC) que evalúa la presencia o ausencia de patrones de subtipos centrales entre la expresión génica existente. algoritmos de subtipificación de CRC basados en. La conformidad entre el perfil molecular patológico y el análisis de ctDNA durante el protocolo se relacionará con la clasificación radiómica para proporcionar un nuevo modelo de enfoque de diagnóstico completo en el tratamiento y la vigilancia del CCR.
Se utilizarán datos prospectivos para validar los modelos de IA. Para los modelos de segmentación, el coeficiente de dados se utilizará como indicador para medir el grado de superposición entre la segmentación automatizada y la experta. Para el modelo de radiogenómica, el desempeño se evaluará utilizando precisión, integral bajo la curva del operador receptor (ROC-AUC) y curva de decisión clínica. Los investigadores también tendrán en cuenta, para seleccionar los mejores modelos de IA, la respuesta a la variación de las características de entrada y producirán mapas de prominencia donde se resaltan las características de la imagen de entrada que más contribuyeron a la clasificación.
La evaluación clínica se realizará cada 6 meses durante 2 años, incluidas pruebas periódicas de CEA (antígeno carcinoembrionario) en suero y TC de cuerpo entero cada 6 a 12 meses en pacientes que tienen un mayor riesgo de recurrencia en los primeros 3 años después de ESMO (European Directrices de la Sociedad de Oncología Médica). Se calculará la supervivencia libre de enfermedad (SSE) y la supervivencia libre de recaídas (SLR).
Tipo de estudio
Inscripción (Estimado)
Contactos y Ubicaciones
Estudio Contacto
- Nombre: Andrea Laghi, MD
- Número de teléfono: +390633775285
- Correo electrónico: andrea.laghi@uniroma1.it
Ubicaciones de estudio
-
-
RM
-
Roma, RM, Italia, 00189
- Reclutamiento
- AOU Sant'Andrea
-
Contacto:
- Andrea Laghi, MD
- Número de teléfono: +390633775285
- Correo electrónico: andrea.laghi@uniroma1.it
-
-
Criterios de participación
Criterio de elegibilidad
Edades elegibles para estudiar
- Adulto
- Adulto Mayor
Acepta Voluntarios Saludables
Método de muestreo
Población de estudio
La fase de formación consistirá en una selección retrospectiva de trescientos pacientes con cáncer de colon en estadio II y III patológicamente probado de una base de datos institucional.
La prueba y la validación consistirán en una recopilación de datos prospectiva de una nueva población de pacientes. El reclutamiento de pacientes será realizado por la Unidad Oncológica y Unidad de Cirugía del Hospital Sant'Andrea - Universidad La Sapienza de Roma. Se extraerán patología y genómica de la muestra obtenida durante la cirugía y se recolectarán muestras de sangre para el análisis de ctDNA antes y durante la quimioterapia/visitas de seguimiento (dentro de los 30 días posteriores a la cirugía colorrectal, después de 3 y luego cada 6 meses)
Descripción
Criterios de inclusión:
- pacientes con cáncer de colon en estadio II y estadio III patológicamente probado;
- disponibilidad de una tomografía computarizada con fase venosa porta en el momento del diagnóstico;
- disponibilidad de panel inmunohistoquímico
Criterio de exclusión:
- pacientes sin imágenes de TC antes de la resección quirúrgica;
- pacientes con tomografías computarizadas caracterizadas por artefactos de movimiento que impiden el análisis radiómico
Plan de estudios
¿Cómo está diseñado el estudio?
Detalles de diseño
¿Qué mide el estudio?
Medidas de resultado primarias
Medida de resultado |
Periodo de tiempo |
---|---|
Identificación de la firma radiogenómica (modelo ATTRACT AI) de tumores de colon en estadio II-III
Periodo de tiempo: De enero de 2021 a diciembre de 2023
|
De enero de 2021 a diciembre de 2023
|
Medidas de resultado secundarias
Medida de resultado |
Periodo de tiempo |
---|---|
Correlación de la firma radiogenómica (modelo ATTRACT AI) del cáncer de colon con los resultados clínicos (DFS y RFS)
Periodo de tiempo: De enero de 2024 a diciembre de 2025
|
De enero de 2024 a diciembre de 2025
|
Colaboradores e Investigadores
Patrocinador
Colaboradores
Investigadores
- Investigador principal: Andrea Laghi, MD, University of Roma La Sapienza
Publicaciones y enlaces útiles
Publicaciones Generales
- Bettegowda C, Sausen M, Leary RJ, Kinde I, Wang Y, Agrawal N, Bartlett BR, Wang H, Luber B, Alani RM, Antonarakis ES, Azad NS, Bardelli A, Brem H, Cameron JL, Lee CC, Fecher LA, Gallia GL, Gibbs P, Le D, Giuntoli RL, Goggins M, Hogarty MD, Holdhoff M, Hong SM, Jiao Y, Juhl HH, Kim JJ, Siravegna G, Laheru DA, Lauricella C, Lim M, Lipson EJ, Marie SK, Netto GJ, Oliner KS, Olivi A, Olsson L, Riggins GJ, Sartore-Bianchi A, Schmidt K, Shih lM, Oba-Shinjo SM, Siena S, Theodorescu D, Tie J, Harkins TT, Veronese S, Wang TL, Weingart JD, Wolfgang CL, Wood LD, Xing D, Hruban RH, Wu J, Allen PJ, Schmidt CM, Choti MA, Velculescu VE, Kinzler KW, Vogelstein B, Papadopoulos N, Diaz LA Jr. Detection of circulating tumor DNA in early- and late-stage human malignancies. Sci Transl Med. 2014 Feb 19;6(224):224ra24. doi: 10.1126/scitranslmed.3007094.
- Shen TL, Fu XL. [Application and prospect of artificial intelligence in cancer diagnosis and treatment]. Zhonghua Zhong Liu Za Zhi. 2018 Dec 23;40(12):881-884. doi: 10.3760/cma.j.issn.0253-3766.2018.12.001. Chinese.
- Kantarjian H, Yu PP. Artificial Intelligence, Big Data, and Cancer. JAMA Oncol. 2015 Aug;1(5):573-4. doi: 10.1001/jamaoncol.2015.1203. No abstract available.
- Miller KD, Siegel RL, Lin CC, Mariotto AB, Kramer JL, Rowland JH, Stein KD, Alteri R, Jemal A. Cancer treatment and survivorship statistics, 2016. CA Cancer J Clin. 2016 Jul;66(4):271-89. doi: 10.3322/caac.21349. Epub 2016 Jun 2.
- Guinney J, Dienstmann R, Wang X, de Reynies A, Schlicker A, Soneson C, Marisa L, Roepman P, Nyamundanda G, Angelino P, Bot BM, Morris JS, Simon IM, Gerster S, Fessler E, De Sousa E Melo F, Missiaglia E, Ramay H, Barras D, Homicsko K, Maru D, Manyam GC, Broom B, Boige V, Perez-Villamil B, Laderas T, Salazar R, Gray JW, Hanahan D, Tabernero J, Bernards R, Friend SH, Laurent-Puig P, Medema JP, Sadanandam A, Wessels L, Delorenzi M, Kopetz S, Vermeulen L, Tejpar S. The consensus molecular subtypes of colorectal cancer. Nat Med. 2015 Nov;21(11):1350-6. doi: 10.1038/nm.3967. Epub 2015 Oct 12.
- Gillies RJ, Kinahan PE, Hricak H. Radiomics: Images Are More than Pictures, They Are Data. Radiology. 2016 Feb;278(2):563-77. doi: 10.1148/radiol.2015151169. Epub 2015 Nov 18.
- Sun R, Limkin EJ, Vakalopoulou M, Dercle L, Champiat S, Han SR, Verlingue L, Brandao D, Lancia A, Ammari S, Hollebecque A, Scoazec JY, Marabelle A, Massard C, Soria JC, Robert C, Paragios N, Deutsch E, Ferte C. A radiomics approach to assess tumour-infiltrating CD8 cells and response to anti-PD-1 or anti-PD-L1 immunotherapy: an imaging biomarker, retrospective multicohort study. Lancet Oncol. 2018 Sep;19(9):1180-1191. doi: 10.1016/S1470-2045(18)30413-3. Epub 2018 Aug 14.
- Lambin P, Leijenaar RTH, Deist TM, Peerlings J, de Jong EEC, van Timmeren J, Sanduleanu S, Larue RTHM, Even AJG, Jochems A, van Wijk Y, Woodruff H, van Soest J, Lustberg T, Roelofs E, van Elmpt W, Dekker A, Mottaghy FM, Wildberger JE, Walsh S. Radiomics: the bridge between medical imaging and personalized medicine. Nat Rev Clin Oncol. 2017 Dec;14(12):749-762. doi: 10.1038/nrclinonc.2017.141. Epub 2017 Oct 4.
- Glynne-Jones R, Wyrwicz L, Tiret E, Brown G, Rodel C, Cervantes A, Arnold D; ESMO Guidelines Committee. Rectal cancer: ESMO Clinical Practice Guidelines for diagnosis, treatment and follow-up. Ann Oncol. 2017 Jul 1;28(suppl_4):iv22-iv40. doi: 10.1093/annonc/mdx224. No abstract available. Erratum In: Ann Oncol. 2018 Oct 1;29(Suppl 4):iv263.
- Merker JD, Oxnard GR, Compton C, Diehn M, Hurley P, Lazar AJ, Lindeman N, Lockwood CM, Rai AJ, Schilsky RL, Tsimberidou AM, Vasalos P, Billman BL, Oliver TK, Bruinooge SS, Hayes DF, Turner NC. Circulating Tumor DNA Analysis in Patients With Cancer: American Society of Clinical Oncology and College of American Pathologists Joint Review. J Clin Oncol. 2018 Jun 1;36(16):1631-1641. doi: 10.1200/JCO.2017.76.8671. Epub 2018 Mar 5.
- Bosman FT. Tumor Heterogeneity: Will It Change What Pathologists Do. Pathobiology. 2018;85(1-2):18-22. doi: 10.1159/000469664. Epub 2017 May 9.
- Chakraborty S, Hosen MI, Ahmed M, Shekhar HU. Onco-Multi-OMICS Approach: A New Frontier in Cancer Research. Biomed Res Int. 2018 Oct 3;2018:9836256. doi: 10.1155/2018/9836256. eCollection 2018.
- Chen S, Zhang N, Shao J, Wang T, Wang X. Multi-omics Perspective on the Tumor Microenvironment based on PD-L1 and CD8 T-Cell Infiltration in Urothelial Cancer. J Cancer. 2019 Jan 1;10(3):697-707. doi: 10.7150/jca.28494. eCollection 2019.
- Hondermarck, H., Cancer Omics: A Special Issue to Highlight Where We Are Heading. Proteomics, 2018. 18(24): p. e180038
- Huang L, Brunell D, Stephan C, Mancuso J, Yu X, He B, Thompson TC, Zinner R, Kim J, Davies P, Wong STC. Driver network as a biomarker: systematic integration and network modeling of multi-omics data to derive driver signaling pathways for drug combination prediction. Bioinformatics. 2019 Oct 1;35(19):3709-3717. doi: 10.1093/bioinformatics/btz109.
- Long NP, Jung KH, Anh NH, Yan HH, Nghi TD, Park S, Yoon SJ, Min JE, Kim HM, Lim JH, Kim JM, Lim J, Lee S, Hong SS, Kwon SW. An Integrative Data Mining and Omics-Based Translational Model for the Identification and Validation of Oncogenic Biomarkers of Pancreatic Cancer. Cancers (Basel). 2019 Jan 29;11(2):155. doi: 10.3390/cancers11020155.
- Dienstmann R, Vermeulen L, Guinney J, Kopetz S, Tejpar S, Tabernero J. Consensus molecular subtypes and the evolution of precision medicine in colorectal cancer. Nat Rev Cancer. 2017 Feb;17(2):79-92. doi: 10.1038/nrc.2016.126. Epub 2017 Jan 4. Erratum In: Nat Rev Cancer. 2017 Mar 23;17 (4):268.
- Dunne PD, O'Reilly PG, Coleman HG, Gray RT, Longley DB, Johnston PG, Salto-Tellez M, Lawler M, McArt DG. Stratified analysis reveals chemokine-like factor (CKLF) as a potential prognostic marker in the MSI-immune consensus molecular subtype CMS1 of colorectal cancer. Oncotarget. 2016 Jun 14;7(24):36632-36644. doi: 10.18632/oncotarget.9126.
- Roseweir AK, McMillan DC, Horgan PG, Edwards J. Colorectal cancer subtypes: Translation to routine clinical pathology. Cancer Treat Rev. 2017 Jun;57:1-7. doi: 10.1016/j.ctrv.2017.04.006. Epub 2017 May 4.
- Thanki K, Nicholls ME, Gajjar A, Senagore AJ, Qiu S, Szabo C, Hellmich MR, Chao C. Consensus Molecular Subtypes of Colorectal Cancer and their Clinical Implications. Int Biol Biomed J. 2017 Summer;3(3):105-111. Epub 2017 Jun 13.
- Wang W, Kandimalla R, Huang H, Zhu L, Li Y, Gao F, Goel A, Wang X. Molecular subtyping of colorectal cancer: Recent progress, new challenges and emerging opportunities. Semin Cancer Biol. 2019 Apr;55:37-52. doi: 10.1016/j.semcancer.2018.05.002. Epub 2018 May 18.
- Horvat N, Veeraraghavan H, Khan M, Blazic I, Zheng J, Capanu M, Sala E, Garcia-Aguilar J, Gollub MJ, Petkovska I. MR Imaging of Rectal Cancer: Radiomics Analysis to Assess Treatment Response after Neoadjuvant Therapy. Radiology. 2018 Jun;287(3):833-843. doi: 10.1148/radiol.2018172300. Epub 2018 Mar 7.
- Pinker K, Chin J, Melsaether AN, Morris EA, Moy L. Precision Medicine and Radiogenomics in Breast Cancer: New Approaches toward Diagnosis and Treatment. Radiology. 2018 Jun;287(3):732-747. doi: 10.1148/radiol.2018172171.
- Cozzi L, Comito T, Fogliata A, Franzese C, Franceschini D, Bonifacio C, Tozzi A, Di Brina L, Clerici E, Tomatis S, Reggiori G, Lobefalo F, Stravato A, Mancosu P, Zerbi A, Sollini M, Kirienko M, Chiti A, Scorsetti M. Computed tomography based radiomic signature as predictive of survival and local control after stereotactic body radiation therapy in pancreatic carcinoma. PLoS One. 2019 Jan 18;14(1):e0210758. doi: 10.1371/journal.pone.0210758. eCollection 2019.
- Diamant A, Chatterjee A, Vallieres M, Shenouda G, Seuntjens J. Deep learning in head & neck cancer outcome prediction. Sci Rep. 2019 Feb 26;9(1):2764. doi: 10.1038/s41598-019-39206-1.
- Li S, Wang K, Hou Z, Yang J, Ren W, Gao S, Meng F, Wu P, Liu B, Liu J, Yan J. Use of Radiomics Combined With Machine Learning Method in the Recurrence Patterns After Intensity-Modulated Radiotherapy for Nasopharyngeal Carcinoma: A Preliminary Study. Front Oncol. 2018 Dec 21;8:648. doi: 10.3389/fonc.2018.00648. eCollection 2018.
- Neri E, Del Re M, Paiar F, Erba P, Cocuzza P, Regge D, Danesi R. Radiomics and liquid biopsy in oncology: the holons of systems medicine. Insights Imaging. 2018 Dec;9(6):915-924. doi: 10.1007/s13244-018-0657-7. Epub 2018 Nov 14.
- Rizzo S, Botta F, Raimondi S, Origgi D, Fanciullo C, Morganti AG, Bellomi M. Radiomics: the facts and the challenges of image analysis. Eur Radiol Exp. 2018 Nov 14;2(1):36. doi: 10.1186/s41747-018-0068-z.
- Lo CM, Iqbal U, Li YJ. Cancer quantification from data mining to artificial intelligence. Comput Methods Programs Biomed. 2017 Jul;145:A1. doi: 10.1016/S0169-2607(17)30594-1. No abstract available.
- Mayo RC, Leung J. Artificial intelligence and deep learning - Radiology's next frontier? Clin Imaging. 2018 May-Jun;49:87-88. doi: 10.1016/j.clinimag.2017.11.007. Epub 2017 Nov 16.
- Azuaje F. Artificial intelligence for precision oncology: beyond patient stratification. NPJ Precis Oncol. 2019 Feb 25;3:6. doi: 10.1038/s41698-019-0078-1. eCollection 2019.
- Liang C, Huang Y, He L, Chen X, Ma Z, Dong D, Tian J, Liang C, Liu Z. The development and validation of a CT-based radiomics signature for the preoperative discrimination of stage I-II and stage III-IV colorectal cancer. Oncotarget. 2016 May 24;7(21):31401-12. doi: 10.18632/oncotarget.8919.
- Bibault JE, Giraud P, Housset M, Durdux C, Taieb J, Berger A, Coriat R, Chaussade S, Dousset B, Nordlinger B, Burgun A. Deep Learning and Radiomics predict complete response after neo-adjuvant chemoradiation for locally advanced rectal cancer. Sci Rep. 2018 Aug 22;8(1):12611. doi: 10.1038/s41598-018-30657-6. Erratum In: Sci Rep. 2018 Nov 12;8(1):16914.
- Park BW, Kim JK, Heo C, Park KJ. Reliability of CT radiomic features reflecting tumour heterogeneity according to image quality and image processing parameters. Sci Rep. 2020 Mar 2;10(1):3852. doi: 10.1038/s41598-020-60868-9.
- Soomro MH, Coppotelli M, Conforto S, Schmid M, Giunta G, Del Secco L, Neri E, Caruso D, Rengo M, Laghi A. Automated Segmentation of Colorectal Tumor in 3D MRI Using 3D Multiscale Densely Connected Convolutional Neural Network. J Healthc Eng. 2019 Jan 31;2019:1075434. doi: 10.1155/2019/1075434. eCollection 2019.
- Lenchik L, Heacock L, Weaver AA, Boutin RD, Cook TS, Itri J, Filippi CG, Gullapalli RP, Lee J, Zagurovskaya M, Retson T, Godwin K, Nicholson J, Narayana PA. Automated Segmentation of Tissues Using CT and MRI: A Systematic Review. Acad Radiol. 2019 Dec;26(12):1695-1706. doi: 10.1016/j.acra.2019.07.006. Epub 2019 Aug 10.
- Caruso D, Zerunian M, Ciolina M, de Santis D, Rengo M, Soomro MH, Giunta G, Conforto S, Schmid M, Neri E, Laghi A. Haralick's texture features for the prediction of response to therapy in colorectal cancer: a preliminary study. Radiol Med. 2018 Mar;123(3):161-167. doi: 10.1007/s11547-017-0833-8. Epub 2017 Nov 8.
- Ferrari R, Mancini-Terracciano C, Voena C, Rengo M, Zerunian M, Ciardiello A, Grasso S, Mare' V, Paramatti R, Russomando A, Santacesaria R, Satta A, Solfaroli Camillocci E, Faccini R, Laghi A. MR-based artificial intelligence model to assess response to therapy in locally advanced rectal cancer. Eur J Radiol. 2019 Sep;118:1-9. doi: 10.1016/j.ejrad.2019.06.013. Epub 2019 Jun 22.
- Horvat N, Bates DDB, Petkovska I. Novel imaging techniques of rectal cancer: what do radiomics and radiogenomics have to offer? A literature review. Abdom Radiol (NY). 2019 Nov;44(11):3764-3774. doi: 10.1007/s00261-019-02042-y.
- Trinh A, Trumpi K, De Sousa E Melo F, Wang X, de Jong JH, Fessler E, Kuppen PJ, Reimers MS, Swets M, Koopman M, Nagtegaal ID, Jansen M, Hooijer GK, Offerhaus GJ, Kranenburg O, Punt CJ, Medema JP, Markowetz F, Vermeulen L. Practical and Robust Identification of Molecular Subtypes in Colorectal Cancer by Immunohistochemistry. Clin Cancer Res. 2017 Jan 15;23(2):387-398. doi: 10.1158/1078-0432.CCR-16-0680. Epub 2016 Jul 26.
Fechas de registro del estudio
Fechas importantes del estudio
Inicio del estudio (Actual)
Finalización primaria (Estimado)
Finalización del estudio (Estimado)
Fechas de registro del estudio
Enviado por primera vez
Primero enviado que cumplió con los criterios de control de calidad
Publicado por primera vez (Actual)
Actualizaciones de registros de estudio
Última actualización publicada (Actual)
Última actualización enviada que cumplió con los criterios de control de calidad
Última verificación
Más información
Términos relacionados con este estudio
Términos MeSH relevantes adicionales
Otros números de identificación del estudio
- IG24974
Información sobre medicamentos y dispositivos, documentos del estudio
Estudia un producto farmacéutico regulado por la FDA de EE. UU.
Estudia un producto de dispositivo regulado por la FDA de EE. UU.
Esta información se obtuvo directamente del sitio web clinicaltrials.gov sin cambios. Si tiene alguna solicitud para cambiar, eliminar o actualizar los detalles de su estudio, comuníquese con register@clinicaltrials.gov. Tan pronto como se implemente un cambio en clinicaltrials.gov, también se actualizará automáticamente en nuestro sitio web. .
Ensayos clínicos sobre Cáncer de colon en estadio II
-
Case Comprehensive Cancer CenterNational Cancer Institute (NCI)TerminadoCáncer de colon en estadio I | Cáncer de recto en estadio I | Cáncer de colon en estadio II | Cáncer de recto en estadio II | Cáncer de colon en estadio III | Cáncer de recto en estadio IIIEstados Unidos
-
Novartis PharmaceuticalsTerminadoTumores Sólidos para Fase Ib | Cáncer de páncreas para fase II | Cáncer colorrectal para fase IIEstados Unidos, Canadá, Australia, Bélgica, Alemania, Países Bajos, España
-
Sohag UniversityActivo, no reclutandoCáncer de colon en estadio II | Cáncer de colon en estadio IEgipto
-
National Cancer Institute (NCI)TerminadoCáncer de colon en estadio II | Cáncer de colon en estadio IIIEstados Unidos
-
Technische Universität DresdenReclutamientoCáncer de colon en estadio IIAlemania
-
Vaccinogen IncDesconocidoCáncer de colon en estadio IIEstados Unidos
-
Austrian Breast & Colorectal Cancer Study GroupTerminadoCáncer de colon en estadio IIAustria
-
Sun Yat-sen UniversityReclutamientoCáncer de colon en estadio II | Cáncer de colon en estadio IIIPorcelana
-
Boryung Pharmaceutical Co., LtdReclutamientoCáncer de colon en estadio II | Cáncer de colon en estadio IIICorea, república de
-
National Cancer Institute (NCI)TerminadoAdenocarcinoma de recto | Cáncer de colon en estadio I | Cáncer de recto en estadio I | Cáncer de colon en estadio II | Cáncer de recto en estadio II | Cáncer de colon en estadio III | Cáncer de recto en estadio III | Adenocarcinoma de ColonEstados Unidos