Tämä sivu käännettiin automaattisesti, eikä käännösten tarkkuutta voida taata. Katso englanninkielinen versio lähdetekstiä varten.

Munuaiskasvainten hallinnan optimointi tekoälymoduulien avulla

sunnuntai 16. maaliskuuta 2025 päivittänyt: Shao Pengfei

Mutimodaalinen tekoäly munuaiskasvainten hallinnan optimoimiseksi: diagnoosi, leikkaus ja ennuste

Tämän havainnointitutkimuksen tavoitteena on parantaa munuaiskasvainten hoitoa multimodaalisen tekoälyn (AI) avulla. Se mittaa myös tekoälymallien ennusteiden tarkkuutta. Tärkeimmät kysymykset, joihin se pyrkii vastaamaan, ovat:

voiko tekoälymoduuli tarjota tarkasti kasvaimiin liittyviä tietoja, kuten hyvänlaatuisia tai pahanlaatuisia, alatyyppejä, luokittelua, vaihetta jne. oppimalla leikkausta edeltävistä TT-kuvista.
voiko tekoälymoduuli auttaa kliinikoita löytämään sopivimman leikkausohjelman ihmisille, joilla on munuaiskasvain.
pystyykö tekoälymoduuli integroimaan CT-kuvia ja patologisia dioja tarjoamalla täydentävää ennustetietoa leikkauksen jälkeisen eloonjäämisen parantamiseksi.

Osallistujat, jotka suorittavat TT-tutkimuksen (yleensä kontrastitehostettu CT, CECT) ja joutuvat läpi radikaalin tai osittaisen nefrektomia, suorittavat aktiivisen seurannan ja tallentavat leikkauksen jälkeisiä eloonjäämistietoja 5 vuoden ajan.

Tutkimuksen yleiskatsaus

Tila

Rekrytointi

Ehdot

Yksityiskohtainen kuvaus

Tässä tutkimuksessa tekoälymalli tutkii ja selventää munuaiskasvainten CT-kuvien ja patologisten kuvien ominaisuuksia, joita on vaikea havaita manuaalisesti, ja korreloi ne sitten kliinisten tulosten kanssa, mikä parantaa munuaisten kasvainten diagnoosi- ja hoitoprosessia. Ensinnäkin malli voi erottaa tarkasti munuaiskasvainten alatyypit ja ennustaa vaiheen, asteen ja monimutkaisuuden, jotta voidaan välttää virhediagnoosit ja auttaa kliinikkoja hoitosuunnitelmien laatimisessa. Toiseksi, leikkausvideoista oppimalla malli voi tarjota lisätietoa leikkausten aikana, kuten tärkeitä anatomisia maamerkkejä, kasvainten sijaintia. Lopuksi, yhdistämällä radiomiikka ja patomiikka, malli voi erottaa korkean riskin ja matalan riskin potilaat leikkauksen jälkeen, mikä tarjoaa henkilökohtaista ennusteohjausta.

Opintotyyppi

Havainnollistava

Ilmoittautuminen (Arvioitu)

2100

Yhteystiedot ja paikat

Tässä osiossa on tutkimuksen suorittajien yhteystiedot ja tiedot siitä, missä tämä tutkimus suoritetaan.

Opiskeluyhteys

Nimi: Shao Pengfei, Professor
Puhelinnumero: +8613851925825
Sähköposti: spf032@hotmail.com

Tutki yhteystietojen varmuuskopiointi

Nimi: Miao Haoqi, Postgraduate
Puhelinnumero: +8613276636957
Sähköposti: mhq@stu.njmu.edu.cn

Opiskelupaikat

Kiina
- Jiangsu
  - Nanjing, Jiangsu, Kiina, 210036
    - Rekrytointi
    - The First Affiliated Hospital of Nanjing Medical University (Jiangsu Provincial People's Hospital)
    - Ottaa yhteyttä:
      
      Shao Pengfei, Professor
      
      Puhelinnumero: +8613851925825
      
      Sähköposti: spf032@hotmail.com
    - Ottaa yhteyttä:
      
      Miao Haoqi, Postgraduate
      
      Puhelinnumero: +8613276636957
      
      Sähköposti: mhq@stu.njmu.edu.cn

Osallistumiskriteerit

Tutkijat etsivät ihmisiä, jotka sopivat tiettyyn kuvaukseen, jota kutsutaan kelpoisuuskriteereiksi. Joitakin esimerkkejä näistä kriteereistä ovat henkilön yleinen terveydentila tai aiemmat hoidot.

Kelpoisuusvaatimukset

Opintokelpoiset iät

Aikuinen
Vanhempi Aikuinen

Hyväksyy terveitä vapaaehtoisia

Näytteenottomenetelmä

Ei-todennäköisyysnäyte

Tutkimusväestö

Potilaat, joilla on munuaiskasvaimet kuvantamistutkimuksissa ja joille tehtiin leikkaus

Kuvaus

Sisällön kriteerit:

Potilaat, joilla on munuaiskasvain, joka voidaan hoitaa leikkauksella;
Suorita CECT 30 päivän sisällä ennen leikkausta;
Potilaat, jotka ymmärtävät täysin tämän tutkimuksen ja allekirjoittavat tietoisen suostumuksen;

Poissulkemiskriteerit:

Potilaat, joiden kliinisistä ja patologisista lähtötiedoista puuttuu jokin kohta;
Potilaat, joilla on jo metastasoitunut kasvain löydettäessä;
Aiempi hoito missä tahansa muodossa, mukaan lukien leikkaus, kohdennettu hoito ja immunoterapia;

Opintosuunnitelma

Tässä osiossa on tietoja tutkimussuunnitelmasta, mukaan lukien kuinka tutkimus on suunniteltu ja mitä tutkimuksella mitataan.

Miten tutkimus on suunniteltu?

Suunnittelun yksityiskohdat

Mitä tutkimuksessa mitataan?

Ensisijaiset tulostoimenpiteet

Tulosmittaus	Toimenpiteen kuvaus	Aikaikkuna
Tekoälymallien suorituskyvyn arvioiminen kattavalla "AUC"-arviointimallilla Aikaikkuna: Ilmoittautumisesta 5-vuotisen seurannan loppuun	"AUC" viittaa alueeseen ROC (Receiver Operating Characteristic) -käyrän alla, joka osoittaa mallin suorituskyvyn ennakoitaessa eturauhassyövän immunohistokemiaan liittyvää patologista tietoa leikkauksen jälkeen, ja AUC vaihtelee välillä 0-1, suuremmalla arvolla. mikä osoittaa paremman ennustevaikutuksen.	Ilmoittautumisesta 5-vuotisen seurannan loppuun

Toissijaiset tulostoimenpiteet

Tulosmittaus	Toimenpiteen kuvaus	Aikaikkuna
Mallin suorituskyvyn arvioiminen osallistujien ennusteen ennustamiseksi leikkauksen jälkeen Kaplan-Meier Survival Analysis -analyysillä Aikaikkuna: Ilmoittautumisesta 5-vuotisen seurannan loppuun	Kaplan-Meier Survival Analysis on ei-parametrinen tilasto, jota käytetään pääasiassa selvittämään selviytymistä osoittavia tekijöitä.	Ilmoittautumisesta 5-vuotisen seurannan loppuun

Yhteistyökumppanit ja tutkijat

Täältä löydät tähän tutkimukseen osallistuvat ihmiset ja organisaatiot.

Sponsori

Shao Pengfei

Opintojen ennätyspäivät

Nämä päivämäärät seuraavat ClinicalTrials.gov-sivustolle lähetettyjen tutkimustietueiden ja yhteenvetojen edistymistä. National Library of Medicine (NLM) tarkistaa tutkimustiedot ja raportoidut tulokset varmistaakseen, että ne täyttävät tietyt laadunvalvontastandardit, ennen kuin ne julkaistaan julkisella verkkosivustolla.

Opi tärkeimmät päivämäärät

Opiskelun aloitus (Todellinen)

Keskiviikko 1. tammikuuta 2025

Ensisijainen valmistuminen (Arvioitu)

Lauantai 1. tammikuuta 2028

Opintojen valmistuminen (Arvioitu)

Lauantai 31. joulukuuta 2033

Opintoihin ilmoittautumispäivät

Ensimmäinen lähetetty

Maanantai 2. joulukuuta 2024

Ensimmäinen toimitettu, joka täytti QC-kriteerit