Développement et validation prospective d'un modèle d'intelligence artificielle de fusion multimodale pour prédire l'efficacité du traitement néoadjuvant du cancer de la vessie
Aperçu de l'étude
Statut
Les conditions
Intervention / Traitement
Description détaillée
Le cancer de la vessie est l'une des tumeurs malignes les plus courantes du système génito-urinaire dans le monde. Pour le cancer de la vessie invasif pouvant être une résection radicale, le traitement standard est une thérapie néoadjuvante combinée à une cystectomie radicale, avec une thérapie néoadjuvante jouant un rôle crucial. Actuellement, de nombreuses études ont montré que la chimiothérapie néoadjuvante basée sur le cisplatine peut faire des tumeurs en baisse, réduire le risque de mortalité chez les patients atteints de cancer de la vessie, améliorer les taux de survie et améliorer le pronostic. D'autres approches de traitement telles que l'immunothérapie néoadjuvante, la thérapie ciblée et les thérapies combinées sont également à l'étude. Cependant, les réponses à la thérapie néoadjuvante varient selon les patients atteints de cancer de la vessie, certains n'atteignant pas les objectifs thérapeutiques souhaités. Par conséquent, la prévision avec précision de la réponse des participants au traitement peut fournir une référence importante pour le traitement personnalisé et précis du cancer de la vessie.
Ces dernières années, en tant que progrès de la puissance de calcul et de la capacité de stockage des données, l'intelligence artificielle (IA) a été largement appliquée dans le domaine des diagnostics numériques. Les technologies de l'IA peuvent extraire et intégrer un grand nombre de caractéristiques à partir de données multimodales telles que la pathologie, l'imagerie et les dossiers cliniques, permettant un diagnostic précis de la maladie, une évaluation du pronostic et une prédiction du traitement. Dans le domaine de la prédiction du traitement tumoral, les technologies d'IA multimodales ont atteint de nombreuses percées, développant des modèles de prédiction d'efficacité pour les tumeurs telles que le cancer du rectal et le sein basé sur l'imagerie et les données pathologiques et valider les capacités de généralisation des modèles par une validation externe.
Par conséquent, les enquêteurs prévoient de construire et de valider un "modèle de prédiction d'efficacité du traitement néoadjuvant du cancer de la vessie" basé sur des données multimodales telles que les images IRM, les images de pathologie numérique et les dossiers cliniques des patients atteints de cancer de la vessie, et développent un logiciel de prédiction assisté par l'IA pour l'efficacité du traitement au néoadjuvant dans le cancer de la vessie. Les enquêteurs espèrent que ce modèle de diagnostic d'IA pourra servir d'outil auxiliaire pour aider les cliniciens à stratifier l'efficacité du traitement néoadjuvant chez les patients atteints de cancer de la vessie, formulant ainsi des plans de traitement précis, réduisant la consommation de ressources humaines et matérielles et saisissant les opportunités de traitement optimales.
Type d'étude
Inscription (Réel)
Contacts et emplacements
Lieux d'étude
-
-
Guangdong
-
Guangzhou, Guangdong, Chine, 510080
- Sun Yat-Sen Memorial Hospital of Sun Yat-Sen University
-
-
Critères de participation
Critère d'éligibilité
Âges éligibles pour étudier
- Enfant
- Adulte
- Adulte plus âgé
Accepte les volontaires sains
Méthode d'échantillonnage
Population étudiée
La description
Critères d'inclusion:
- Les lésions occupant la vessie, avec confirmation histopathologique du cancer de la vessie après résection.
- Thérapie néoadjuvante planifiée et cystectomie radicale.
Critères d'exclusion:
- Les patients qui n'ont pas subi d'examen d'imagerie de la vessie standard ou qui ont des données d'imagerie ou de pathologiques manquantes.
- Les patients qui ont reçu des traitements locaux (tels que l'embolisation interventionnelle) ou des traitements systémiques (tels que la radiothérapie, la chimiothérapie, l'immunothérapie ou la thérapie ciblée).
- Mauvaise qualité de l'imagerie ou des images pathologiques.
Plan d'étude
Comment l'étude est-elle conçue ?
Détails de conception
Cohortes et interventions
Groupe / Cohorte |
Intervention / Traitement |
|---|---|
|
Patients atteints de cancer de la vessie subissant une thérapie néoadjuvante
Les patients pathologiques diagnostiqués avec un cancer de la vessie subissant une thérapie néoadjuvante.
|
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.
|
Que mesure l'étude ?
Principaux critères de jugement
Mesure des résultats |
Description de la mesure |
Délai |
|---|---|---|
|
AUC (Area Under the Receiver Operating Characteristic Curve)
Délai: 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.
|
Mesures de résultats secondaires
Mesure des résultats |
Description de la mesure |
Délai |
|---|---|---|
|
sensitivity
Délai: 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
Délai: 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.
|
Collaborateurs et enquêteurs
Dates d'enregistrement des études
Dates principales de l'étude
Début de l'étude (Réel)
Achèvement primaire (Réel)
Achèvement de l'étude (Réel)
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
Mots clés
Termes MeSH pertinents supplémentaires
- Maladies urogénitales
- Tumeurs urogénitales
- Tumeurs par site
- Tumeurs
- Maladies urogénitales masculines
- Maladies urologiques
- Maladies urogénitales féminines
- Maladies urogénitales féminines et complications de la grossesse
- Tumeurs urologiques
- Maladies de la vessie urinaire
- Tumeurs
- Algorithmes
- Concepts mathématiques
- Intelligence artificielle
Autres numéros d'identification d'étude
- SYSKY-2024-738-01
Plan pour les données individuelles des participants (IPD)
Prévoyez-vous de partager les données individuelles des participants (DPI) ?
Description du régime IPD
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 .