- ICH GCP
- Registro degli studi clinici negli Stati Uniti
- Sperimentazione clinica NCT04840056
Previsione del cancro gastrico nella metaplasia intestinale e nella gastrite atrofica (GIMA)
Previsione del cancro gastrico nella metaplasia intestinale e nella gastrite atrofica - Applicazione dell'intelligenza artificiale in istologia e dati clinici
The primary objectives of this study are:
- To identify clinical or histological factors associated with gastric cancer development in patients with IM and AG
- To establish a machine learning algorithm for prediction of future gastric cancer risks and individual risk stratification in patient with IM and AG
Panoramica dello studio
Stato
Descrizione dettagliata
This is a two-part retrospective study including a clinical data part and a pathology part. A training cohort will be developed from approximately 70% of included cases. It will be followed by a validation cohort with the remaining cases.
Clinical data will be collected retrospectively using the Clinical Data Analysis and Reporting System (CDARS) and Clinical management System (CMS). A cluster-wide cohort (New Territories East Cluster, NTEC) consisting of patients with history of histologically-proven gastric IM and AG will be identified and included for subsequent analysis. The data collection period for the retrospective data will be 2000-2020.
Histology slides will be retrieved retrospectively when available (within NTEC). Whole slide imaging technique will be utilized for the development of training and validation cohorts with machine learning algorithms in the pathology part.
Tipo di studio
Iscrizione (Stimato)
Contatti e Sedi
Contatto studio
- Nome: Felix Sia
- Numero di telefono: +85226370428
- Email: felix.sia@cuhk.edu.hk
Backup dei contatti dello studio
- Nome: Thomas Lam
- Numero di telefono: +85226370428
- Email: thomas.lam@cuhk.edu.hk
Luoghi di studio
-
-
New Territories
-
Shatin, New Territories, Hong Kong
- Reclutamento
- Prince of Wales Hospital
-
-
Criteri di partecipazione
Criteri di ammissibilità
Età idonea allo studio
Accetta volontari sani
Sessi ammissibili allo studio
Metodo di campionamento
Popolazione di studio
Clinical data will be collected retrospectively using the Clinical Data Analysis and Reporting System (CDARS) and Clinical management System (CMS). A cluster-wide cohort (New Territories East Cluster, NTEC) consisting of patients with history of histologically-proven gastric IM and AG will be identified and included for subsequent analysis. The data collection period for the retrospective data will be 2000-2020.
Histology slides will be retrieved retrospectively when available (within NTEC). Whole slide imaging technique will be utilized for the development of training and validation cohorts with machine learning algorithms in the pathology part.
Descrizione
Inclusion Criteria:
- Adults >= 18 years of age
- Histologically proven atrophic gastritis or intestinal metaplasia (at antrum and/or body and/or angular of stomach)
Exclusion Criteria:
- none
Piano di studio
Come è strutturato lo studio?
Dettagli di progettazione
- Modelli osservazionali: COHORT
- Prospettive temporali: RETROSPECTIVE
Coorti e interventi
Gruppo / Coorte |
|---|
|
Intestinal Metaplasia
patient with history of histologically proven gastric intestinal metaplasia |
|
Atrophic gastritis
patient with history of histologically proven atrophic gastritis |
Cosa sta misurando lo studio?
Misure di risultato primarie
Misura del risultato |
Misura Descrizione |
Lasso di tempo |
|---|---|---|
|
Gastric cancer and gastric dysplasia
Lasso di tempo: 20 years
|
The primary endpoint is the incidence of gastric cancer (intestinal-type) and gastric dysplasia (low grade and high grade dysplasia). |
20 years
|
Misure di risultato secondarie
Misura del risultato |
Misura Descrizione |
Lasso di tempo |
|---|---|---|
|
Overall accuracy of machine learning model
Lasso di tempo: 20 years
|
Overall accuracy of machine learning models will be evaluated |
20 years
|
|
Sensitivity of machine learning model
Lasso di tempo: 20 years
|
Sensitivity of machine learning model will be evaluated |
20 years
|
|
Specificity of machine learning model
Lasso di tempo: 20 years
|
Specificity of machine learning model will be evaluated |
20 years
|
|
Positive predictive value of machine learning model
Lasso di tempo: 20 years
|
Positive predictive value of machine learning model will be evaluated |
20 years
|
|
Negative predictive value of machine learning model
Lasso di tempo: 20 years
|
Negative predictive value of machine learning model will be evaluated |
20 years
|
|
Area under the receiver operating characteristic curve of machine learning model
Lasso di tempo: 20 years
|
Area under the receiver operating characteristic curve of machine learning model will be evaluated |
20 years
|
Collaboratori e investigatori
Sponsor
Studiare le date dei record
Studia le date principali
Inizio studio (Effettivo)
Completamento primario (Stimato)
Completamento dello studio (Stimato)
Date di iscrizione allo studio
Primo inviato
Primo inviato che soddisfa i criteri di controllo qualità
Primo Inserito (Effettivo)
Aggiornamenti dei record di studio
Ultimo aggiornamento pubblicato (Effettivo)
Ultimo aggiornamento inviato che soddisfa i criteri QC
Ultimo verificato
Maggiori informazioni
Termini relativi a questo studio
Parole chiave
Termini MeSH pertinenti aggiuntivi
Altri numeri di identificazione dello studio
- 2021.082
Piano per i dati dei singoli partecipanti (IPD)
Hai intenzione di condividere i dati dei singoli partecipanti (IPD)?
Descrizione del piano IPD
There is no plan to share IPD with other researchers
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 .