Multimodaalisen fuusion keinotekoisen älykkyysmallin kehittäminen ja tulevaisuuden validointi virtsarakon syövän neoadjuvanttisen hoidon tehokkuuden ennustamiseksi
Tutkimuksen yleiskatsaus
Tila
Ehdot
Interventio / Hoito
Yksityiskohtainen kuvaus
Virtsarakon syöpä on yksi yleisimmistä sukupuolielinten järjestelmän pahanlaatuisista kasvaimista maailmanlaajuisesti. Lihas - invasiivinen virtsarakon syöpä, joka on sovellettava radikaaliin resektioon, tavanomainen hoito on neoadjuvanttihoito yhdistettynä radikaaliin kystektomiaan, neoadjuvanttihoidolla on ratkaiseva rooli. Tällä hetkellä lukuisat tutkimukset ovat osoittaneet, että sisplatiinipohjainen neoadjuvanttikemoterapia voi alentaa kasvaimia, vähentää virtsarakon syöpäpotilaiden kuolleisuuden riskiä, parantaa eloonjäämisastetta ja parantaa ennustetta. Myös muita hoitomenetelmiä, kuten neoadjuvanttia immunoterapia, kohdennettu terapia ja yhdistelmähoidot, tutkitaan myös. Vastaukset neoadjuvanttihoitoon vaihtelevat kuitenkin virtsarakon syöpäpotilaiden keskuudessa, ja jotkut eivät saavuttaneet haluttuja terapeuttisia tavoitteita. Siksi osallistujien vasteen ennustaminen tarkasti voi tarjota tärkeän viitteen virtsarakon syövän henkilökohtaiseen ja tarkkaan hoitoon.
Viime vuosina, kun laskennallisen voiman ja tietojen tallennuskapasiteetin edistymistä, tekoälyä (AI) on sovellettu laajasti digitaalisen diagnostiikan alalla. AI -tekniikat voivat poimia ja integroida suuren määrän ominaisuuksia multimodaalisista tiedoista, kuten patologiasta, kuvantamisesta ja kliinisistä tietueista, mikä mahdollistaa tarkat sairauden diagnoosin, ennusteen arvioinnin ja hoidon ennustamisen. Kasvaimenhoitoa koskevan ennustamisen alalla multimodaalinen AI -tekniikka on saavuttanut useita läpimurtoja, kehittämällä tehokkuuden ennustamismalleja kasvaimille, kuten peräsuolen ja rintasyövän kuvantamisen ja patologisen tiedon perusteella, ja mallien yleistämisominaisuuksien validointi ulkoisen validoinnin avulla.
Siksi tutkijat aikovat rakentaa ja validoi "virtsarakon syöpä neoadjuvantihoidon tehokkuusennustemallin", joka perustuu multimodaalisiin tietoihin, kuten MRI -kuviin, digitaalisiin patologiakuviin ja virtsarakon syöpäpotilaiden kliinisiin tietoihin, ja kehittävät AI -avustetut ennusteohjelmat uusadjuvanttikäsittelyn tehokkuuteen virtsarakon syöpään. Tutkijat toivovat, että tämä AI -diagnostinen malli voi toimia apulaitteina auttaakseen lääkäreitä stratifioimaan neoadjuvanttisen hoidon tehokkuutta virtsarakon syöpäpotilailla, muotoilemalla tarkkoja hoitosuunnitelmia vähentäen ihmisten ja aineellisten resurssien kulutusta ja tarttumalla optimaalisiin hoitomahdollisuuksiin.
Opintotyyppi
Ilmoittautuminen (Todellinen)
Yhteystiedot ja paikat
Opiskelupaikat
-
-
Guangdong
-
Guangzhou, Guangdong, Kiina, 510080
- Sun Yat-Sen Memorial Hospital of Sun Yat-Sen University
-
-
Osallistumiskriteerit
Kelpoisuusvaatimukset
Opintokelpoiset iät
- Lapsi
- Aikuinen
- Vanhempi Aikuinen
Hyväksyy terveitä vapaaehtoisia
Näytteenottomenetelmä
Tutkimusväestö
Kuvaus
Sisällyttämiskriteerit:
- Virtsarakon vauriot miehittävät virtsarakon syövän histopatologisen vahvistuksen resektion jälkeen.
- Suunniteltu neoadjuvanttihoito ja radikaali kystektomia.
Poissulkemiskriteerit:
- Potilaat, joille ei ole suoritettu vakiovirtsarakon kuvantamistutkimuksia tai joilla on puuttuvaa kuvantamista tai patologista tietoa.
- Potilaat, jotka ovat saaneet paikallisia hoitoja (kuten interventio embolisaatio) tai systeemisiä hoitoja (kuten sädehoito, kemoterapia, immunoterapia tai kohdennettu terapia).
- Kuvantamisen tai patologisten kuvien huono laatu.
Opintosuunnitelma
Miten tutkimus on suunniteltu?
Suunnittelun yksityiskohdat
Kohortit ja interventiot
Ryhmä/Kohortti |
Interventio / Hoito |
|---|---|
|
Potilaat, joilla on virtsarakon syöpä neoadjuvantihoito,
Potilaat Patologinen diagnosoitu virtsarakon syöpä, kun ne saavat neoadjuvanttihoitoa.
|
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.
|
Mitä tutkimuksessa mitataan?
Ensisijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
AUC (Area Under the Receiver Operating Characteristic Curve)
Aikaikkuna: 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.
|
Toissijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
sensitivity
Aikaikkuna: 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
Aikaikkuna: 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.
|
Yhteistyökumppanit ja tutkijat
Opintojen ennätyspäivät
Opi tärkeimmät päivämäärät
Opiskelun aloitus (Todellinen)
Ensisijainen valmistuminen (Todellinen)
Opintojen valmistuminen (Todellinen)
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
- Urogenitaaliset sairaudet
- Urogenitaaliset kasvaimet
- Neoplasmat sivustoittain
- Neoplasmat
- Miesten urogenitaaliset sairaudet
- Urologiset sairaudet
- Naisten virtsa- ja sukupuolielinten sairaudet
- Naisten virtsa- ja sukupuolielinten sairaudet ja raskauden komplikaatiot
- Urologiset kasvaimet
- Virtsarakon sairaudet
- Neoplasmat
- Algoritmit
- Matemaattiset käsitteet
- Tekoäly
Muut tutkimustunnusnumerot
- SYSKY-2024-738-01
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 .