Cette page a été traduite automatiquement et l'exactitude de la traduction n'est pas garantie. Veuillez vous référer au version anglaise pour un texte source.

Améliorer le traitement du glioblastome : distinguer la progression de la pseudo-progression

20 avril 2023 mis à jour par: Guy's and St Thomas' NHS Foundation Trust

Améliorer le traitement du glioblastome en distinguant la progression de la pseudo-progression en appliquant des techniques d'apprentissage automatique aux données cliniques de routine

Le glioblastome est le type de cancer du cerveau le plus agressif et entraîne en moyenne 20 années de vie perdues, plus que tout autre cancer. Des images IRM du cerveau sont prises avant l'opération, et tous les quelques mois après le traitement, pour voir si le cancer repousse. Il peut être difficile pour les médecins de dire si ce qu'ils voient sur ces images représente un cancer en croissance ou un effet secondaire du traitement. La similitude de l'apparence des effets secondaires du traitement avec le cancer prête à confusion et est connue sous le nom de "pseudo-progression" (par opposition à la véritable progression du cancer).

Si les médecins confondent l'apparence des effets secondaires du traitement avec la croissance du cancer, ils peuvent penser que le traitement échoue et modifier le traitement du patient trop tôt ou le soumettre à un essai clinique. Cela signifie que les patients peuvent ne pas recevoir le traitement complet et que les résultats de certains essais cliniques ne sont pas fiables.

L'objectif de cette étude est de fournir aux médecins un programme informatique qui utilisera les images IRM du cerveau obtenues en routine tout au long du traitement, afin de les aider à identifier plus précisément le moment où le cancer repousse.

Aperçu de l'étude

Statut

Recrutement

Les conditions

Description détaillée

L'impact de la pseudo-progression est important sur les soins aux patients et la recherche médicale. Les preuves existantes montrent qu'il est possible d'utiliser des modèles de classification Support Vector Machine et Deep Learning pour prédire la survie à l'aide d'images IRM de routine ainsi que pour différencier la progression de la pseudo-progression. Les chercheurs souhaitent capturer l'évolution du signal au fil du temps dans les images IRM de routine à l'aide de cartes de réponse paramétriques (via une méthode d'enregistrement d'image postopératoire à préopératoire de pointe qu'ils ont développée) et utiliser ces classificateurs pour différencier la progression de la pseudo-progression. La recherche proposée par les chercheurs est nécessaire pour fournir une solution au problème de la pseudo-progression et être mise en œuvre facilement et efficacement dans tout le NHS. Surtout, cela ne dépend pas des techniques d'imagerie avancées.

Les données recueillies au KCH au cours des 24 derniers mois montrent que, même dans un centre d'imagerie des gliomes de premier plan, seuls 66 % des patients avaient une imagerie avancée (par ex. DSC-IRM) réalisée au moment de l'augmentation de la prise de contraste, c'est-à-dire de la progression possible. L'objectif principal de cette recherche est d'utiliser les données cliniques d'IRM de routine afin de former le classifieur. Cela augmentera l'utilité du classificateur, car ces données IRM de routine peuvent être acquises par tous les centres d'imagerie, et le nouveau classificateur peut donc fournir une solution beaucoup plus rentable qu'un classificateur alternatif qui peut dépendre de techniques d'imagerie avancées.

La formation initiale, les tests et la validation croisée d'un modèle de classification seront effectués à l'aide de données IRM de glioblastome obtenues à partir d'archives d'imagerie accessibles au public et du King's College Hospital (KCH) de Londres. Pour la validation clinique, le modèle formé sera soumis à des tests utilisant les données IRM de patients recrutés de manière prospective.

Type d'étude

Observationnel

Inscription (Anticipé)

500

Contacts et emplacements

Cette section fournit les coordonnées de ceux qui mènent l'étude et des informations sur le lieu où cette étude est menée.

Coordonnées de l'étude

Sauvegarde des contacts de l'étude

Lieux d'étude

      • Brighton, Royaume-Uni, BN2 5BE
        • Recrutement
        • Royal Sussex County Hospital, Brighton and Sussex University Hospitals NHS Trust
        • Chercheur principal:
          • Ed Chandy
      • Cardiff, Royaume-Uni, CF14 2TL
        • Recrutement
        • Velindre Cancer Centre, Velindre University NHS Trust
        • Chercheur principal:
          • James Powell
      • Dundee, Royaume-Uni, DD1 9SY
        • Recrutement
        • Ninewells Hospital and Medical School, NHS Tayside
        • Chercheur principal:
          • Avinash Kanodia
      • Hull, Royaume-Uni, HU3 2KZ
        • Recrutement
        • Hull Royal Infirmary, Hull University Teaching Hospitals NHS Trust
        • Chercheur principal:
          • Chris Rowland Hill
      • Leeds, Royaume-Uni, LS1 3EX
        • Recrutement
        • Leeds General Infirmary, The Leeds Teaching Hospitals NHS Trust
        • Chercheur principal:
          • Ryan Mathew
      • London, Royaume-Uni, W6 8RF
        • Recrutement
        • Charing Cross Hospital, Imperial College Healthcare NHS Trust
      • London, Royaume-Uni, SE1 9RT
        • Recrutement
        • Guy's Hospital, Guy's and St Thomas' NHS Foundation Trust
        • Chercheur principal:
          • Haris Shuaib
      • London, Royaume-Uni, SE5 9RS
        • Recrutement
        • King's College Hospital, King's College Hospital NHS Trust
      • London, Royaume-Uni, WC1N 3BG
        • Recrutement
        • National Hospital for Neurology and Neurosurgery, University College London Hospitals NHS Foundation Trust
        • Chercheur principal:
          • Steffi Thust
      • Manchester, Royaume-Uni, M20 4BX
        • Recrutement
        • The Christie Hospital, The Christie NHS Foundation Trust
        • Chercheur principal:
          • Sean Tenant
      • Newcastle, Royaume-Uni, NE7 7DN
        • Recrutement
        • Newcastle upon Tyne Hospitals NHS Foundation Trust- Newcastle Freeman Hospital
        • Chercheur principal:
          • Joanne Lewis
      • Nottingham, Royaume-Uni, NG7 2UH
        • Recrutement
        • Nottingham University Hospitals NHS Trust- City Hospital
      • Plymouth, Royaume-Uni, PL6 8DH
        • Recrutement
        • University Hospitals Plymouth NHS Trust
        • Chercheur principal:
          • Mark Thurston
      • Preston, Royaume-Uni, PR2 9HT
        • Recrutement
        • Lancashire Teaching Hospitals NHS Foundation Trust
        • Chercheur principal:
          • Erica Beamount
      • Sutton, Royaume-Uni, SM2 5PT
        • Recrutement
        • The Royal Marsden Hospital, Royal Marsden NHS Foundation Trust
        • Chercheur principal:
          • Liam Welsh

Critères de participation

Les chercheurs recherchent des personnes qui correspondent à une certaine description, appelée critères d'éligibilité. Certains exemples de ces critères sont l'état de santé général d'une personne ou des traitements antérieurs.

Critère d'éligibilité

Âges éligibles pour étudier

18 ans à 80 ans (Adulte, Adulte plus âgé)

Accepte les volontaires sains

Non

Méthode d'échantillonnage

Échantillon non probabiliste

Population étudiée

Patients atteints de glioblastome de haut grade

La description

Critère d'intégration:

  • Diagnostiqué avec un glioblastome (classe IV de l'Organisation mondiale de la santé)
  • Patient subissant le régime de traitement Stupp standard
  • Avoir subi une échographie préopératoire et au moins une échographie de suivi après la chimioradiothérapie

Critère d'exclusion:

  • Suivi clinique et radiologique insuffisant
  • Le traitement du patient s'écarte considérablement du régime Stupp standard, par exemple, ils sont recrutés dans des essais interventionnels et des informations suffisantes ne sont pas connues sur le traitement d'essai du patient
  • Patients recevant un traitement avec des inhibiteurs de l'angiogenèse tels que le bevacizumab avant la fin du régime Stupp

Plan d'étude

Cette section fournit des détails sur le plan d'étude, y compris la façon dont l'étude est conçue et ce que l'étude mesure.

Comment l'étude est-elle conçue ?

Détails de conception

  • Modèles d'observation: Cohorte
  • Perspectives temporelles: Éventuel

Que mesure l'étude ?

Principaux critères de jugement

Mesure des résultats
Description de la mesure
Délai
Précision du modèle d'intelligence artificielle
Délai: Jusqu'à 36 mois
Défini par une matrice de confusion de sensibilité et de spécificité aux vrais positifs et aux vrais négatifs.
Jusqu'à 36 mois

Mesures de résultats secondaires

Mesure des résultats
Description de la mesure
Délai
Taux d'échec du modèle d'intelligence artificielle
Délai: Jusqu'à 36 mois
Le taux auquel le test ne peut pas fournir de résultat (par ex. en raison de données de mauvaise qualité ou manquantes)
Jusqu'à 36 mois

Collaborateurs et enquêteurs

C'est ici que vous trouverez les personnes et les organisations impliquées dans cette étude.

Collaborateurs

Les enquêteurs

  • Chercheur principal: Thomas Booth, King's College London

Dates d'enregistrement des études

Ces dates suivent la progression des dossiers d'étude et des soumissions de résultats sommaires à ClinicalTrials.gov. Les dossiers d'étude et les résultats rapportés sont examinés par la Bibliothèque nationale de médecine (NLM) pour s'assurer qu'ils répondent à des normes de contrôle de qualité spécifiques avant d'être publiés sur le site Web public.

Dates principales de l'étude

Début de l'étude (Réel)

21 mars 2019

Achèvement primaire (Anticipé)

26 mai 2024

Achèvement de l'étude (Anticipé)

26 mai 2025

Dates d'inscription aux études

Première soumission

21 avril 2020

Première soumission répondant aux critères de contrôle qualité

21 avril 2020

Première publication (Réel)

24 avril 2020

Mises à jour des dossiers d'étude

Dernière mise à jour publiée (Réel)

21 avril 2023

Dernière mise à jour soumise répondant aux critères de contrôle qualité

20 avril 2023

Dernière vérification

1 avril 2023

Plus d'information

Termes liés à cette étude

Plan pour les données individuelles des participants (IPD)

Prévoyez-vous de partager les données individuelles des participants (DPI) ?

INDÉCIS

Description du régime IPD

Des ensembles de données entièrement anonymisés (y compris l'imagerie et les données cliniques pertinentes) peuvent être partagés à la fin de l'étude avec des référentiels publics dans le but de poursuivre la recherche et d'étendre les collaborations tant que toutes les réglementations liées à la base de données ont été entièrement approuvées par l'HRA et REC.

Informations sur les médicaments et les dispositifs, documents d'étude

Étudie un produit pharmaceutique réglementé par la FDA américaine

Non

Étudie un produit d'appareil réglementé par la FDA américaine

Non

Ces informations ont été extraites directement du site Web clinicaltrials.gov sans aucune modification. Si vous avez des demandes de modification, de suppression ou de mise à jour des détails de votre étude, veuillez contacter register@clinicaltrials.gov. Dès qu'un changement est mis en œuvre sur clinicaltrials.gov, il sera également mis à jour automatiquement sur notre site Web .

S'abonner