장상피화생과 위축성 위염에서의 위암 예측 (GIMA)
장상피화생 및 위축성 위염에서의 위암 예측 - 조직학 및 임상 데이터에 인공지능 적용
이 연구의 주요 목적은 다음과 같습니다.
- IM 및 AG 환자의 위암 발병과 관련된 임상적 또는 조직학적 요인을 확인하기 위해
- IM 및 AG 환자의 미래 위암 위험 예측 및 개별 위험 계층화를 위한 기계 학습 알고리즘 구축
연구 개요
상세 설명
이것은 임상 데이터 부분과 병리학 부분을 포함하는 두 부분으로 구성된 후향적 연구입니다. 훈련 코호트는 포함된 사례의 약 70%에서 개발될 것입니다. 나머지 사례에 대한 검증 코호트가 뒤따를 것입니다.
임상 데이터는 임상 데이터 분석 및 보고 시스템(CDARS) 및 임상 관리 시스템(CMS)을 사용하여 소급하여 수집됩니다. 조직학적으로 입증된 위 IM 및 AG 병력이 있는 환자로 구성된 클러스터 전체 코호트(New Territories East Cluster, NTEC)를 식별하고 후속 분석에 포함할 것입니다. 소급 데이터의 데이터 수집 기간은 2000-2020입니다.
조직학 슬라이드는 사용 가능한 경우 소급하여 검색됩니다(NTEC 내에서). 전체 슬라이드 이미징 기술은 병리학 부분에서 기계 학습 알고리즘을 사용하여 훈련 및 검증 코호트 개발에 활용됩니다.
연구 유형
등록 (추정된)
연락처 및 위치
연구 연락처
- 이름: Felix Sia
- 전화번호: +85226370428
- 이메일: felix.sia@cuhk.edu.hk
연구 연락처 백업
- 이름: Thomas Lam
- 전화번호: +85226370428
- 이메일: thomas.lam@cuhk.edu.hk
연구 장소
-
-
New Territories
-
Shatin, New Territories, 홍콩
- 모병
- Prince of Wales Hospital
-
-
참여기준
자격 기준
공부할 수 있는 나이
건강한 자원 봉사자를 받아들입니다
샘플링 방법
연구 인구
임상 데이터는 임상 데이터 분석 및 보고 시스템(CDARS) 및 임상 관리 시스템(CMS)을 사용하여 소급하여 수집됩니다. 조직학적으로 입증된 위 IM 및 AG 병력이 있는 환자로 구성된 클러스터 전체 코호트(New Territories East Cluster, NTEC)를 식별하고 후속 분석에 포함할 것입니다. 소급 데이터의 데이터 수집 기간은 2000-2020입니다.
조직학 슬라이드는 사용 가능한 경우 소급하여 검색됩니다(NTEC 내에서). 전체 슬라이드 이미징 기술은 병리학 부분에서 기계 학습 알고리즘을 사용하여 훈련 및 검증 코호트 개발에 활용됩니다.
설명
포함 기준:
- 성인 >= 18세
- 조직학적으로 입증된 위축성 위염 또는 장화생(전구 및/또는 체부 및/또는 위각)
제외 기준:
- 없음
공부 계획
연구는 어떻게 설계됩니까?
디자인 세부사항
코호트 및 개입
그룹/코호트 |
|---|
|
장상피화생
조직학적으로 입증된 위화생의 병력이 있는 환자
|
|
위축성 위염
조직학적으로 입증된 위축성 위염의 병력이 있는 환자
|
연구는 무엇을 측정합니까?
주요 결과 측정
결과 측정 |
측정값 설명 |
기간 |
|---|---|---|
|
위암 및 위 형성이상
기간: 20 년
|
1차 종료점은 위암(장형) 및 위 형성이상(저등급 및 고급 이형성증)의 발생률입니다.
|
20 년
|
2차 결과 측정
결과 측정 |
측정값 설명 |
기간 |
|---|---|---|
|
기계 학습 모델의 전반적인 정확도
기간: 20 년
|
기계 학습 모델의 전반적인 정확도가 평가됩니다.
|
20 년
|
|
머신러닝 모델의 민감도
기간: 20 년
|
기계 학습 모델의 민감도를 평가합니다.
|
20 년
|
|
기계 학습 모델의 특이성
기간: 20 년
|
기계 학습 모델의 특이성을 평가합니다.
|
20 년
|
|
기계 학습 모델의 긍정적인 예측 가치
기간: 20 년
|
기계 학습 모델의 긍정적인 예측 값이 평가됩니다.
|
20 년
|
|
기계 학습 모델의 부정적인 예측 값
기간: 20 년
|
기계 학습 모델의 부정적인 예측 값이 평가됩니다.
|
20 년
|
|
기계 학습 모델의 수신기 작동 특성 곡선 아래 영역
기간: 20 년
|
기계 학습 모델의 수신기 작동 특성 곡선 아래 영역이 평가됩니다.
|
20 년
|
공동 작업자 및 조사자
연구 기록 날짜
연구 주요 날짜
연구 시작 (실제)
기본 완료 (추정된)
연구 완료 (추정된)
연구 등록 날짜
최초 제출
QC 기준을 충족하는 최초 제출
처음 게시됨 (실제)
연구 기록 업데이트
마지막 업데이트 게시됨 (실제)
QC 기준을 충족하는 마지막 업데이트 제출
마지막으로 확인됨
추가 정보
이 정보는 변경 없이 clinicaltrials.gov 웹사이트에서 직접 가져온 것입니다. 귀하의 연구 세부 정보를 변경, 제거 또는 업데이트하도록 요청하는 경우 register@clinicaltrials.gov. 문의하십시오. 변경 사항이 clinicaltrials.gov에 구현되는 즉시 저희 웹사이트에도 자동으로 업데이트됩니다. .