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.

Firma di deep learning per la previsione del pattern istologico aggressivo nel carcinoma polmonare non a piccole cellule resecato

27 giugno 2023 aggiornato da: Chang Chen, Shanghai Pulmonary Hospital, Shanghai, China

Tomografia a emissione di positroni/ tomografia computerizzata (PET/TC) basata sull'apprendimento profondo per la previsione del pattern istologico aggressivo nel carcinoma polmonare non a piccole cellule resecato

Lo scopo di questo studio è valutare le prestazioni di una firma di deep learning basata su PET/TC per prevedere un pattern istologico aggressivo nel carcinoma polmonare non a piccole cellule resecato sulla base di una coorte prospettica multicentrica.

Panoramica dello studio

Stato

Reclutamento

Condizioni

Intervento / Trattamento

Tipo di studio

Osservativo

Iscrizione (Stimato)

1500

Contatti e Sedi

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

Luoghi di studio

  • Cina
    • Guizhou
      • Zunyi, Guizhou, Cina
        • Reclutamento
        • Affiliated Hospital of Zunyi Medical University
        • Contatto:
    • Jiangxi
      • Nanchang, Jiangxi, Cina
        • Reclutamento
        • The First Affiliated Hospital of Nanchang University
        • Contatto:
    • Zhejiang
      • Ningbo, Zhejiang, Cina
        • Reclutamento
        • Ningbo HwaMei Hospital
        • Contatto:

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

  • Adulto
  • Adulto più anziano

Accetta volontari sani

Sì

Metodo di campionamento

Campione non probabilistico

Popolazione di studio

Carcinoma polmonare non a piccole cellule in stadio I-III resecato

Descrizione

Criterio di inclusione:

(1) Partecipanti programmati per un intervento chirurgico per il riscontro radiologico di lesioni polmonari dalle scansioni TC a sezione sottile preoperatorie; (2) conferma patologica di NSCLC primario; (3) Età compresa tra 20 e 75 anni; (4) Ottenuto il consenso informato scritto.

Criteri di esclusione:

(1) lesioni polmonari multiple; (2) Scarsa qualità delle immagini PET-CT; (3) Partecipanti con informazioni cliniche incomplete; (4) Partecipanti che hanno ricevuto terapia neoadiuvante.

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

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
Lasso di tempo: 2023.5.1-2023.10.31
L'area sotto la curva caratteristica operativa del ricevitore (ROC) del modello di deep learning nel prevedere la presenza o l'assenza del pattern istologico aggressivo. Il modello istologico aggressivo include la diffusione attraverso lo spazio aereo (STAS), l'invasione pleurica viscerale (VPI) e l'invasione linfovascolare (LVI). E il modello produrrà tutti i valori predittivi (presenza o assenza) dei tre tipi di modelli istologici aggressivi.
2023.5.1-2023.10.31

Misure di risultato secondarie

Misura del risultato
Misura Descrizione
Lasso di tempo
Sensibilità
Lasso di tempo: 2023.5.1-2023.10.31
La sensibilità del modello di deep learning nel prevedere la presenza o l'assenza del pattern istologico aggressivo. Il modello istologico aggressivo include la diffusione attraverso lo spazio aereo (STAS), l'invasione pleurica viscerale (VPI) e l'invasione linfovascolare (LVI). E il modello produrrà tutti i valori predittivi (presenza o assenza) dei tre tipi di modelli istologici aggressivi.
2023.5.1-2023.10.31

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 nel prevedere la presenza o l'assenza del pattern istologico aggressivo. Il modello istologico aggressivo include la diffusione attraverso lo spazio aereo (STAS), l'invasione pleurica viscerale (VPI) e l'invasione linfovascolare (LVI). E il modello produrrà tutti i valori predittivi (presenza o assenza) dei tre tipi di modelli istologici aggressivi.
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 nel prevedere la presenza o l'assenza del modello istologico aggressivo. Il modello istologico aggressivo include la diffusione attraverso lo spazio aereo (STAS), l'invasione pleurica viscerale (VPI) e l'invasione linfovascolare (LVI). E il modello produrrà tutti i valori predittivi (presenza o assenza) dei tre tipi di modelli istologici aggressivi.
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 nel prevedere la presenza o l'assenza del pattern istologico aggressivo. Il modello istologico aggressivo include la diffusione attraverso lo spazio aereo (STAS), l'invasione pleurica viscerale (VPI) e l'invasione linfovascolare (LVI). E il modello produrrà tutti i valori predittivi (presenza o assenza) dei tre tipi di modelli istologici aggressivi.
2023.5.1-2023.10.31
Precisione
Lasso di tempo: 2023.5.1-2023.10.31
L'accuratezza del modello di deep learning nel prevedere la presenza o l'assenza del pattern istologico aggressivo. Il modello istologico aggressivo include la diffusione attraverso lo spazio aereo (STAS), l'invasione pleurica viscerale (VPI) e l'invasione linfovascolare (LVI). E il modello produrrà tutti i valori predittivi (presenza o assenza) dei tre tipi di modelli istologici aggressivi.
2023.5.1-2023.10.31

Collaboratori e investigatori

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

Sponsor

Shanghai Pulmonary Hospital, Shanghai, China

Collaboratori

Zunyi Medical College
Ningbo HwaMei Hospital, Zhejiang, China
The First Affiliated Hospital of Nanchang University, Jiangxi, China

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 (Effettivo)

1 maggio 2023

Completamento primario (Stimato)

31 ottobre 2023

Completamento dello studio (Stimato)

31 ottobre 2023

Date di iscrizione allo studio

Primo inviato

12 maggio 2023

Primo inviato che soddisfa i criteri di controllo qualità

27 giugno 2023

Primo Inserito (Effettivo)

29 giugno 2023

Aggiornamenti dei record di studio

Ultimo aggiornamento pubblicato (Effettivo)

29 giugno 2023

Ultimo aggiornamento inviato che soddisfa i criteri QC

27 giugno 2023

Ultimo verificato

1 giugno 2023

Maggiori informazioni

Termini relativi a questo studio

Termini MeSH pertinenti aggiuntivi

Altri numeri di identificazione dello studio

  • DLAHP

Piano per i dati dei singoli partecipanti (IPD)

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

NO

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 .

Sottoscrivi