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

Prediction of Neoadjuvant Therapy Efficacy and Prognosis for Breast Cancer Based on Multimodal Data

2026. június 22. frissítette: Yunnan Cancer Hospital

Prediction of Neoadjuvant Therapy Efficacy and Prognosis for Breast Cancer Based on Multimodal Data: A Multicenter Retrospective and Prospective Validation

This study aims to develop a multimodal deep learning model integrating MRI, ultrasound, digital pathology and clinical information based on multicenter retrospective data. To externally validate the model in an independent prospective cohort, and evaluate its accuracy in predicting pathological complete response (pCR), 3-year and 5-year disease-free survival (DFS). To establish visual tools such as nomograms, assisting clinicians in identifying patients with chemoresistance and facilitating individualized de-escalation or escalation treatment strategies.

A tanulmány áttekintése

Tanulmány típusa

Beavatkozó

Beiratkozás (Becsült)

1800

Fázis

  • Nem alkalmazható

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

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

Leírás

Inclusion Criteria:

  1. Histopathologically confirmed invasive breast cancer;
  2. Planned to receive a full course of neoadjuvant therapy;
  3. Complete baseline imaging data (MRI/ultrasound/mammography) and core needle pathology results available.

Exclusion Criteria:

  1. Previous history of ipsilateral breast cancer or chest radiotherapy;
  2. Distant metastasis (Stage IV);
  3. Poor image quality or missing clinical data exceeding 20%.

Tanulási terv

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

Hogyan készül a tanulmány?

Tervezési részletek

  • Elsődleges cél: Diagnosztikai
  • Kiosztás: N/A
  • Beavatkozó modell: Egyetlen csoportos hozzárendelés
  • Maszkolás: Nincs (Open Label)

Fegyverek és beavatkozások

Résztvevő csoport / kar
Beavatkozás / kezelés
Kísérleti: Prediction of Neoadjuvant Therapy Efficacy and Prognosis for Breast Cancer Based on Multimodal Data
To develop a multimodal deep learning model integrating MRI, ultrasound, digital pathology and clinical information based on multicenter retrospective data.
MRI and ultrasound were performed in addition to conventional treatment regimens

Mit mér a tanulmány?

Elsődleges eredményintézkedések

Eredménymérő
Intézkedés leírása
Időkeret
Predictive value of multimodal data for neoadjuvant therapy efficacy in breast cancer
Időkeret: From enrollment to the end of surgery
Combined with preoperative multimodal MRI and ultrasound imaging parameters, pathological baseline data and clinical data, a prediction model for neoadjuvant therapy efficacy in breast cancer is constructed. Taking postoperative pathological response results as the evaluation basis, the predictive efficacy of multimodal data for neoadjuvant therapy complete response and non-complete response is evaluated.
From enrollment to the end of surgery

Másodlagos eredményintézkedések

Eredménymérő
Intézkedés leírása
Időkeret
Prognostic predictive value of multimodal data for breast cancer
Időkeret: From enrollment to the end of surgery
Follow up the long-term prognosis of breast cancer patients after neoadjuvant therapy and surgery, record key prognostic indicators including disease-free survival (DFS) and overall survival (OS). Analyze the correlation between multimodal imaging and clinical pathological data and patient prognosis, and verify the prognostic prediction ability of multimodal data for breast cancer patients.
From enrollment to the end of surgery

Együttműködők és nyomozók

Itt találhatja meg a tanulmányban érintett személyeket és szervezeteket.

Nyomozók

  • Tanulmányi igazgató: Lianhua Ye, Ethics Committee of Yunnan Provincial Cancer Hospital

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 (Becsült)

2026. június 1.

Elsődleges befejezés (Becsült)

2026. december 31.

A tanulmány befejezése (Becsült)

2029. június 30.

Tanulmányi regisztráció dátumai

Először benyújtva

2026. május 19.

Először nyújtották be, amely megfelel a minőségbiztosítási kritériumoknak

2026. június 22.

Első közzététel (Tényleges)

2026. június 26.

Tanulmányi rekordok frissítései

Utolsó frissítés közzétéve (Tényleges)

2026. június 26.

Az utolsó frissítés elküldve, amely megfelel a minőségbiztosítási kritériumoknak

2026. június 22.

Utolsó ellenőrzés

2026. május 1.

Több információ

A tanulmányhoz kapcsolódó kifejezések

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