ALK -digitaalinen patologian tulosten ennalta, moni -institutionaalinen, roskektiivinen tutkimus (ALKDigPath)
Alk digitaalinen patologian tulosennuste
Tutkimuksen yleiskatsaus
Tila
Yksityiskohtainen kuvaus
Tämä on retrospektiivinen tutkimus. Kaikki tiedot on kerätty eri ajankohtina potilaiden rutiininomaisten vierailujen aikana sairaalassa.
- Retrospektiivisen ALK-positiivisten potilaiden kerääminen, jolla on pitkälle edennyt NSCLC, jotka ovat saaneet edistyneen sukupolven ALK-estäjähoitoa ensimmäisenä ALK-estäjänä (ts. alektinibi, lorlatinibi, brigatinibi tai ceritinib): kliinisen tiedon kerääminen, patologinen tieto, vaste hoitoon ja skannaa H&E -kuvia
- Skannattujen H&E -kuvien kuvaanalyysi, tietojen luokittelijan kehittäminen vastaajien tunnistamiseksi verrattuna vastaajiin.
Kuva-analyysi ja AI-kehitys suoritetaan Sheban lääketieteellisessä keskuksessa, sisäisessä kehityksessä. Kliiniset tiedot analysoidaan, merkitsemällä tutkimusnäytteet vastaajaksi (R), vs. vastauksen (NR). Tätä tutkimusta varten NR määritellään potilaaksi, joka on edennyt tai kuollut ALK -estäjän hoidossa ensimmäisen hoidon aikana.
Tutkimustapaukset jaetaan satunnaisesti kolmeen: harjoituskohortti, validointikohortti ja testikohortti. Kohortit kerrostuu vasteena hoitoon (ts. yhtä suuri osuus R vs. NR -tapauksista kussakin kohortissa). Seuraavaksi skannatut kuvat käsitellään ja analysoidaan. Diojen analyysi tehdään Pythonilla käyttämällä Pytorch -paketteja. Lisätilastollinen analyysi tehdään R -tilastollisella ohjelmoinnilla.
Aluksi koko liukukuva (WSI) on jaettu tuhansiin laattoihin. Niitä tutkitaan konvoluutiohermoston verkossa (CNN) laattatasoominaisuuksien purkamiseksi. Käytämme ResNettia, yleistä syvän oppimismallia, jota käytetään tietokoneen näkökulmaan CNN: nä. CNN: tä koulutetaan monen esimerkin oppimisella (MIL) laattatasolla ja myöhemmin ennustetut pisteet yhdistetään WSI -tasolle. Lopullinen malli suoritetaan dioissa, jotta voidaan erottaa R vs. Nr. Luokittelija kehitetään koulutuskohortissa, muokataan tarvittaessa validointikohortin käsittelyn jälkeen ja testataan lopulta testiryhmän tehokkuuden suhteen. Ristivalidointitekniikoita käytetään myös.
Pyrimme käyttämään tätä tekniikkaa tunnistamaan ALK-positiivisten potilaiden alaryhmän, joka saattaa olla ehdokkaita aggressiivisempiin hoitomahdollisuuksiin.
Opintotyyppi
Ilmoittautuminen (Arvioitu)
Yhteystiedot ja paikat
Opiskelupaikat
-
-
-
Ramat Gan, Israel, 5262000
- Sheba medical center
-
-
Osallistumiskriteerit
Kelpoisuusvaatimukset
Opintokelpoiset iät
- Aikuinen
- Vanhempi Aikuinen
Hyväksyy terveitä vapaaehtoisia
Näytteenottomenetelmä
Tutkimusväestö
Kuvaus
Sisällyttämiskriteerit:
- ≥ 18 -vuotias potilas;
- Potilas, jolla on onkologinen sairaus;
- ALK-positiiviset potilaat, joilla on pitkälle edennyt NSCLC, jotka ovat saaneet edistyneen sukupolven ALK-estäjähoitoa ensimmäisenä ALK-estäjänä (ts. alektinibi, lorlatinibi, brigatinibi tai ceritinib)
Poissulkemiskriteerit:
- Viimeisestä onkologisesta hoidosta saatujen tietojen puuttuminen;
- Potilas ilman yleistä tai erityistä suostumusta tähän tutkimukseen
Opintosuunnitelma
Miten tutkimus on suunniteltu?
Suunnittelun yksityiskohdat
Mitä tutkimuksessa mitataan?
Ensisijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
Luokittelija, joka ennustaa tuloksia edistyneille NSCLC ALK+ -potilaille ALK -estäjähoidossa
Aikaikkuna: 36 kuukautta
|
Luokittelija, joka ennustaa lopputulosta edistyneille NSCLC ALK+ -potilaille ALK -estäjän hoidosta, perustuen diagnostisen biopsian digitaalisten patologiakuvien AI -analyysiin
|
36 kuukautta
|
Yhteistyökumppanit ja tutkijat
Sponsori
Tutkijat
- Päätutkija: Jair Bar, MD-PhD, Sheba Medical Cernter
Opintojen ennätyspäivät
Opi tärkeimmät päivämäärät
Opiskelun aloitus (Todellinen)
Ensisijainen valmistuminen (Arvioitu)
Opintojen valmistuminen (Arvioitu)
Opintoihin ilmoittautumispäivät
Ensimmäinen lähetetty
Ensimmäinen toimitettu, joka täytti QC-kriteerit
Ensimmäinen Lähetetty (Todellinen)
Tutkimustietojen päivitykset
Viimeisin päivitys julkaistu (Todellinen)
Viimeisin lähetetty päivitys, joka täytti QC-kriteerit
Viimeksi vahvistettu
Lisää tietoa
Tähän tutkimukseen liittyvät termit
Muita asiaankuuluvia MeSH-ehtoja
Muut tutkimustunnusnumerot
- SMC-9969-22
Yksittäisten osallistujien tietojen suunnitelma (IPD)
Aiotko jakaa yksittäisten osallistujien tietoja (IPD)?
IPD-suunnitelman kuvaus
Lääke- ja laitetiedot, tutkimusasiakirjat
Tutkii yhdysvaltalaista FDA sääntelemää lääkevalmistetta
Tutkii yhdysvaltalaista FDA sääntelemää laitetuotetta
Nämä tiedot haettiin suoraan verkkosivustolta clinicaltrials.gov ilman muutoksia. Jos sinulla on pyyntöjä muuttaa, poistaa tai päivittää tutkimustietojasi, ota yhteyttä register@clinicaltrials.gov. Heti kun muutos on otettu käyttöön osoitteessa clinicaltrials.gov, se päivitetään automaattisesti myös verkkosivustollemme .