- ICH GCP
- Registre américain des essais cliniques
- Essai clinique NCT06108310
RAdiogénomique basée sur l'intelligence artificielle dans les tumeurs du côlon (ATTRACT)
ATTRACT - RAdiogénomique basée sur l'intelligence artificielle dans les tumeurs du côlon
Le but de cet essai clinique est de développer un modèle basé sur l'intelligence artificielle pour évaluer la signature radiogénomique de la tumeur du côlon chez les patients atteints d'un cancer du côlon de stade II-III. La principale question à laquelle elle vise à répondre est la suivante :
• Un algorithme de caractéristiques radiomiques basé sur l'intelligence artificielle, combiné à des facteurs cliniques, des biomarqueurs biochimiques et des données génomiques, peut-il reconnaître le comportement, l'agressivité et le pronostic de la tumeur, identifiant ainsi une signature radiogénomique de la tumeur ?
Les participants
- subir un examen tomodensitométrique préopératoire avec contraste;
- subir une excision chirurgicale du cancer du côlon
- suivre un traitement adjuvant si cela est jugé nécessaire sur la base des lignes directrices actuelles
Aperçu de l'étude
Statut
Les conditions
Description détaillée
L'essai ATTRACT comprend une partie rétrospective et une partie prospective. Dans la partie rétrospective de l'essai, les données radiologiques, pathologiques et génomiques de 300 patients atteints d'un cancer du côlon de stade II-III seront utilisées pour identifier les caractéristiques génétiques et radiomiques des tumeurs du côlon et les paramètres cliniques comme résultats du modèle prédictif.
Les tumeurs seront segmentées manuellement sur des images CT et utilisées pour la génération de modèles d'IA (intelligence artificielle). Les annotations pathologiques seront associées aux profils anonymisés correspondants. L'immunohistochimie sera utilisée pour classer les échantillons dans les 4 sous-types moléculaires selon. Des profils de séquençage d'ARN seront également générés à partir d'échantillons de tissus via une transcriptomique ciblée à l'aide de panels NGS (séquençage de nouvelle génération) personnalisés spécialement conçus pour évaluer l'expression des gènes et évaluer la charge mutationnelle des tumeurs. (TMB). Les données brutes seront traitées et modélisées à l'aide de l'analyse des voies topologiques pour stratifier les patients en fonction des caractéristiques moléculaires pertinentes et définir des annotations moléculaires qui seront utilisées pour former le modèle pour l'identification de groupes spécifiques cliniquement pertinents. Les données brutes ainsi que les données radiologiques seront utilisées pour générer et entraîner les modèles d'IA pour la segmentation automatisée et l'extraction de la signature radiogénomique.
Les caractéristiques radiomiques seront extraites des tumeurs segmentées manuellement. Des outils PyRadiomics standard ainsi que des outils personnalisés seront utilisés. La robustesse des fonctionnalités sera garantie en sélectionnant uniquement celles présentant une corrélation statistique inter-observateur élevée. Deux familles de modèles d'IA seront générées, une famille dédiée à la segmentation et l'autre dédiée au phénotypage radiogénomique en fonction des données cliniques, de biologie moléculaire et pathologiques disponibles. Les deux familles seront fusionnées pour la création du modèle ATTRACT AI. Pour la génération de ces modèles, des architectures spécifiques de réseaux neuronaux convolutifs (CNN) basées sur l'apprentissage profond (DL) et l'intelligence artificielle comme UNet et MaskNet seront appliquées. La formation sera effectuée en utilisant les segmentations manuelles du ROI (région d'intérêt) comme vérité terrain. Pour la génération de modèles d'analyse radiogénomique, les caractéristiques radiomiques et génomiques seront combinées à l'aide de différents algorithmes multivariés. Le classificatoire sera formé pour reconnaître les sous-types de cancer et les paramètres cliniques.
Dans la partie prospective de l'essai, des patients atteints d'un cancer du côlon de stade II-III seront recrutés et subiront un examen tomodensitométrique préopératoire avec contraste. Le rythme de recrutement sera de 70 patients par an, pour un total de 210 patients. Après tomodensitométrie préopératoire, la chirurgie sera réalisée selon les protocoles standards internationaux. Éventuellement, un traitement adjuvant sera envisagé conformément aux directives actuelles. Un échantillon pathologique de l'inscription prospective sera analysé. Premièrement, avec les données de séquençage d'ARN, le TMB (des gènes codants) et les données cliniques, les patients seront regroupés en utilisant deux techniques différentes : l'algorithme de cluster de Markov (MCL) et le t-SNE (intégration de voisins stochastiques distribués en T), Multi- Clustering de réseau de couches. Les patients seront représentés comme nœud d'un réseau, les bords entre les nœuds seront pondérés et seuillés selon la similarité Jaccard. La similarité sera calculée en plus des informations sur l'expression génique, le TMB et les perturbations provenant de l'analyse des voies topologiques. Les résultats du clustering seront comparés à ceux provenant de l'immunohistochimie. Données de suivi clinique (c.-à-d. résultat de la thérapie, etc...) sera, une fois disponible, également connecté au flux de travail pour renforcer l'apprentissage. Les connaissances extraites seront utilisées pour annoter l'ensemble de données utilisé pour former et valider la classification radiomique. L'échantillon brut sera analysé afin d'extraire différents sous-types moléculaires transcriptomiques (CMS1, CMS2, CMS3, CMS4) conformément au Consortium de sous-typage du cancer colorectal (CRC) (CRCSC) évaluant la présence ou l'absence de modèles de sous-types de base parmi l'expression génique existante. algorithmes de sous-typage CRC basés sur. La concordance entre le profil moléculaire pathologique et l'analyse de l'ADNct au cours du protocole sera liée à la classification radiomique afin de fournir un nouveau modèle d'approche diagnostique global dans le traitement et la surveillance du CCR.
Les données prospectives seront utilisées pour valider les modèles d'IA. Pour les modèles de segmentation, le coefficient Dice sera utilisé comme indicateur pour mesurer le degré de chevauchement entre la segmentation automatisée et experte. Pour le modèle radiogénomique, les performances seront évaluées en utilisant la précision, l'intégrale sous la courbe opérateur du récepteur (ROC-AUC) et la courbe de décision clinique. Les enquêteurs prendront également en considération, afin de sélectionner les meilleurs modèles d'IA, la réponse à la variation des caractéristiques d'entrée et produiront des cartes de saillance où les caractéristiques de l'image d'entrée qui ont principalement contribué à la classification sont mises en évidence.
Une évaluation clinique sera effectuée tous les 6 mois pendant 2 ans, y compris des tests sériques réguliers de CEA (antigène carcinoembryonnaire) et une tomodensitométrie du corps entier tous les 6 à 12 mois chez les patients présentant un risque plus élevé de récidive au cours des 3 premières années suivant l'ESMO (European Society for Medical Oncology). La survie sans maladie (DFS) et la survie sans rechute (RFS) seront calculées.
Type d'étude
Inscription (Estimé)
Contacts et emplacements
Coordonnées de l'étude
- Nom: Andrea Laghi, MD
- Numéro de téléphone: +390633775285
- E-mail: andrea.laghi@uniroma1.it
Lieux d'étude
-
-
RM
-
Roma, RM, Italie, 00189
- Recrutement
- AOU Sant'Andrea
-
Contact:
- Andrea Laghi, MD
- Numéro de téléphone: +390633775285
- E-mail: andrea.laghi@uniroma1.it
-
-
Critères de participation
Critère d'éligibilité
Âges éligibles pour étudier
- Adulte
- Adulte plus âgé
Accepte les volontaires sains
Méthode d'échantillonnage
Population étudiée
La phase de formation consistera en une sélection rétrospective de trois cents patients atteints d'un cancer du côlon de stade II et III pathologiquement prouvé à partir d'une base de données institutionnelle.
Le test et la validation consisteront en une collecte prospective de données auprès d'une nouvelle population de patients. Le recrutement des patients sera effectué par l'unité d'oncologie et l'unité de chirurgie de l'hôpital Sant'Andrea - Université Sapienza de Rome. La pathologie et la génomique seront extraites de l'échantillon obtenu pendant la chirurgie et des échantillons de sang pour l'analyse de l'ADNc seront collectés avant et pendant la chimiothérapie/visites de suivi (dans les 30 jours après la chirurgie colorectale, après 3 puis tous les 6 mois)
La description
Critère d'intégration:
- les patients atteints d'un cancer du côlon de stade II et III pathologiquement prouvé ;
- disponibilité d'un scanner avec temps porte-veineux au moment du diagnostic ;
- disponibilité du panel immunohistochimique
Critère d'exclusion:
- les patients sans images CT avant la résection chirurgicale ;
- patients présentant des tomodensitogrammes caractérisés par des artefacts de mouvement empêchant l'analyse radiomique
Plan d'étude
Comment l'étude est-elle conçue ?
Détails de conception
Que mesure l'étude ?
Principaux critères de jugement
Mesure des résultats |
Délai |
---|---|
Identification de la signature radiogénomique (modèle ATTRACT AI) des tumeurs du côlon de stade II-III
Délai: De janvier 2021 à décembre 2023
|
De janvier 2021 à décembre 2023
|
Mesures de résultats secondaires
Mesure des résultats |
Délai |
---|---|
Corrélation de la signature radiogénomique (modèle ATTRACT AI) du cancer du côlon avec les résultats cliniques (DFS et RFS)
Délai: De janvier 2024 à décembre 2025
|
De janvier 2024 à décembre 2025
|
Collaborateurs et enquêteurs
Parrainer
Collaborateurs
Les enquêteurs
- Chercheur principal: Andrea Laghi, MD, University of Roma La Sapienza
Publications et liens utiles
Publications générales
- 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.
Dates d'enregistrement des études
Dates principales de l'étude
Début de l'étude (Réel)
Achèvement primaire (Estimé)
Achèvement de l'étude (Estimé)
Dates d'inscription aux études
Première soumission
Première soumission répondant aux critères de contrôle qualité
Première publication (Réel)
Mises à jour des dossiers d'étude
Dernière mise à jour publiée (Réel)
Dernière mise à jour soumise répondant aux critères de contrôle qualité
Dernière vérification
Plus d'information
Termes liés à cette étude
Termes MeSH pertinents supplémentaires
Autres numéros d'identification d'étude
- IG24974
Informations sur les médicaments et les dispositifs, documents d'étude
Étudie un produit pharmaceutique réglementé par la FDA américaine
Étudie un produit d'appareil réglementé par la FDA américaine
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 .
Essais cliniques sur Cancer du côlon stade II
-
Technische Universität DresdenRecrutementCancer du côlon stade IIAllemagne
-
Austrian Breast & Colorectal Cancer Study GroupComplétéCancer du côlon stade IIL'Autriche
-
Vaccinogen IncInconnueCancer du côlon de stade IIÉtats-Unis
-
National Cancer Institute, NaplesComplété
-
Asahi Kasei Pharma CorporationComplétéCancer du côlon postopératoire de stade II/IIIJapon
-
Shanghai General Hospital, Shanghai Jiao Tong University...Pas encore de recrutementChimiothérapie adjuvante | Cancer du côlon de stade II
-
Centre Hospitalier Universitaire DijonRecrutementPatients atteints d'un cancer du côlon de stade II réséquéFrance
-
Sohag UniversityActif, ne recrute pasCancer du côlon stade II | Cancer du côlon stade IEgypte
-
Sun Yat-sen UniversityRecrutementCancer du côlon stade II | Cancer du côlon stade IIIChine
-
National Cancer Institute (NCI)ComplétéCancer du côlon de stade II | Cancer du côlon de stade IIIÉtats-Unis