Questa pagina è stata tradotta automaticamente e l'accuratezza della traduzione non è garantita. Si prega di fare riferimento al Versione inglese per un testo di partenza.

Sviluppo di un modello di deep learning basato su MRI per prevedere lo stato MMR

Sviluppo di un modello di deep learning basato sulla risonanza magnetica per prevedere lo stato MMR del carcinoma endometriale

Al fine di sviluppare un metodo conveniente, economico e completo per prevedere preoperatoriamente dMMR e ridurre il numero di persone che richiedono test immunoistochimici o genetici correlati a dMMR dopo l'intervento chirurgico, questo studio mira a stabilire un modello di apprendimento profondo basato sulla risonanza magnetica per prevedere lo stato MMR di tumore endometriale. Sono state raccolte le pazienti con diagnosi di cancro dell'endometrio dopo l'intervento chirurgico e che avevano completato la risonanza magnetica pelvica prima dell'intervento. Il deep learning è stato utilizzato per combinare il modello clinico con i dati dell'immagine RM per costruire il modello. Le curve ROC sono state costruite per il gruppo di test, il gruppo di verifica interna e il gruppo di verifica esterna e l'area sotto le curve ROC è stata calcolata per valutare l'effetto diagnostico e la stabilità del modello.

La strategia di triage a doppia soglia è stata utilizzata per escludere la popolazione pMMR (sotto la soglia inferiore), la popolazione dMMR (sopra la soglia superiore) e la parte incerta della popolazione (tra le soglie).

Panoramica dello studio

Stato

Non ancora reclutamento

Condizioni

Intervento / Trattamento

Descrizione dettagliata

In questo studio, dal 2017 al 2022 sono state raccolte le pazienti con diagnosi di cancro dell'endometrio dopo l'intervento chirurgico e che avevano completato la risonanza magnetica pelvica prima dell'intervento. Si prevede di raccogliere 500 casi nel nostro ospedale, suddivisi in 375 casi (gruppo sperimentale) e 125 casi (gruppo di verifica interna).

100 casi di Sun Yat-sen University Cancer Center per verifica esterna. Sono stati raccolti dati clinici (età, sesso, BMI, CA125, CA19-9, stadiazione MR-T, risultati immunoistochimici delle proteine ​​​​correlate a MMR) della popolazione in studio ed è stata condotta un'analisi di regressione logistica per stabilire modelli clinici. Estrai, segmenta, integra e migliora i dati delle immagini RM.

Il deep learning è stato utilizzato per combinare il modello clinico con i dati dell'immagine RM per costruire il modello. Le curve ROC sono state costruite per il gruppo di test, il gruppo di verifica interna e il gruppo di verifica esterna e l'area sotto le curve ROC è stata calcolata per valutare l'effetto diagnostico e la stabilità del modello.

La strategia di triage a doppia soglia è stata utilizzata per escludere la popolazione pMMR (sotto la soglia inferiore), la popolazione dMMR (sopra la soglia superiore) e la parte incerta della popolazione (tra le soglie). Se il punteggio predittivo è superiore alla soglia inferiore, si consiglia al paziente di sottoporsi a ulteriori test immunoistochimici o genetici per confermare lo stato MMR o il tipo di dMMR

Tipo di studio

Osservativo

Iscrizione (Anticipato)

600

Contatti e Sedi

Questa sezione fornisce i recapiti di coloro che conducono lo studio e informazioni su dove viene condotto lo studio.

Contatto studio

Criteri di partecipazione

I ricercatori cercano persone che corrispondano a una certa descrizione, chiamata criteri di ammissibilità. Alcuni esempi di questi criteri sono le condizioni generali di salute di una persona o trattamenti precedenti.

Criteri di ammissibilità

Età idonea allo studio

  • Bambino
  • Adulto
  • Adulto più anziano

Accetta volontari sani

No

Sessi ammissibili allo studio

Femmina

Metodo di campionamento

Campione non probabilistico

Popolazione di studio

Pazienti con diagnosi di cancro dell'endometrio dopo l'intervento chirurgico e che avevano completato la risonanza magnetica pelvica prima dell'intervento

Descrizione

Criterio di inclusione:

  • Pazienti con diagnosi di cancro dell'endometrio dopo l'intervento chirurgico e che avevano completato la risonanza magnetica pelvica prima dell'intervento dal 2017 al 2022

Criteri di esclusione:

  • (1) Non è stato riscontrato alcun risultato di rilevamento immunoistochimico della proteina correlata all'MMR; (2) Radioterapia e chemioterapia prima della risonanza magnetica; (3) piccoli tumori difficili da identificare sull'immagine (<5 mm); (4) La qualità dell'imaging pesata in T2 non è sufficiente per tracciare il ROI, come evidenti artefatti da movimento; (5) Esistono altre neoplasie ginecologiche

Piano di studio

Questa sezione fornisce i dettagli del piano di studio, compreso il modo in cui lo studio è progettato e ciò che lo studio sta misurando.

Come è strutturato lo studio?

Dettagli di progettazione

Coorti e interventi

Gruppo / Coorte
Intervento / Trattamento
Gruppo di prova
375 pazienti del nostro ospedale, divisi casualmente.
500 pazienti del nostro ospedale sono stati divisi casualmente in gruppo di test e gruppo di convalida interna, e 100 pazienti nell'ospedale collaborativo erano gruppo di convalida esterno.
Gruppo di validazione interno
125 pazienti del nostro ospedale, divisi casualmente.
500 pazienti del nostro ospedale sono stati divisi casualmente in gruppo di test e gruppo di convalida interna, e 100 pazienti nell'ospedale collaborativo erano gruppo di convalida esterno.
Gruppo di convalida esterno
100 pazienti del Sun Yat-sen University Cancer Center

Cosa sta misurando lo studio?

Misure di risultato primarie

Misura del risultato
Misura Descrizione
Lasso di tempo
Area sotto la curva caratteristica operativa del ricevitore (AUROC)
Lasso di tempo: un anno
L'area sotto la curva caratteristica operativa del ricevitore (AUROC) è stata utilizzata per valutare le prestazioni dei modelli
un anno

Collaboratori e investigatori

Qui è dove troverai le persone e le organizzazioni coinvolte in questo studio.

Sponsor

Collaboratori

Investigatori

  • Investigatore principale: Jing Li, Sun Yat-sen Memorial Hospital,Sun Yat-sen University

Studiare le date dei record

Queste date tengono traccia dell'avanzamento della registrazione dello studio e dell'invio dei risultati di sintesi a ClinicalTrials.gov. I record degli studi e i risultati riportati vengono esaminati dalla National Library of Medicine (NLM) per assicurarsi che soddisfino specifici standard di controllo della qualità prima di essere pubblicati sul sito Web pubblico.

Studia le date principali

Inizio studio (Anticipato)

17 aprile 2023

Completamento primario (Anticipato)

30 giugno 2024

Completamento dello studio (Anticipato)

31 dicembre 2024

Date di iscrizione allo studio

Primo inviato

13 marzo 2023

Primo inviato che soddisfa i criteri di controllo qualità

13 marzo 2023

Primo Inserito (Effettivo)

24 marzo 2023

Aggiornamenti dei record di studio

Ultimo aggiornamento pubblicato (Effettivo)

24 marzo 2023

Ultimo aggiornamento inviato che soddisfa i criteri QC

13 marzo 2023

Ultimo verificato

1 marzo 2023

Maggiori informazioni

Termini relativi a questo studio

Altri numeri di identificazione dello studio

  • SYSKY-2023-084-01

Piano per i dati dei singoli partecipanti (IPD)

Hai intenzione di condividere i dati dei singoli partecipanti (IPD)?

NO

Descrizione del piano IPD

non esiste un piano per rendere disponibili i dati dei singoli partecipanti (IPD) ad altri ricercatori.

Informazioni su farmaci e dispositivi, documenti di studio

Studia un prodotto farmaceutico regolamentato dalla FDA degli Stati Uniti

No

Studia un dispositivo regolamentato dalla FDA degli Stati Uniti

No

Queste informazioni sono state recuperate direttamente dal sito web clinicaltrials.gov senza alcuna modifica. In caso di richieste di modifica, rimozione o aggiornamento dei dettagli dello studio, contattare register@clinicaltrials.gov. Non appena verrà implementata una modifica su clinicaltrials.gov, questa verrà aggiornata automaticamente anche sul nostro sito web .