- ICH GCP
- USA klinikai vizsgálatok nyilvántartása
- Klinikai vizsgálat NCT05689437
MIRA Clinical Learning Environment (MIRACLE): Tüdő (MIRACLE)
Ennek a minőségjavító (QI) vizsgálatnak az a célja, hogy automatizált klinikai csővezetékeket fejlesszenek ki gépi tanulási modellek megvalósításához a tüdőrákos betegek ellátási útvonalában. A fő kérdések, amelyekre választ kíván adni:
- Beépíthetők-e a modell által megkövetelt kockázati besorolások a klinikusok munkafolyamataiba, hogy lehetővé tegyék a megalapozott klinikai döntéshozatalt?
- Hogyan vélekednek a klinikusok a modellkimenetekből származó információkról, és megváltoztatják-e a döntésüket a már rendelkezésükre álló adatokkal kapcsolatban a modell által kiváltott kockázati besorolás eredményeként (azaz a modellek által a modellek által azonosított betegek újraértékelése vagy további értékelése érdekében) nagyobb a kockázata)?
A részt vevő sugár-onkológusok megkapják a modell kockázati előrejelzését, és felkérik őket, hogy töltsenek ki egy felmérést, hogy visszajelzést adjanak arról, hogyan használták fel az előrejelzést a döntéshozatal során.
A tanulmány áttekintése
Állapot
Körülmények
Beavatkozás / kezelés
- Egyéb: Az ILD előrejelző gépi tanulási modell alkalmazása a képalkotás tervezésére
- Egyéb: Az ILD kockázati szintjének rutinszerű, automatikus bemutatása a klinikus általi értékeléshez.
- Egyéb: Az SGR gépi tanulási modell alkalmazása diagnosztikai és tervezési képalkotásban
- Egyéb: A daganatspecifikus növekedési sebesség (SGR) rutin becslése a klinikusnak bemutatott sugárterápia során fontolóra vett elváltozások esetében.
- Egyéb: A CBCT gépi tanulási modell alkalmazása a kezelés közbeni képalkotásban
- Egyéb: A tüdősűrűség-változások rutinszerű monitorozása a kezelés során, bemutatva a klinikusnak.
Részletes leírás
Az ellátás személyre szabására szolgáló új adattudományi és képalkotó módszereket utólag azonosítanak és kutatnak számos központban. Sajnos ezeknek a módszereknek a többsége jelentős manuális beavatkozást igényel bármely adott beteghelyzetben, és nehéz időben alkalmazni, hogy befolyásolja a betegek kezelési döntéseit. Az adattudományi kutatás klinikai megvalósítása olyan automatizált csővezetékeket igényel, amelyek a teljes kezelési útvonalhoz kapcsolódnak oly módon, hogy megkönnyítsék a valós idejű adatelemzést és lehetővé tegyék a transzlációs kutatást.
A Princess Margaret Hospital (PM)/Egyetemi Egészségügyi Hálózat (UHN) klinikai/transzlációs kutatóinak jelenlegi folyamata a képalkotó adatok elemzésére kiterjedt kézi kezelést foglal magában, amely elektronikus adatbázisokkal és elemzőeszközökkel való interakcióból áll a következők érdekében: a betegek azonosítása képalkotó adatokkal; összegyűjti ezeket az adatokat; manuálisan körvonalazza az érdeklődésre számot tartó célpontokat (páciensenként percről órára); a célpontok elemzése manuálisan kiválasztott képek alapján; majd korrelálja az elemzett képeket a klinikai információforrásokkal (pl. eredmények vagy korrelatív adatok). Így a nagy betegszámú projektek gyakran leküzdhetetlen akadályokba ütköznek, amelyek korlátozzák a kutatás termelékenységét.
A MIRA (egy házon belül kifejlesztett programozási eszköztár) egy közös problémát old meg a PM/UHN minden kutatója számára, akik a diagnosztikát, a sugárterápiás kezeléstervezést és/vagy a kezelés alatti képalkotást tanulmányozzák, konzisztens automatizált elemzési környezetet biztosítva ezeknek az adatoknak. A MIRA emellett javítja az etikailag jóváhagyott tanulmányokat, közvetlen kapcsolattal a valós idejű klinikai adatokhoz, ideértve a diagnosztikai képalkotást az Orvosi Képalkotó Osztályával együttműködésben, a sugáronkológiai kezelés tervezésével kapcsolatos információkat és a napi sugár onkológiai képalkotást a kezelés során. A MIRA Klinikai Tanulási Környezet (MIRACLE) minőségfejlesztési projektje a MIRA platformot kívánja felhasználni automatizált klinikai folyamatok fejlesztésére három konkrét vizsgálati cél elérése érdekében:
A nem diagnosztizált gyulladásos tüdőbetegségben (ILD) szenvedő tüdőrákos betegek azonosítása kezelés előtti diagnosztikai képek alapján
Az egyes betegek daganatnövekedési sebességének becslése a diagnosztikai és a kezeléstervezési képek között (specifikus növekedési ráta, SGR)
A sugárkezelés tervezési információinak felhasználásával minden páciens számára a dinamikus sugárkezelés toxicitási kockázatának becslése, miközben a kockázatbecslések folyamatos frissítése az egyes sugárkezelések előtt rutinszerűen készített napi kúpos komputertomográfiás (CBCT) felvételek segítségével.
A MIRACLE biztonságosan kapcsolódik az aktív klinikai adattárokhoz, és képes közvetlenül befolyásolni a napi rákkezeléssel kapcsolatos döntéseket azáltal, hogy a meglévő képalkotó adatokat megtalálhatóvá, gyorsan elérhetővé, interoperábilissá és újrafelhasználhatóvá teszi klinikai és kutatási elemzésekhez a végfelhasználók, köztük a tüdőrákkal foglalkozó orvosok számára. betegek és rákkutatók. Ez megkönnyíti az új képalkotó kutatási eredmények értékelését nagyszámú beteg esetében klinikai és kutatási célokra. A MIRACLE projekt célja konkrétan bemutatni a klinikai képalkotó adatok és a klinikai eredmények automatikus összekapcsolásának és elemzésének klinikai megvalósításának megvalósíthatóságát; végső soron az értékalapú egészségügyi ellátás nyújtása a jobb betegkiválasztás (ILD/SGR) és a kezelés monitorozása/beállítása a toxicitás csökkentése érdekében (CBCT).
A résztvevő sugár-onkológusok visszajelzéseit összegyűjtik, hogy felmérjék a gyulladásos tüdőbetegség (ILD), a 0,04-nél nagyobb fajlagos tumornövekedési ráta (SGR) és a kúpos-komputertomográfiai rendszer (CBCT) betegspecifikus betekintésének megvalósíthatóságát és hatékonyságát. az ellátási ponton a klinikusok változnak. Az elemzés segít megérteni, hogy a klinikusok hogyan érzékelik a modellből számukra biztosított információkat az ILD előrejelzésére, az SGR-re és a tüdősűrűség változásaira vonatkozóan a QI periódus során, és hogy a klinikusok megváltoztatták-e a döntésüket a már rendelkezésükre álló adatokkal kapcsolatban a modell hatására. kockázati besorolás (azaz a betegek ILD, SGR és CBCT változásainak újbóli felülvizsgálata vagy további értékelése azon betegek alapján, amelyeket a modell magasabb kockázatúnak jelölt ki).
Tanulmány típusa
Beiratkozás (Várható)
Kapcsolatok és helyek
Tanulmányi kapcsolat
- Név: Andrew Hope, MD, FRCPC
- Telefonszám: 416-946-2124
- E-mail: Andrew.Hope@rmp.uhn.ca
Tanulmányi helyek
-
-
Ontario
-
Toronto, Ontario, Kanada
- Toborzás
- Princess Margaret Hospital
-
Kapcsolatba lépni:
- Andrew Hope, MD, FRCPC
-
-
Részvételi kritériumok
Jogosultsági kritériumok
Tanulmányozható életkorok
Egészséges önkénteseket fogad
Tanulmányozható nemek
Mintavételi módszer
Tanulmányi populáció
Leírás
Bevételi kritériumok:
- I-IV. stádiumú tüdőrákot diagnosztizáltak, és sugárterápiás kezelést terveztek a Margit hercegnő kórházban. A projekt három célja az alábbiak szerint meghatározott befogadási kritériumokkal rendelkezik.
- 1. cél ILD: Minden tüdőrákos beteg, aki RT-ben részesül.
- 2. cél SGR: Csomópont negatív tüdőrákos betegek, akik sztereotaktikus test RT-ben részesülnek.
- 3. cél CBCT: Csomópont-pozitív tüdőrákos betegek, akik standard RT-ben részesülnek.
Kizárási kritériumok:
- Nincs kizárási kritérium
Tanulási terv
Hogyan készül a tanulmány?
Tervezési részletek
- Megfigyelési modellek: Kohorsz
- Időperspektívák: Leendő
Kohorszok és beavatkozások
Csoport / Kohorsz |
Beavatkozás / kezelés |
---|---|
ILD csendes mód
Az ILD-modellt a rutin kezelési tervezési képalkotáson áteső betegeken fogják futtatni, ahol az értesítést egy hónapig elküldik a vizsgálati csoportnak, hogy biztosítsák a csővezeték rendeltetésszerű működését.
|
Az ILD predikciós gépi tanulási modellt sugárterápiában (RT) kapó tüdőrákos betegek kezelési tervezési képalkotásában fogják alkalmazni.
A modell a kockázatot magas vagy alacsony kockázatként értékeli az alapjául szolgáló ILD miatt.
|
ILD Prospektív mód
A sikeres néma üzemmód után az ILD-modellt a rutin kezelést tervező képalkotáson áteső betegeken futtatják, és az értesítéseket elküldik a kezelőorvosnak, hogy beépítsék a munkafolyamatba.
|
Az ILD predikciós gépi tanulási modellt sugárterápiában (RT) kapó tüdőrákos betegek kezelési tervezési képalkotásában fogják alkalmazni.
A modell a kockázatot magas vagy alacsony kockázatként értékeli az alapjául szolgáló ILD miatt.
A résztvevő klinikusok megkapják az ILD kockázati becslését minden olyan RT-ben részesülő tüdőrákos betegre vonatkozóan, akiket a modell alapján potenciálisan magas kockázatúnak ítélnek.
Ezekben az esetekben a klinikus e-mailt kap, amely azonosítja a beteg kórlapszámát (MRN) és a „potenciális magas kockázatú ILD” jelzőt.
A klinikusok ezután el tudják dönteni, hogy a kapott információk alapján a kezelés megkezdése előtt újraértékelik-e a beteget ILD szempontjából.
A klinikusok egy rövid kérdőívet is kapnak minden alkalommal, amikor e-mailt küldenek nekik egy potenciálisan magas kockázatú ILD-esetről, így a vizsgálati csoport jobban megértheti, hogyan használták fel ezeket az információkat, ha egyáltalán használták.
|
SGR csendes mód
Az SGR-modellt a rutin kezelési tervezési képalkotáson áteső betegeken fogják futtatni, ahol az értesítést egy hónapig elküldik a vizsgálati csoportnak, hogy biztosítsák a csővezeték rendeltetésszerű működését.
|
Az SGR gépi tanulási modellt sztereotaktikus RT-ben részesülő, csomónegatív tüdőrákos tüdőrákos betegek képalkotására fogják alkalmazni.
Az automatikus számítás összehasonlítja a páciens diagnosztikai képén látható célléziókat a kezeléstervezési képeken látható elváltozásokkal.
|
SGR prospektív mód
A sikeres néma üzemmód után az SGR-modellt a rutin kezelési tervezési képalkotáson áteső betegeken futtatják, és az értesítéseket elküldik a kezelőorvosnak, hogy beépítsék a munkafolyamatba.
|
Az SGR gépi tanulási modellt sztereotaktikus RT-ben részesülő, csomónegatív tüdőrákos tüdőrákos betegek képalkotására fogják alkalmazni.
Az automatikus számítás összehasonlítja a páciens diagnosztikai képén látható célléziókat a kezeléstervezési képeken látható elváltozásokkal.
A részt vevő klinikusok SGR-számítást kapnak minden sztereotaktikus RT-ben részesülő, csomónegatív tüdőrákos tüdőrákos betegre.
Ezt az SGR-számítást bemutatják a klinikusoknak, akik ezután az információk alapján eldönthetik, hogyan kívánják kezelni és nyomon követni a páciens általános túlélését és kudarcmentes túlélését.
A klinikusok egy rövid felmérést is kapnak minden alkalommal, amikor megkapják a páciens SGR-számítását, így a vizsgálati csoport jobban megértheti, hogyan használták fel ezeket az információkat, ha egyáltalán használták.
|
CBCT csendes mód
A CBCT-modellt olyan betegeken fogják futtatni, akik rutin kezelés alatti képalkotásban részesülnek, és az értesítést egy hónapig elküldik a vizsgálati csoportnak, hogy biztosítsák a csővezeték rendeltetésszerű működését.
|
A CBCT gépi tanulási modellt a szokásos RT-ben részesülő csomópozitív tüdőrákos betegek rutinkezelésének részeként alkalmazzák majd a kezelés közbeni képalkotásra.
A tüdősűrűség-változások mutatója automatikusan kiszámításra kerül az egyes kezelések előtt elvégzett kúpos CT-k (CBCT) összehasonlításával.
|
CBCT prospektív mód
A sikeres csendes módot követően a CBCT modellt a kezelés során rutin képalkotó eljárásban részesülő betegeken futtatják, és az értesítéseket elküldik a kezelőorvosnak, hogy beépítsék a munkafolyamatba.
|
A CBCT gépi tanulási modellt a szokásos RT-ben részesülő csomópozitív tüdőrákos betegek rutinkezelésének részeként alkalmazzák majd a kezelés közbeni képalkotásra.
A tüdősűrűség-változások mutatója automatikusan kiszámításra kerül az egyes kezelések előtt elvégzett kúpos CT-k (CBCT) összehasonlításával.
A részt vevő klinikusok napi mutatót kapnak a tüdősűrűség változásairól minden egyes, nyirokcsomó-pozitív tüdőrákban szenvedő, standard RT-ben részesülő beteg esetében.
Ezt a mérést bemutatják a klinikai csapatnak, akik ezután az információk alapján eldönthetik, hogyan kívánják kezelni és nyomon követni a releváns kimeneteleket, például a tüdőgyulladást.
Ezenkívül ez az információ visszajelzést adhat a klinikai csapatnak a kezelés eredményeként fellépő tüdőreakcióról.
A sűrűségváltozásokat dokumentálni és nyomon követni a jövőbeni validációs vizsgálatokhoz, amelyek kívül esnek ezen alkalmazás hatókörén.
|
Mit mér a tanulmány?
Elsődleges eredményintézkedések
Eredménymérő |
Intézkedés leírása |
Időkeret |
---|---|---|
Az ILD valódi pozitív diagnosztizálásának aránya nő a magas/alacsony betegkockázati előrejelzések elérhetővé tételével a klinikusok számára.
Időkeret: 2022. január – 2023. december
|
Az esetek szakértői áttekintése és a diagramok áttekintése összefügg a felmérési válaszokkal annak megállapítására, hogy a valódi pozitív esetek arányát befolyásolta-e a CSODA útvonalak megvalósítása.
|
2022. január – 2023. december
|
A korábban nehezen értékelhető információk a klinikai munkafolyamat során könnyen hozzáférhető információforrásként elérhetőek a klinikusok számára.
Időkeret: 2022. január – 2023. december
|
A klinikusok visszajelzést adnak az előrejelzések közléséről, a klinikai munkafolyamatba való integrálásról és az előrejelzések kézhezvételének időszerűségéről, hogy beépítsék a döntéshozatalba.
|
2022. január – 2023. december
|
A sugáronkológusok a modellből származó előrejelzéseket használják klinikai döntéshozataluk támogatására.
Időkeret: 2022. január – 2023. december
|
A klinikusok a felmérésben jelezni fogják, hogyan vélekednek az előrejelzések pontosságáról és hasznosságáról, valamint arról, hogy beépítették-e az előrejelzéseket a döntéshozatalba.
|
2022. január – 2023. december
|
Másodlagos eredményintézkedések
Eredménymérő |
Intézkedés leírása |
Időkeret |
---|---|---|
A további szakértelem azokra a betegekre összpontosul, akiknél magasabb az ILD, az SGR > 0,04 vagy az esetleges tüdőgyulladás kockázata.
Időkeret: 2022. január – 2023. december
|
A klinikusok a felmérésben jelzik, hogy visszatértek-e és újraértékelték-e vagy megjelölték-e a betegeket azokban az esetekben, amikor a modell az ILD, az SGR > 0,04 vagy a tüdőgyulladás lehetséges magas kockázatát azonosítja.
|
2022. január – 2023. december
|
Együttműködők és nyomozók
Szponzor
Együttműködők
Nyomozók
- Kutatásvezető: Hope, University Health Network, Toronto
Publikációk és hasznos linkek
Általános kiadványok
- Mori Y, Kudo SE, Misawa M, Saito Y, Ikematsu H, Hotta K, Ohtsuka K, Urushibara F, Kataoka S, Ogawa Y, Maeda Y, Takeda K, Nakamura H, Ichimasa K, Kudo T, Hayashi T, Wakamura K, Ishida F, Inoue H, Itoh H, Oda M, Mori K. Real-Time Use of Artificial Intelligence in Identification of Diminutive Polyps During Colonoscopy: A Prospective Study. Ann Intern Med. 2018 Sep 18;169(6):357-366. doi: 10.7326/M18-0249. Epub 2018 Aug 14.
- Topol EJ. High-performance medicine: the convergence of human and artificial intelligence. Nat Med. 2019 Jan;25(1):44-56. doi: 10.1038/s41591-018-0300-7. Epub 2019 Jan 7.
- Steiner DF, MacDonald R, Liu Y, Truszkowski P, Hipp JD, Gammage C, Thng F, Peng L, Stumpe MC. Impact of Deep Learning Assistance on the Histopathologic Review of Lymph Nodes for Metastatic Breast Cancer. Am J Surg Pathol. 2018 Dec;42(12):1636-1646. doi: 10.1097/PAS.0000000000001151.
- Li C, Jing B, Ke L, Li B, Xia W, He C, Qian C, Zhao C, Mai H, Chen M, Cao K, Mo H, Guo L, Chen Q, Tang L, Qiu W, Yu Y, Liang H, Huang X, Liu G, Li W, Wang L, Sun R, Zou X, Guo S, Huang P, Luo D, Qiu F, Wu Y, Hua Y, Liu K, Lv S, Miao J, Xiang Y, Sun Y, Guo X, Lv X. Development and validation of an endoscopic images-based deep learning model for detection with nasopharyngeal malignancies. Cancer Commun (Lond). 2018 Sep 25;38(1):59. doi: 10.1186/s40880-018-0325-9.
- Dascalu A, David EO. Skin cancer detection by deep learning and sound analysis algorithms: A prospective clinical study of an elementary dermoscope. EBioMedicine. 2019 May;43:107-113. doi: 10.1016/j.ebiom.2019.04.055. Epub 2019 May 14.
- Phillips M, Marsden H, Jaffe W, Matin RN, Wali GN, Greenhalgh J, McGrath E, James R, Ladoyanni E, Bewley A, Argenziano G, Palamaras I. Assessment of Accuracy of an Artificial Intelligence Algorithm to Detect Melanoma in Images of Skin Lesions. JAMA Netw Open. 2019 Oct 2;2(10):e1913436. doi: 10.1001/jamanetworkopen.2019.13436. Erratum In: JAMA Netw Open. 2019 Nov 1;2(11):e1916430.
- Abramoff MD, Lavin PT, Birch M, Shah N, Folk JC. Pivotal trial of an autonomous AI-based diagnostic system for detection of diabetic retinopathy in primary care offices. NPJ Digit Med. 2018 Aug 28;1:39. doi: 10.1038/s41746-018-0040-6. eCollection 2018.
- Gulshan V, Rajan RP, Widner K, Wu D, Wubbels P, Rhodes T, Whitehouse K, Coram M, Corrado G, Ramasamy K, Raman R, Peng L, Webster DR. Performance of a Deep-Learning Algorithm vs Manual Grading for Detecting Diabetic Retinopathy in India. JAMA Ophthalmol. 2019 Sep 1;137(9):987-993. doi: 10.1001/jamaophthalmol.2019.2004.
- Kanagasingam Y, Xiao D, Vignarajan J, Preetham A, Tay-Kearney ML, Mehrotra A. Evaluation of Artificial Intelligence-Based Grading of Diabetic Retinopathy in Primary Care. JAMA Netw Open. 2018 Sep 7;1(5):e182665. doi: 10.1001/jamanetworkopen.2018.2665.
- Lee H, Yune S, Mansouri M, Kim M, Tajmir SH, Guerrier CE, Ebert SA, Pomerantz SR, Romero JM, Kamalian S, Gonzalez RG, Lev MH, Do S. An explainable deep-learning algorithm for the detection of acute intracranial haemorrhage from small datasets. Nat Biomed Eng. 2019 Mar;3(3):173-182. doi: 10.1038/s41551-018-0324-9. Epub 2018 Dec 17.
- Glick D, Lyen S, Kandel S, Shapera S, Le LW, Lindsay P, Wong O, Bezjak A, Brade A, Cho BCJ, Hope A, Sun A, Giuliani M. Impact of Pretreatment Interstitial Lung Disease on Radiation Pneumonitis and Survival in Patients Treated With Lung Stereotactic Body Radiation Therapy (SBRT). Clin Lung Cancer. 2018 Mar;19(2):e219-e226. doi: 10.1016/j.cllc.2017.06.021. Epub 2017 Jul 10.
- Atallah S, Cho BC, Allibhai Z, Taremi M, Giuliani M, Le LW, Brade A, Sun A, Bezjak A, Hope AJ. Impact of pretreatment tumor growth rate on outcome of early-stage lung cancer treated with stereotactic body radiation therapy. Int J Radiat Oncol Biol Phys. 2014 Jul 1;89(3):532-8. doi: 10.1016/j.ijrobp.2014.03.003.
Tanulmányi rekorddátumok
Tanulmány főbb dátumok
Tanulmány kezdete (Tényleges)
Elsődleges befejezés (Várható)
A tanulmány befejezése (Várható)
Tanulmányi regisztráció dátumai
Először benyújtva
Először nyújtották be, amely megfelel a minőségbiztosítási kritériumoknak
Első közzététel (Becslés)
Tanulmányi rekordok frissítései
Utolsó frissítés közzétéve (Becslés)
Az utolsó frissítés elküldve, amely megfelel a minőségbiztosítási kritériumoknak
Utolsó ellenőrzés
Több információ
A tanulmányhoz kapcsolódó kifejezések
Egyéb vizsgálati azonosító számok
- QI ID#: 21-0193
Terv az egyéni résztvevői adatokhoz (IPD)
Tervezi megosztani az egyéni résztvevői adatokat (IPD)?
IPD terv leírása
IPD megosztási időkeret
IPD-megosztási hozzáférési feltételek
Az IPD megosztását támogató információ típusa
- Tanulmányi Protokoll
- Analitikai kód
Gyógyszer- és eszközinformációk, tanulmányi dokumentumok
Egy amerikai FDA által szabályozott gyógyszerkészítményt tanulmányoz
Egy amerikai FDA által szabályozott eszközterméket tanulmányoz
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. .
Klinikai vizsgálatok a Tüdőrák
-
Seoul National University HospitalBefejezveLung ComplianceKoreai Köztársaság
-
Jonsson Comprehensive Cancer CenterEli Lilly and Company; Genentech, Inc.ToborzásÁttétes tüdő nem kissejtes karcinóma | Tűzálló tüdő nem kissejtes karcinóma | Stage IV Lung Cancer American Joint Committee on Cancer (AJCC) v8 | IVA stádiumú tüdőrák AJCC v8 | IVB stádiumú tüdőrák AJCC v8Egyesült Államok
-
Alexandria UniversityMég nincs toborzásLégzőkészülék tüdő | Echokardiográfia | Lung Recruitment | Mellkasi ultrahang | Nagyfrekvenciás szellőztetésEgyiptom
-
Jonsson Comprehensive Cancer CenterNational Cancer Institute (NCI); National Institutes of Health (NIH)ToborzásAnatómiai Stage II Breast Cancer AJCC v8 | Anatómiai Stage III Breast Cancer AJCC v8 | Korai stádiumú emlőkarcinóma | Anatómiai Stage I Breast Cancer American Joint Committee on Cancer (AJCC) v8Egyesült Államok
-
Novartis PharmaceuticalsBefejezveNeuroendokrin daganatok | Advanced NET of GI Origin | Lung Origin fejlett NETEgyesült Államok, Colombia, Olaszország, Tajvan, Egyesült Királyság, Belgium, Csehország, Németország, Japán, Szaud-Arábia, Kanada, Hollandia, Spanyolország, Koreai Köztársaság, Libanon, Ausztria, Kína, Görögország, Dél-Afrika, Thaiföl... és több
-
Tanta UniversityBefejezveGerincferdülés; Serdülőkor | Posztoperatív atelektázia | Lung RecruitmentEgyiptom
-
Assiut UniversityMég nincs toborzásTüdőrák | Tüdősérülés | Bleb Lung
-
University of LorraineBefejezveGyermek, csak | Spontán pneumothorax | Idiopátiás pneumothorax | Bleb LungFranciaország
-
CSA Medical, Inc.VisszavontTüdőbetegségek, obstruktív | Légúti elzáródás | Lung Disease Airways | Légút; Elzáródás, Emfizémával
-
M.D. Anderson Cancer CenterNational Cancer Institute (NCI)ToborzásAnatómiai stádiumú emlőrák AJCC v8 | Anatómiai Stage II Breast Cancer AJCC v8 | Anatómiai Stage III Breast Cancer AJCC v8Egyesült Államok