- ICH GCP
- USA klinikai vizsgálatok nyilvántartása
- Klinikai vizsgálat NCT06757530
Radiomikus modell a nyirokcsomó-állapot felmérésére HNSCC-ben szenvedő cN0 betegeknél
A CT-alapú radiomika előrejelzi az okkult LNM-et, és feltárja a fej- és nyakrák immunmikrokörnyezetét
A tanulmány áttekintése
Részletes leírás
Az okkult nyirokcsomó-metasztázis (LNM) továbbra is az egyik legkritikusabb és legnagyobb kihívást jelentő szempont a fej-nyaki laphámsejtes karcinóma (HNSCC) kezelésében. Az okkult LNM, amelyet a nyirokcsomókban előforduló metasztatikus betegségként határoznak meg, amelyek klinikailag nem mutathatók ki rutin képalkotó vagy fizikális vizsgálattal, és jelentős hatással vannak a kezelés tervezésére, a prognózisra és az általános betegkezelésre. A HNSCC-ben az okkult LNM pontos kimutatása és előrejelzése kulcsfontosságú, mivel jelentősen befolyásolják a nyaki disszekció mértékére, az adjuváns terápia szükségességére és az általános terápiás stratégiára vonatkozó döntéseket. A nem diagnosztizált vagy alulbecsült LNM nem megfelelő kezelést eredményezhet, növelve a lokoregionális kiújulás kockázatát és a rossz túlélési eredményeket.
A HNSCC összetett biológiája megnöveli az okkult LNM előrejelzésének kihívását. Ezeket a daganatokat gyakran a mikrokörnyezetük jelentős heterogenitása jellemzi, amely tumorsejtek, immuninfiltrátumok, stromakomponensek és érrendszer keverékéből áll. Ez a heterogenitás kulcsszerepet játszik az elsődleges daganat metasztatikus potenciáljának és a környező nyirokrendszerrel való kölcsönhatásának meghatározásában. A hagyományos képalkotó eljárások, például a CT, MRI és PET/CT korlátai vannak a mikroszkopikus áttétek pontos azonosításában, ami az érzékenyebb és specifikusabb prediktív eszközök folyamatos keresését eredményezi.
A rádiómika terén elért közelmúltbeli fejlemények új utakat nyitottak e kihívás kezelésében. A radiomika, egy olyan feltörekvő terület, amely nagy dimenziós adatokat nyer ki az orvosi képalkotásból, lehetővé teszi a tumor jellemzőinek kvantitatív elemzését a szabad szemmel láthatókon túlmenően. Azáltal, hogy a képi adatokat a tumor fenotípusát tükröző jellemzők gazdag tárházává alakítja, a radiomika képes azonosítani a metasztatikus viselkedéssel kapcsolatos finom mintákat.
Az okkult LNM pontos előrejelzése szintén kritikus prognosztikai értékkel bír. A nem észlelt LNM-ben szenvedő betegek gyakran rosszabb prognózissal néznek szembe a késleltetett vagy elégtelen kezelés miatt. Ezzel szemben a metasztázis nélküli betegek szükségtelen profilaktikus nyakdisszekciója túlkezeléshez, megnövekedett műtéti morbiditáshoz és életminőség romlásához vezethet. Ezért a betegeket az okkult LNM kockázata alapján rétegezni képes prediktív modellek elengedhetetlenek a kezelési tervek személyre szabásához, a szükségtelen beavatkozások csökkentéséhez és a betegek kimenetelének javításához.
Ebben az összefüggésben a radiomika integrálása a multi-omikai adatokkal, beleértve a transzkriptomikát és az egysejtű RNS-szekvenálást, transzformatív megközelítést jelent. Ez az integratív stratégia nemcsak a radiomika modellek előrejelző erejét erősíti, hanem ablakot ad a tumor viselkedésének hátterében álló biológiai folyamatokba is. A képalkotásból származó jellemzők molekuláris és sejtes útvonalakhoz való kapcsolásával az ilyen megközelítések segíthetnek áthidalni a képalkotó fenotípusok és a metasztázisok összetett biológiája közötti szakadékot.
Összefoglalva, az okkult LNM óriási kihívást jelent a HNSCC klinikai kezelésében, és jelentős hatással van a kezelésre és a prognózisra. A fejlett rádiótechnikai technikák, különösen az élőhelyek radiomika megjelenése ígéretes utat kínál az LNM előrejelzés pontosságának javítására. A tumor heterogenitása, a mikrokörnyezeti dinamika és a metasztatikus potenciál közötti kölcsönhatás feltárásával ezek a megközelítések utat nyitnak a HNSCC-s betegek precízebb és személyre szabottabb kezeléséhez.
Tanulmány típusa
Beiratkozás (Tényleges)
Kapcsolatok és helyek
Tanulmányi helyek
-
-
-
Chongqing, Kína
- The First Affiliated Hospital of Chongqing Medical University
-
-
Részvételi kritériumok
Jogosultsági kritériumok
Tanulmányozható életkorok
- Felnőtt
- Idősebb felnőtt
Egészséges önkénteseket fogad
Mintavételi módszer
Tanulmányi populáció
Leírás
Bevételi kritériumok:
- a teljes klinikai adatok elérhetősége;
- A gége laphámsejtes karcinóma diagnózisa műtéttel vagy biopsziával igazolva;
- CT kontrasztanyagos vizsgálat a műtétet megelőző két héten belül.
- Minden beteg nyaki nyirokcsomó-bontó műtéten esett át.
Kizárási kritériumok:
- A műtét előtt más kezelésben részesült betegek;
- CT-képek jelentős műtermékekkel;
- Tumor kiújuló betegek.
Tanulási terv
Hogyan készül a tanulmány?
Tervezési részletek
Kohorszok és beavatkozások
Csoport / Kohorsz |
Beavatkozás / kezelés |
|---|---|
|
Edzőkészlet
A képzési csoport körülbelül 500 cN0 betegből állt, akiket fej-nyaki laphámsejtes karcinómával (HNSCC) diagnosztizáltak, köztük körülbelül 150 nyirokcsomó-áttéttel rendelkező és körülbelül 350 áttét nélküli beteget.
A műtét előtt minden beteg kontrasztanyagos CT-vizsgálaton esett át.
|
Mesterséges intelligencia modellek használata a nyirokcsomó-áttéttel rendelkező és a nyirokcsomó-áttéttel nem rendelkező betegek megkülönböztetésére.
|
|
belső tesztkészlet
A belső validációs készlet körülbelül 150 pácienst tartalmazott, akiket véletlenszerűen választottak ki a képzési kohorszból.
Ezt a készletet modellértékelésre és hangolásra használták.
|
Mesterséges intelligencia modellek használata a nyirokcsomó-áttéttel rendelkező és a nyirokcsomó-áttéttel nem rendelkező betegek megkülönböztetésére.
|
|
külső tesztkészlet
A külső validációs készlet körülbelül 200 HNSCC-s betegből állt.
Ezeket a betegeket más központokból vették fel, és adataik között szerepeltek preoperatív kontrasztanyagos CT-képek is.
Ezt a független adatkészletet használtuk a radiomika modell általánosíthatóságának felmérésére.
|
Mesterséges intelligencia modellek használata a nyirokcsomó-áttéttel rendelkező és a nyirokcsomó-áttéttel nem rendelkező betegek megkülönböztetésére.
|
Mit mér a tanulmány?
Elsődleges eredményintézkedések
Eredménymérő |
Intézkedés leírása |
Időkeret |
|---|---|---|
|
AUC
Időkeret: Az előrejelzési eredmények közvetlenül a modell feldolgozása után érhetők el.
|
Az AUC (Area Under the Curve) egy teljesítménymutató, amelyet az osztályozási feladatokban használnak annak értékelésére, hogy a modell mennyire képes megkülönböztetni az osztályokat.
Pontosabban a Receiver Operating Characteristic (ROC) görbe alatti területet méri, amely különböző küszöbbeállítások mellett ábrázolja a valódi pozitív arányt (érzékenységet) a hamis pozitív arány (1-es specifikusság) függvényében.
|
Az előrejelzési eredmények közvetlenül a modell feldolgozása után érhetők el.
|
Együttműködők és nyomozók
Együttműködők
Tanulmányi rekorddátumok
Tanulmány főbb dátumok
Tanulmány kezdete (Tényleges)
Elsődleges befejezés (Tényleges)
A tanulmány befejezése (Tényleges)
Tanulmányi regisztráció dátumai
Először benyújtva
Először nyújtották be, amely megfelel a minőségbiztosítási kritériumoknak
Első közzététel (Tényleges)
Tanulmányi rekordok frissítései
Utolsó frissítés közzétéve (Tényleges)
Az utolsó frissítés elküldve, amely megfelel a minőségbiztosítási kritériumoknak
Utolsó ellenőrzés
Több információ
A tanulmányhoz kapcsolódó kifejezések
Kulcsszavak
Egyéb vizsgálati azonosító számok
- 2024-Chenxin
Terv az egyéni résztvevői adatokhoz (IPD)
Tervezi megosztani az egyéni résztvevői adatokat (IPD)?
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. .