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.

Multimodal Survival Prediction Model for Colorectal Liver Metastases Post-Operation

15 septembre 2026 mis à jour par: Lianxin Liu,PhD, Anhui Provincial Hospital

Construction of a Post-operative Multimodal Survival Prediction Model for Patients With Colorectal Liver Metastases: A Study Based on the Fusion of a Multicenter Cohort and High-dimensional Radiomics

The purpose of this study is to construct and validate a multimodal survival prediction model by integrating 3D radiomics features derived from preoperative magnetic resonance imaging (MRI) with systemic clinical baseline indicators for patients with colorectal liver metastases (CRLM) after surgery. By combining micro-level radiomics signatures reflecting tumor micro-heterogeneity with macro-level clinical parameters (such as liver function and tumor biomarkers), the study aims to accurately evaluate individual post-operative prognostic risks. This quantitative tool will provide reliable decision support for clinicians to customize post-operative follow-up and personalized adjuvant treatment strategies.

Aperçu de l'étude

Description détaillée

This study is based on a strictly screened multicenter cohort of patients with colorectal liver metastases who underwent surgical intervention. First, high-throughput quantitative features are automatically extracted from the 3D regions of interest (ROIs) segmented based on pre-operative magnetic resonance imaging (MRI). Advanced machine learning dimensionality reduction algorithms are subsequently applied to eliminate redundant variables and select core imaging signatures that deeply reflect tumor micro-heterogeneity, microvascular proliferation, and invasive status. On this basis, these micro-level radiomics features are fused with macro-level clinical parameters, including liver function indexes and tumor load markers. Multivariable survival analysis models are performed to identify independent prognostic factors, which are further used to develop a visual and intuitive predictive nomogram tool. Finally, time-dependent evaluation metrics and an external validation cohort will be utilized to systematically test the dynamic predictive performance and cross-platform generalizability of the model. This multimodal dual-track data paradigm aims to achieve a non-invasive and efficient "digital optical biopsy" approach for prognostic evaluation.

Type d'étude

Observationnel

Inscription (Estimé)

205

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

Lieux d'étude

    • Anhui
      • Hefei, Anhui, Chine, 230001
        • Recrutement
        • The First Affiliated Hospital of University of Science and Technology of China
        • Contact:

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

Sexes éligibles pour l'étude

Tout

Méthode d'échantillonnage

Échantillon non probabiliste

Population étudiée

The study population consists of adult patients diagnosed with colorectal liver metastases who underwent surgical resection across multiple participating clinical centers, featuring high-quality preoperative liver MRI scans and complete clinical follow-up histories.

La description

Inclusion Criteria:

Age >= 18 years old. Confirmed diagnosis of colorectal cancer with liver metastases (CRLM). Underwent surgical resection for colorectal liver metastases. Preoperative liver magnetic resonance imaging (MRI) was performed with high-quality images available for 3D radiomics feature extraction.

Complete baseline clinical, laboratory, and post-operative follow-up survival data.

Exclusion Criteria:

Patients who received local ablation only (such as radiofrequency ablation) without surgical resection.

Preoperative MRI images with severe artifacts or poor quality that prevent high-throughput radiomics analysis.

Concurrent history of other primary malignant neoplasms. Missing key clinical variables or lost to follow-up immediately after surgical intervention.

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: COHORT
  • Perspectives temporelles: RETROSPECTIVE

Cohortes et interventions

Groupe / Cohorte
Intervention / Traitement
CRLM Surgical Cohort

A multicenter cohort consisting of patients with colorectal liver metastases who underwent surgical resection. Preoperative magnetic resonance imaging (MRI) is utilized for 3D modeling and three-dimensional reconstruction of the liver and lesions, from which key spatial/morphological features and systemic clinical parameters are analyzed to predict post-operative recurrence-free survival.

Observational and non-invasive assessment based on preoperative MRI-derived 3D modeling and three-dimensional lesion reconstruction, combined with clinical parameters, to build a survival prediction model. No experimental intervention is assigned.

Que mesure l'étude ?

Principaux critères de jugement

Mesure des résultats
Description de la mesure
Délai
Recurrence-Free Survival (RFS)
Délai: Up to 5 years post-surgery

Recurrence-free survival (RFS) is defined as the time from the date of surgical resection to the date of first tumor recurrence (local, regional, or distant) or death from any cause, whichever occurs first.

Up to 5 years post-surgery

Collaborateurs et enquêteurs

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

Les enquêteurs

  • Chercheur principal: Jizhou Wang, MD, PhD, The First Affiliated Hospital of University of Science and Technology of China

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)

1 février 2017

Achèvement primaire (Estimé)

1 septembre 2026

Achèvement de l'étude (Estimé)

1 septembre 2026

Dates d'inscription aux études

Première soumission

31 juillet 2026

Première soumission répondant aux critères de contrôle qualité

15 septembre 2026

Première publication (Réel)

21 septembre 2026

Mises à jour des dossiers d'étude

Dernière mise à jour publiée (Réel)

21 septembre 2026

Dernière mise à jour soumise répondant aux critères de contrôle qualité

15 septembre 2026

Dernière vérification

1 septembre 2026

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) ?

NON

Description du régime IPD

To protect participant privacy and comply with institutional data governance policies, individual participant data from this retrospective study will not be publicly shared.

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