Ezt az oldalt automatikusan lefordították, és a fordítás pontossága nem garantált. Kérjük, olvassa el a angol verzió forrásszöveghez.

A glioblasztóma kezelésének javítása: a progresszió megkülönböztetése a pszeudoprogressziótól

2023. április 20. frissítette: Guy's and St Thomas' NHS Foundation Trust

A glioblasztóma kezelésének javítása a progresszió és a pszeudoprogresszió megkülönböztetésével gépi tanulási technikák rutin klinikai adatokra történő alkalmazásával

A glioblasztóma az agyrák legagresszívabb fajtája, és átlagosan 20 év elvesztéséhez vezet, többet, mint bármely más rák. A műtét előtt és a kezelés után néhány hónaponként MRI felvételeket készítenek az agyról, hogy megnézzék, kiújul-e a rák. Az orvosok számára nehéz lehet megmondani, hogy az, amit ezeken a képeken látnak, növekvő rákot jelent-e, vagy a kezelés mellékhatásait. A kezelés mellékhatásainak megjelenésének hasonlósága a rákkal zavarba ejtő, és „pszeudoprogressziónak” nevezik (szemben a rák valódi progressziójával).

Ha az orvosok összetévesztik a kezelés mellékhatásainak megjelenését a növekvő rákkal, azt gondolhatják, hogy a kezelés sikertelen, és túl korán megváltoztatják a beteg kezelését, vagy klinikai vizsgálatba bocsátják. Ez azt jelenti, hogy előfordulhat, hogy a betegek nem részesülnek teljes körű kezelésben, és egyes klinikai vizsgálatok eredményeiben nem lehet megbízni.

Ennek a tanulmánynak az a célja, hogy az orvosok számára olyan számítógépes programot biztosítsanak, amely az agy MRI-felvételeit használja, amelyeket a kezelés során rutinszerűen készítenek, hogy segítsen nekik pontosabban azonosítani a rák újbóli növekedését.

A tanulmány áttekintése

Állapot

Toborzás

Körülmények

Részletes leírás

A pszeudoprogresszió hatása jelentős a betegellátásban és az orvosi kutatásban. A meglévő bizonyítékok azt mutatják, hogy megvalósítható a Support Vector Machine és a Deep Learning osztályozási modellek alkalmazása a túlélés előrejelzésére rutin MRI-felvételek segítségével, valamint a progresszió megkülönböztetése a pszeudoprogressziótól. A kutatók a jelek időbeli változását kívánják rögzíteni rutin MRI-felvételeken parametrikus választérképek segítségével (egy általuk kifejlesztett legkorszerűbb posztoperatív-preoperatív képregisztrációs módszerrel), és ilyen osztályozókat használnak a progresszió és a pszeudoprogresszió megkülönböztetésére. A kutatók által javasolt kutatásra azért van szükség, hogy megoldást nyújtsunk a pszeudoprogresszió problémájára, és az NHS-ben könnyen és hatékonyan megvalósítható legyen. Fontos, hogy ez nem a fejlett képalkotó technikáktól függ.

A KCH-nál az elmúlt 24 hónapból gyűjtött adatok azt mutatják, hogy még egy vezető glioma képalkotó központban is csak a betegek 66%-ánál volt előrehaladott képalkotó (pl. DSC-MRI) a kontrasztfokozás fokozódása, azaz lehetséges progresszió idején végzett. A kutatás elsődleges célja a rutin klinikai MRI adatok felhasználása az osztályozó betanítása érdekében. Ez növeli az osztályozó hasznosságát, mivel az ilyen rutin MRI-adatokat minden képalkotó központ beszerezheti, így az új osztályozó sokkal költséghatékonyabb megoldást jelenthet, mint egy alternatív osztályozó, amely a fejlett képalkotó technikáktól függ.

Az osztályozási modell kezdeti betanítása, tesztelése és kereszt-validációja a glioblasztóma MRI-adatainak felhasználásával történik, amelyeket nyilvánosan hozzáférhető képalkotó archívumokból és a londoni King's College Hospital-ból (KCH) szereztek be. A klinikai validálás érdekében a képzett modellt tesztelik a prospektíven toborzott betegek MRI-adatai alapján.

Tanulmány típusa

Megfigyelő

Beiratkozás (Várható)

500

Kapcsolatok és helyek

Ez a rész a vizsgálatot végzők elérhetőségeit, valamint a vizsgálat lefolytatásának helyére vonatkozó információkat tartalmazza.

Tanulmányi kapcsolat

Tanulmányozza a kapcsolattartók biztonsági mentését

Tanulmányi helyek

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

Részvételi kritériumok

A kutatók olyan embereket keresnek, akik megfelelnek egy bizonyos leírásnak, az úgynevezett jogosultsági kritériumoknak. Néhány példa ezekre a kritériumokra a személy általános egészségi állapota vagy a korábbi kezelések.

Jogosultsági kritériumok

Tanulmányozható életkorok

18 év (Felnőtt, Idősebb felnőtt)

Egészséges önkénteseket fogad

Nem

Mintavételi módszer

Nem valószínűségi minta

Tanulmányi populáció

Magas fokú glioblasztómában szenvedő betegek

Leírás

Bevételi kritériumok:

  • Glioblasztómával diagnosztizáltak (az Egészségügyi Világszervezet IV. fokozata)
  • A standard Stupp kezelési renden áteső beteg
  • Műtét előtti szkennelésen és legalább egy kemoradiáció utáni utóvizsgálaton volt

Kizárási kritériumok:

  • Nem megfelelő klinikai és radiológiai követés
  • A páciens kezelése nagymértékben eltér a szokásos Stupp-kezeléstől, például bevonják őket az intervenciós vizsgálatokba, és nem ismeretes elegendő információ a páciens próbakezeléséről
  • Angiogenesis-gátlókkal, például bevacizumabbal kezelt betegek a Stupp-kezelés befejezése előtt

Tanulási terv

Ez a rész a vizsgálati terv részleteit tartalmazza, beleértve a vizsgálat megtervezését és a vizsgálat mérését.

Hogyan készül a tanulmány?

Tervezési részletek

  • Megfigyelési modellek: Kohorsz
  • Időperspektívák: Leendő

Mit mér a tanulmány?

Elsődleges eredményintézkedések

Eredménymérő
Intézkedés leírása
Időkeret
A mesterséges intelligencia modelljének pontossága
Időkeret: Akár 36 hónapig
A valódi pozitív és valódi negatívumok iránti érzékenység és specifikusság zavarmátrixa határozza meg.
Akár 36 hónapig

Másodlagos eredményintézkedések

Eredménymérő
Intézkedés leírása
Időkeret
A mesterséges intelligencia modell meghibásodási aránya
Időkeret: Akár 36 hónapig
Az az arány, amellyel a teszt nem tud eredményt adni (pl. rossz minőség vagy hiányzó adatok miatt)
Akár 36 hónapig

Együttműködők és nyomozók

Itt találhatja meg a tanulmányban érintett személyeket és szervezeteket.

Együttműködők

Nyomozók

  • Kutatásvezető: Thomas Booth, King's College London

Tanulmányi rekorddátumok

Ezek a dátumok nyomon követik a ClinicalTrials.gov webhelyre benyújtott vizsgálati rekordok és összefoglaló eredmények benyújtásának folyamatát. A vizsgálati feljegyzéseket és a jelentett eredményeket a Nemzeti Orvostudományi Könyvtár (NLM) felülvizsgálja, hogy megbizonyosodjon arról, hogy megfelelnek-e az adott minőség-ellenőrzési szabványoknak, mielőtt közzéteszik őket a nyilvános weboldalon.

Tanulmány főbb dátumok

Tanulmány kezdete (Tényleges)

2019. március 21.

Elsődleges befejezés (Várható)

2024. május 26.

A tanulmány befejezése (Várható)

2025. május 26.

Tanulmányi regisztráció dátumai

Először benyújtva

2020. április 21.

Először nyújtották be, amely megfelel a minőségbiztosítási kritériumoknak

2020. április 21.

Első közzététel (Tényleges)

2020. április 24.

Tanulmányi rekordok frissítései

Utolsó frissítés közzétéve (Tényleges)

2023. április 21.

Az utolsó frissítés elküldve, amely megfelel a minőségbiztosítási kritériumoknak

2023. április 20.

Utolsó ellenőrzés

2023. április 1.

Több információ

A tanulmányhoz kapcsolódó kifejezések

Terv az egyéni résztvevői adatokhoz (IPD)

Tervezi megosztani az egyéni résztvevői adatokat (IPD)?

ELDÖNTETLEN

IPD terv leírása

A teljesen anonimizált adatkészletek (beleértve a képalkotást és a releváns klinikai adatokat) a vizsgálat végén megoszthatók nyilvános adattárakkal a kutatás előmozdítása és az együttműködés kiterjesztése céljából, mindaddig, amíg az adatbázissal kapcsolatos összes előírást teljes mértékben jóváhagyta a HRA és REC.

Gyógyszer- és eszközinformációk, tanulmányi dokumentumok

Egy amerikai FDA által szabályozott gyógyszerkészítményt tanulmányoz

Nem

Egy amerikai FDA által szabályozott eszközterméket tanulmányoz

Nem

Ezt az információt közvetlenül a clinicaltrials.gov webhelyről szereztük be, változtatás nélkül. Ha bármilyen kérése van vizsgálati adatainak módosítására, eltávolítására vagy frissítésére, kérjük, írjon a következő címre: register@clinicaltrials.gov. Amint a változás bevezetésre kerül a clinicaltrials.gov oldalon, ez a webhelyünkön is automatikusan frissül. .

Iratkozz fel