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

Radiomikus modell a nyirokcsomó-állapot felmérésére HNSCC-ben szenvedő cN0 betegeknél

2025. május 27. frissítette: xinwei Chen, First Affiliated Hospital of Chongqing Medical University

A CT-alapú radiomika előrejelzi az okkult LNM-et, és feltárja a fej- és nyakrák immunmikrokörnyezetét

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 tanulmány áttekintése

Állapot

Befejezve

Körülmények

Beavatkozás / kezelés

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

Megfigyelő

Beiratkozás (Tényleges)

700

Kapcsolatok és helyek

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

Tanulmányi helyek

      • Chongqing, Kína
        • The First Affiliated Hospital of Chongqing Medical University

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

  • Felnőtt
  • Idősebb felnőtt

Egészséges önkénteseket fogad

Nem

Mintavételi módszer

Valószínűségi minta

Tanulmányi populáció

Három kórházból 2016 januárja és 2024 decembere között kórosan igazolt gégekarcinómában szenvedő betegeket összegyűjtöttek és különböző tesztcsoportokba osztottak.

Leírás

Bevételi kritériumok:

  1. a teljes klinikai adatok elérhetősége;
  2. A gége laphámsejtes karcinóma diagnózisa műtéttel vagy biopsziával igazolva;
  3. CT kontrasztanyagos vizsgálat a műtétet megelőző két héten belül.
  4. Minden beteg nyaki nyirokcsomó-bontó műtéten esett át.

Kizárási kritériumok:

  1. A műtét előtt más kezelésben részesült betegek;
  2. CT-képek jelentős műtermékekkel;
  3. Tumor kiújuló betegek.

Tanulási terv

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

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

Itt találhatja meg a tanulmányban érintett személyeket és szervezeteket.

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)

2024. november 27.

Elsődleges befejezés (Tényleges)

2025. április 15.

A tanulmány befejezése (Tényleges)

2025. április 15.

Tanulmányi regisztráció dátumai

Először benyújtva

2024. december 27.

Először nyújtották be, amely megfelel a minőségbiztosítási kritériumoknak

2024. december 27.

Első közzététel (Tényleges)

2025. január 3.

Tanulmányi rekordok frissítései

Utolsó frissítés közzétéve (Tényleges)

2025. május 28.

Az utolsó frissítés elküldve, amely megfelel a minőségbiztosítási kritériumoknak

2025. május 27.

Utolsó ellenőrzés

2025. május 1.

Több információ

A tanulmányhoz kapcsolódó kifejezések

Egyéb vizsgálati azonosító számok

  • 2024-Chenxin

Terv az egyéni résztvevői adatokhoz (IPD)

Tervezi megosztani az egyéni résztvevői adatokat (IPD)?

NEM

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