Immagine dell'intera diapositiva per la previsione del nuovo sistema di classificazione dell'adenocarcinoma polmonare resecato
Firma di deep learning basata su immagini di diapositive intere per prevedere il nuovo sistema di classificazione dell'adenocarcinoma polmonare resecato
Panoramica dello studio
Stato
Stato
Condizioni
Condizioni
Intervento / Trattamento
Intervento / Trattamento
Tipo di studio
Tipo di studio
Iscrizione (Stimato)
Iscrizione
Contatti e Sedi
Luoghi di studio
-
-
Guizhou
-
Zunyi, Guizhou, Cina
- Reclutamento
- Affiliated Hospital of Zunyi Medical University
-
Contatto:
- Yongxiang Song, Dr
- Numero di telefono: 15505177258
- Email: zhong961008@163.com
-
-
Jiangxi
-
Nanchang, Jiangxi, Cina
- Reclutamento
- The First Affiliated Hospital of Nanchang University
-
Contatto:
- Bentong Yu, Dr
- Numero di telefono: 021-65115006
- Email: 1151697503@qq.com
-
-
Zhejiang
-
Ningbo, Zhejiang, Cina
- Reclutamento
- Ningbo HwaMei Hospital
-
Contatto:
- Minglei Yang, Dr
- Numero di telefono: 021-65115006
- Email: almondjj@163.com
-
-
Criteri di partecipazione
Criteri di ammissibilità
Criteri di ammissibilità
Età idonea allo studio
- Adulto
- Adulto più anziano
Accetta volontari sani
Metodo di campionamento
Popolazione di studio
Descrizione
Criterio di inclusione:
- Conferma patologica di adenocarcinoma polmonare primitivo;
- Età compresa tra 20 e 75 anni;
- Ottenuto il consenso informato scritto.
Criteri di esclusione:
- lesioni polmonari multiple;
- Scarsa qualità delle immagini dell'intera diapositiva;
- Partecipanti con informazioni cliniche incomplete;
- Adenocarcinomi mucinosi e varianti;
- - Partecipanti che hanno ricevuto terapia neoadiuvante.
Piano di studio
Come è strutturato lo studio?
Dettagli di progettazione
Cosa sta misurando lo studio?
Misure di risultato primarie
Misure di risultato primarie
Misura del risultato |
Misura Descrizione |
Lasso di tempo |
|---|---|---|
|
Tasso di concordanza del sistema di valutazione IASLC
Lasso di tempo: 2024.11.01-2024.12.31
|
Tasso di accordo tra il modello di deep learning e i patologi nella diagnosi del grado IASLC di adenocarcinoma polmonare.
|
2024.11.01-2024.12.31
|
Misure di risultato secondarie
Misure di risultato secondarie
Misura del risultato |
Misura Descrizione |
Lasso di tempo |
|---|---|---|
|
Tasso di concordanza dei sottotipi predominanti
Lasso di tempo: 2024.11.01-2024.12.31
|
Tasso di accordo tra il modello di deep learning e i patologi nella diagnosi dei modelli di crescita predominanti dell'adenocarcinoma polmonare.
|
2024.11.01-2024.12.31
|
Altre misure di risultato
Altre misure di risultato
Misura del risultato |
Misura Descrizione |
Lasso di tempo |
|---|---|---|
|
Specificità
Lasso di tempo: 2023.5.1-2023.10.31
|
La specificità del modello di deep learning basato sull'intera immagine della diapositiva nella previsione del nuovo sistema di classificazione dell'adenocarcinoma polmonare resecato.
Il nuovo sistema di classificazione dell'adenocarcinoma polmonare comprende il grado I, il grado II e il grado III.
E il modello produrrà i valori predittivi (grado I/grado II/grado III) del grado per ciascun paziente con adenocarcinoma polmonare resecato.
|
2023.5.1-2023.10.31
|
|
Valore predittivo positivo
Lasso di tempo: 2023.5.1-2023.10.31
|
Il valore predittivo positivo del modello di deep learning basato sull'immagine dell'intera diapositiva nella previsione del nuovo sistema di classificazione dell'adenocarcinoma polmonare resecato.
Il nuovo sistema di classificazione dell'adenocarcinoma polmonare comprende il grado I, il grado II e il grado III.
E il modello produrrà i valori predittivi (grado I/grado II/grado III) del grado per ciascun paziente con adenocarcinoma polmonare resecato.
|
2023.5.1-2023.10.31
|
|
Valore predittivo negativo
Lasso di tempo: 2023.5.1-2023.10.31
|
Il valore predittivo negativo del modello di deep learning basato sull'immagine dell'intera diapositiva nella previsione del nuovo sistema di classificazione dell'adenocarcinoma polmonare resecato.
Il nuovo sistema di classificazione dell'adenocarcinoma polmonare comprende il grado I, il grado II e il grado III.
E il modello produrrà i valori predittivi (grado I/grado II/grado III) del grado per ciascun paziente con adenocarcinoma polmonare resecato.
|
2023.5.1-2023.10.31
|
|
Precisione
Lasso di tempo: 2023.5.1-2023.10.31
|
L'accuratezza del modello di deep learning basato sull'intera immagine della diapositiva nella previsione del nuovo sistema di classificazione dell'adenocarcinoma polmonare resecato.
Il nuovo sistema di classificazione dell'adenocarcinoma polmonare comprende il grado I, il grado II e il grado III.
E il modello produrrà i valori predittivi (grado I/grado II/grado III) del grado per ciascun paziente con adenocarcinoma polmonare resecato.
|
2023.5.1-2023.10.31
|
Collaboratori e investigatori
Sponsor
Sponsor
Collaboratori
Collaboratori
Studiare le date dei record
Studia le date principali
Inizio studio (Effettivo)
Inizio studio
Completamento primario (Stimato)
Completamento primario
Completamento dello studio (Stimato)
Completamento dello studio
Date di iscrizione allo studio
Primo inviato
Primo inviato
Primo inviato che soddisfa i criteri di controllo qualità
Primo inviato che soddisfa i criteri di controllo qualità
Primo Inserito (Effettivo)
Primo Inserito
Aggiornamenti dei record di studio
Ultimo aggiornamento pubblicato (Effettivo)
Ultimo aggiornamento pubblicato
Ultimo aggiornamento inviato che soddisfa i criteri QC
Ultimo aggiornamento inviato che soddisfa i criteri QC
Ultimo verificato
Ultimo verificato
Maggiori informazioni
Termini relativi a questo studio
Termini MeSH pertinenti aggiuntivi
Altri numeri di identificazione dello studio
Altri numeri di identificazione dello studio
- WSIGS
Piano per i dati dei singoli partecipanti (IPD)
Hai intenzione di condividere i dati dei singoli partecipanti (IPD)?
Informazioni su farmaci e dispositivi, documenti di studio
Studia un prodotto farmaceutico regolamentato dalla FDA degli Stati Uniti
Studia un dispositivo regolamentato dalla FDA degli Stati Uniti
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 .