- ICH GCP
- Registro degli studi clinici negli Stati Uniti
- Sperimentazione clinica NCT06638866
Screening precoce del cancro al pancreas basato sull'intelligenza artificiale e tracciamento ad alto rischio 2 (ESPRIT-AI-2) (AI-PANC)
Sistema di gestione delle informazioni sanitarie basato sull'intelligenza artificiale e studio tecnologico chiave sullo screening precoce, sulla diagnosi gerarchica e sul trattamento del cancro al pancreas 2
Panoramica dello studio
Stato
Condizioni
Intervento / Trattamento
Descrizione dettagliata
Il PDAC è uno dei tumori maligni più aggressivi, con un triste tasso di sopravvivenza a 5 anni di appena il 13%. La prognosi sfavorevole è dovuta principalmente alla sua insorgenza insidiosa e al basso tasso di diagnosi precoce. Studi clinici hanno dimostrato che il 51% dei pazienti affetti da cancro al pancreas presenta metastasi a distanza al momento della diagnosi, con un tasso di sopravvivenza a 5 anni inferiore al 5%; al contrario, i pazienti allo stadio IA dimostrano un chiaro beneficio terapeutico, con un tasso di sopravvivenza postoperatoria a 5 anni fino all’83,7%. La diagnosi precoce del cancro al pancreas è fondamentale per migliorare i tassi di sopravvivenza. In questo studio, utilizzeremo il nostro modello AI di imaging pancreatico sviluppato per condurre studi clinici prospettici, con l'obiettivo di convalidare le prestazioni diagnostiche del modello nelle applicazioni del mondo reale, in particolare la sua efficacia nel rilevamento del PDAC in stadio iniziale.
Questo studio è condotto da Jin Gang, direttore del dipartimento di chirurgia generale dell'ospedale Changhai di Shanghai, in collaborazione con l'ospedale centrale della città di Lishui, l'ospedale popolare della contea di Jingning, l'ospedale popolare di Ningbo Yinzhou, il secondo ospedale di Jiaxing, il centro di esame sanitario Meinian Onehealth e il team del laboratorio di imaging medico AI presso Alibaba DAMO Academy. Si tratta di uno studio traslazionale incentrato sulla diagnosi precoce e sul monitoraggio ad alto rischio del cancro del pancreas basato sull’intelligenza artificiale e avrà un impatto diretto sui percorsi di assistenza clinica. La popolazione in studio è composta da individui che sono stati sottoposti a scansioni TC addominali o toraciche senza contrasto presso istituti medici o centri di esame sanitario, definiti come popolazione di screening opportunistico. Il modello AI di imaging pancreatico verrà utilizzato per rilevare automaticamente le lesioni pancreatiche, inclusi i sottotipi PDAC e non PDAC. I soggetti identificati con lesioni positive dal modello AI dovranno sottoporsi a esami del sangue (compresa l'analisi dei marcatori tumorali) e ulteriori esami di imaging (come TC con contrasto, risonanza magnetica ed EUS) per confermare lo stato finale della lesione pancreatica e formulare un piano di trattamento. L’obiettivo finale è valutare le prestazioni diagnostiche del modello di intelligenza artificiale, in particolare il suo tasso di rilevamento del cancro pancreatico resecabile precoce.
Tipo di studio
Iscrizione (Stimato)
Fase
- Non applicabile
Contatti e Sedi
Contatto studio
- Nome: Wang Bei Lei, M.D.
- Numero di telefono: 86-13774238083
- Email: lilly_wang@126.com
Backup dei contatti dello studio
- Nome: Guo Shi Wei, M.D.
- Numero di telefono: 86-18621500666
- Email: gestwa@163.com
Luoghi di studio
-
-
Shanghai
-
Shanghai, Shanghai, Cina, 200433
- Reclutamento
- Shanghai Changhai Hospital
-
Contatto:
- Wang Beilei, M.D.
- Numero di telefono: 86-13774238083
- Email: lilly_wang@126.com
-
Contatto:
- Jin Gang, M.D.
-
Contatto:
- Wang Bei Lei, M.D.
-
-
Zhejiang
-
Jiaxing, Zhejiang, Cina, 314000
- Reclutamento
- Second Affiliated Hospital of Jiaxing University
-
Contatto:
- Shen Yi Jue, M.D.
- Numero di telefono: 13605835645
- Email: dr.syj@163.com
-
Contatto:
- Shen Yi Jue, M.D.
-
Ningbo, Zhejiang, Cina, 315100
- Reclutamento
- Yinzhou Hospital Affiliated to Medical School of Ningbo University
-
Contatto:
- Zhu Ke Lei, M.D.
- Numero di telefono: 13566636272
- Email: dr.zkl@163.com
-
Contatto:
- Zhu Ke Lei, M.D.
-
-
Criteri di partecipazione
Criteri di ammissibilità
Età idonea allo studio
- Adulto
- Adulto più anziano
Accetta volontari sani
Metodo di campionamento
Popolazione di studio
Descrizione
Criteri di inclusione:
- 1、Il soggetto è in grado e disposto a fornire il consenso informato e firmare un modulo di consenso informato.
2、Il soggetto è stato sottoposto a una TAC addominale o toracica senza contrasto, classificata come segue:
- Popolazione dell'esame fisico
- Popolazione ambulatoriale
- Popolazione ricoverata
- Popolazione del Pronto Soccorso
Criteri di esclusione:
- 1、Al soggetto è stato diagnosticato un cancro al pancreas o altri tumori maligni negli ultimi 5 anni.
- 2、Il soggetto presenta una condizione medica che controindica l'uso del contrasto nelle scansioni MRI/CT.
- 3、Il soggetto non può essere seguito o sta partecipando ad altri studi clinici.
Piano di studio
Come è strutturato lo studio?
Dettagli di progettazione
Coorti e interventi
Gruppo / Coorte |
Intervento / Trattamento |
|---|---|
|
Gruppo PDAC classificato con aigoritmo
I partecipanti sottoposti a scansioni TC addominali e/o toraciche non contrastanti e sono stati preliminariamente classificati dall'aigoritmo come PDAC.
|
I partecipanti con PDAC identificato all'algoritmo saranno rivisti in modo indipendente da due radiologi.
Quelli altamente sospettati saranno richiamati per un'ulteriore valutazione diagnostica, compresi i test sierologici (ad es. CA19-9, CEA) e l'imaging (ad es. CT/MRI potenziati dal contrasto, EUS-FNA).
I partecipanti con una diagnosi positiva confermata subiranno una consultazione multidisciplinare e un trattamento specializzato, mentre quelli con una diagnosi negativa saranno seguiti clinicamente per almeno un anno.
|
|
Gruppo di lesioni precursori pancreatiche classificate con aigoritmo
I partecipanti sottoposti a scansioni TC addominali e/o toraciche non contrastanti e sono stati preliminariamente classificati dall'aigoritmo come lesioni precursori pancreatiche.
|
I partecipanti con lesioni precursori pancreatiche identificate con algoritmo saranno rivisti in modo indipendente da due radiologi.
Quelli altamente sospettati saranno richiamati per un'ulteriore valutazione diagnostica, compresi i test sierologici (ad es. CA19-9, CEA) e l'imaging (ad es. CT/MRI potenziati dal contrasto, EUS-FNA).
I partecipanti con una diagnosi positiva confermata subiranno una consultazione multidisciplinare e un trattamento specializzato, mentre quelli con una diagnosi negativa saranno seguiti clinicamente per almeno un anno.
|
Cosa sta misurando lo studio?
Misure di risultato primarie
Misura del risultato |
Misura Descrizione |
Lasso di tempo |
|---|---|---|
|
Tasso di rilevamento di PDAC
Lasso di tempo: 3 anni
|
Definito come la proporzione di PDAC istologicamente confermato tra tutti i partecipanti sottoposti a screening TC.
|
3 anni
|
|
Tasso di rilevamento delle lesioni precursori ad alto rischio
Lasso di tempo: 3 anni
|
Definito come la proporzione di lesioni precursori istologicamente confermate (IPMN/MCN) che soddisfano i criteri SENDAI tra tutti i partecipanti sottoposti a screening CT.
|
3 anni
|
|
PPV
Lasso di tempo: 3 anni
|
Definito come la proporzione di lesioni precursori PDAC e ad alto rischio confermate istologicamente tra tutti i casi di screening Ai positivo.
|
3 anni
|
|
Tasso di richiamo
Lasso di tempo: 3 anni
|
Definita come la proporzione di individui richiamati per un'ulteriore validazione tramite test sierologici e di imaging dopo lo screening dell'A-positivo e la revisione del radiologo tra tutti i partecipanti sottoposti a screening TC.
|
3 anni
|
Misure di risultato secondarie
Misura del risultato |
Misura Descrizione |
Lasso di tempo |
|---|---|---|
|
Proporzione PDAC in fase iniziale
Lasso di tempo: 3 anni
|
Definito come la proporzione di PDAC in fase iniziale istologicamente confermata tra tutti i casi PDAC rilevati attraverso lo screening CT.
|
3 anni
|
|
Tempo di sopravvivenza
Lasso di tempo: 5 anni
|
Definito come tempo di sopravvivenza dei pazienti con PDAC o lesioni precursori rilevate attraverso lo screening.
|
5 anni
|
Altre misure di risultato
Misura del risultato |
Misura Descrizione |
Lasso di tempo |
|---|---|---|
|
Potenziali danni associati alle procedure e ai trattamenti di screening
Lasso di tempo: 3 anni
|
Definiti come potenziali effetti avversi associati alle procedure di screening (ad es. CT/MRI potenziata dal contrasto, EUS-FNA) e trattamenti (ad es. Complicanze postoperatorie).
|
3 anni
|
Collaboratori e investigatori
Sponsor
Collaboratori
Investigatori
- Cattedra di studio: Jin Gang, M.D., Changhai Hospital
- Direttore dello studio: Wang Bei Lei, M.D., Changhai Hospital
Pubblicazioni e link utili
Pubblicazioni generali
- Mizrahi JD, Surana R, Valle JW, Shroff RT. Pancreatic cancer. Lancet. 2020 Jun 27;395(10242):2008-2020. doi: 10.1016/S0140-6736(20)30974-0.
- Pereira SP, Oldfield L, Ney A, Hart PA, Keane MG, Pandol SJ, Li D, Greenhalf W, Jeon CY, Koay EJ, Almario CV, Halloran C, Lennon AM, Costello E. Early detection of pancreatic cancer. Lancet Gastroenterol Hepatol. 2020 Jul;5(7):698-710. doi: 10.1016/S2468-1253(19)30416-9. Epub 2020 Mar 2.
- Chu LC, Park S, Kawamoto S, Wang Y, Zhou Y, Shen W, Zhu Z, Xia Y, Xie L, Liu F, Yu Q, Fouladi DF, Shayesteh S, Zinreich E, Graves JS, Horton KM, Yuille AL, Hruban RH, Kinzler KW, Vogelstein B, Fishman EK. Application of Deep Learning to Pancreatic Cancer Detection: Lessons Learned From Our Initial Experience. J Am Coll Radiol. 2019 Sep;16(9 Pt B):1338-1342. doi: 10.1016/j.jacr.2019.05.034. No abstract available.
- Cao K, Xia Y, Yao J, Han X, Lambert L, Zhang T, Tang W, Jin G, Jiang H, Fang X, Nogues I, Li X, Guo W, Wang Y, Fang W, Qiu M, Hou Y, Kovarnik T, Vocka M, Lu Y, Chen Y, Chen X, Liu Z, Zhou J, Xie C, Zhang R, Lu H, Hager GD, Yuille AL, Lu L, Shao C, Shi Y, Zhang Q, Liang T, Zhang L, Lu J. Large-scale pancreatic cancer detection via non-contrast CT and deep learning. Nat Med. 2023 Dec;29(12):3033-3043. doi: 10.1038/s41591-023-02640-w. Epub 2023 Nov 20.
- Ardila D, Kiraly AP, Bharadwaj S, Choi B, Reicher JJ, Peng L, Tse D, Etemadi M, Ye W, Corrado G, Naidich DP, Shetty S. End-to-end lung cancer screening with three-dimensional deep learning on low-dose chest computed tomography. Nat Med. 2019 Jun;25(6):954-961. doi: 10.1038/s41591-019-0447-x. Epub 2019 May 20. Erratum In: Nat Med. 2019 Aug;25(8):1319. doi: 10.1038/s41591-019-0536-x.
- Young MR, Abrams N, Ghosh S, Rinaudo JAS, Marquez G, Srivastava S. Prediagnostic Image Data, Artificial Intelligence, and Pancreatic Cancer: A Tell-Tale Sign to Early Detection. Pancreas. 2020 Aug;49(7):882-886. doi: 10.1097/MPA.0000000000001603.
- Stoffel EM, Brand RE, Goggins M. Pancreatic Cancer: Changing Epidemiology and New Approaches to Risk Assessment, Early Detection, and Prevention. Gastroenterology. 2023 Apr;164(5):752-765. doi: 10.1053/j.gastro.2023.02.012. Epub 2023 Feb 18.
- Kenner B, Chari ST, Kelsen D, Klimstra DS, Pandol SJ, Rosenthal M, Rustgi AK, Taylor JA, Yala A, Abul-Husn N, Andersen DK, Bernstein D, Brunak S, Canto MI, Eldar YC, Fishman EK, Fleshman J, Go VLW, Holt JM, Field B, Goldberg A, Hoos W, Iacobuzio-Donahue C, Li D, Lidgard G, Maitra A, Matrisian LM, Poblete S, Rothschild L, Sander C, Schwartz LH, Shalit U, Srivastava S, Wolpin B. Artificial Intelligence and Early Detection of Pancreatic Cancer: 2020 Summative Review. Pancreas. 2021 Mar 1;50(3):251-279. doi: 10.1097/MPA.0000000000001762.
- Klein AP. Pancreatic cancer epidemiology: understanding the role of lifestyle and inherited risk factors. Nat Rev Gastroenterol Hepatol. 2021 Jul;18(7):493-502. doi: 10.1038/s41575-021-00457-x. Epub 2021 May 17.
- US Preventive Services Task Force; Owens DK, Davidson KW, Krist AH, Barry MJ, Cabana M, Caughey AB, Curry SJ, Doubeni CA, Epling JW Jr, Kubik M, Landefeld CS, Mangione CM, Pbert L, Silverstein M, Simon MA, Tseng CW, Wong JB. Screening for Pancreatic Cancer: US Preventive Services Task Force Reaffirmation Recommendation Statement. JAMA. 2019 Aug 6;322(5):438-444. doi: 10.1001/jama.2019.10232.
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
- Malattie del sistema endocrino
- Neoplasie per sede
- Neoplasie per tipo istologico
- Neoplasie dell'apparato digerente
- Malattie dell'apparato digerente
- Neoplasie delle ghiandole endocrine
- Malattie pancreatiche
- Neoplasie, ghiandolari ed epiteliali
- Neoplasie
- Neoplasie pancreatiche
- Neoplasie, cistiche, mucinose e sierose
Altri numeri di identificazione dello studio
- AI-PANC-1
- 202401063 (Altro numero di sovvenzione/finanziamento: Shanghai Municipal Bureau of Data)
- 202440208 (Altro numero di sovvenzione/finanziamento: Shanghai Municipal Health Commission)
- 20511101200 (Altro numero di sovvenzione/finanziamento: Shanghai Municipal Science and Technology Commission)
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
prodotto fabbricato ed esportato dagli 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 .