유방암 환자의 전신 염증 표지자의 연속 평가를 위한 기계 학습 기술의 사용 (INFLAMMATE)
2025년 3월 10일 업데이트: Afonso Celso Pinto Nazario, Federal University of São Paulo
유방암은 전 세계적으로 여성에게 가장 흔한 암으로, 2020년에는 230만 건의 새로운 사례가 진단되었습니다.
호르몬 수용체 양성(HR+), 인간 표피 성장 인자 수용체 2 음성(HER2-) 유방암은 가장 널리 퍼진 하위 유형으로, 미국 전체 유방암의 69%를 차지합니다.
종양 면역 미세환경 내에서 골수 세포 침윤 강도가 높을수록, 림프구 침윤 수준이 낮을수록 결과가 더 나빠지는 것으로 나타났습니다.
말초 혈액의 마커는 비침습적이고 저렴한 비용으로 쉽게 얻을 수 있는 예측 바이오마커로 등장했습니다.
실험을 통해 이러한 테스트의 상대적 구성 요소(예: 면역 세포)가 종양 발생, 발달 및 면역 탈출에 직간접적으로 참여한다는 사실이 확인되었으며, 이는 실험실 테스트를 종양 바이오마커로 사용할 가능성이 있음을 강조합니다.
연구 개요
상세 설명
유방암에서는 말초 혈액의 호중구 수치 증가와 림프구 수치 감소가 전체 생존율(OS) 악화와 관련이 있습니다. HR+에서는 HER2- 전이성 유방암, 낮은 치료 전 NLR 및 높은 치료 전 절대 림프구 수(ALC)가 더 나은 무진행 생존율(PFS) 및 OS와 관련이 있었습니다. 기계 학습(ML) 알고리즘을 기반으로 한 예측 모델의 개발은 예측에 사용되어 다양한 유형의 암 진단을 지원합니다.
정기적인 실험실 검사가 유방암 바이오마커가 될 가능성이 있지만 단일 검사로는 아직 적절한 민감도나 특이도를 제공하지 못합니다. 인공 지능(AI)은 여러 테스트의 데이터를 통합하여 진단을 돕는 데 도움이 될 수 있습니다. 데이터 저장 용량, 컴퓨팅 성능, 향상된 알고리즘과 같은 기술적 개선은 ML이 실험실 테스트 데이터에서 임상적으로 의미 있는 정보를 처리할 수 있음을 의미합니다. 다양한 병리학적 유형의 부재, 소규모 코호트, 외부 검증 부족 등의 한계로 인해 모델의 일반화 가능성과 안정성에 대한 확인이 여전히 필요합니다. 따라서 유방암 환자의 보다 정확한 계층화를 위해서는 경쟁 모델도 필수적입니다. 이 후향적 다기관 연구의 목적은 유방암을 예측하는 실험실 검사의 능력을 체계적으로 평가하고, 유방암 환자를 식별하는 데 도움이 되는 강력하고 일반화 가능한 모델을 개발하는 것입니다.
연구 유형
관찰
등록 (추정된)
4500
연락처 및 위치
이 섹션에서는 연구를 수행하는 사람들의 연락처 정보와 이 연구가 수행되는 장소에 대한 정보를 제공합니다.
연구 장소
-
-
-
Seul, 대한민국
- Wonshik Han
-
-
-
-
-
Mexico City, 멕시코
- Cynthia Mayte Villarreal Garza
-
-
-
-
Minas Gerais
-
Uberaba, Minas Gerais, 브라질
- Rosekeila Simoes Nomeline
-
-
Rio Grande do Sul
-
Porto Alegre, Rio Grande do Sul, 브라질
- Tomas Reinert
-
-
Sao Paulo
-
Barretos, Sao Paulo, 브라질
- Idam Oliveira Junior
-
Campinas, Sao Paulo, 브라질
- César Cabello
-
Ribeirão Preto, Sao Paulo, 브라질
- Daniel Guimaraes Tiezzi
-
-
-
-
-
Madrid, 스페인
- Cristina Saura
-
-
-
-
-
Buenos Aires, 아르헨티나
- Pablo Mandó
-
-
-
-
-
Cairo, 이집트
- Salma Elashwah
-
-
-
-
-
Osaka, 일본
- Masahiro Takada
-
Tokyo, 일본, 113-8677
- Masakazu Toi
-
-
-
-
Ontario
-
Toronto, Ontario, 캐나다
- Vasily Giannakeas
-
-
참여기준
연구원은 적격성 기준이라는 특정 설명에 맞는 사람을 찾습니다. 이러한 기준의 몇 가지 예는 개인의 일반적인 건강 상태 또는 이전 치료입니다.
자격 기준
공부할 수 있는 나이
- 성인
- 고령자
건강한 자원 봉사자를 받아들입니다
아니
샘플링 방법
비확률 샘플
연구 인구
본 연구에 참여한 모든 여성은 2013년 1월 1일부터 2018년 12월 31일까지 병리학적으로 유방암 진단을 받고 수술 또는 신보강 화학요법을 받은 환자들입니다.
설명
포함 기준:
- 18세에서 75세 사이의 여성 환자;
- 병리학적 진단을 받은 침윤성 유방암 환자;
- 2013년 1월 1일부터 2018년 12월 31일 사이에 진단을 받은 환자;
- 외과적 개입(유방절제술 또는 보존적 유방 수술) 또는 신보강 화학 요법 전에 전체 혈구 검사를 실시하십시오.
제외 기준:
혈액학적 장애의 존재;
- 양측 유방암;
- 남성;
- Karnofsky 성능 상태 점수 < 70';
- 염증성 유방암 및 상피내 암종;
- 임신 또는 모유 수유;
- 국소 또는 원격 재발의 증거.
공부 계획
이 섹션에서는 연구 설계 방법과 연구가 측정하는 내용을 포함하여 연구 계획에 대한 세부 정보를 제공합니다.
연구는 어떻게 설계됩니까?
디자인 세부사항
코호트 및 개입
그룹/코호트 |
개입 / 치료 |
|---|---|
|
그룹 I: 유방암
본 연구에 참여한 모든 참가자는 2013년 1월 1일부터 2018년 12월 31일까지 유방암 진단을 받고 수술 또는 신보강 화학요법을 받은 여성입니다.
|
수술(유방절제술 또는 사분면절제술); 신보강 화학요법
다른 이름들:
|
연구는 무엇을 측정합니까?
주요 결과 측정
결과 측정 |
측정값 설명 |
기간 |
|---|---|---|
|
전체 생존
기간: 진단일로부터 사망일까지 최대 120개월까지 평가
|
전체 생존
|
진단일로부터 사망일까지 최대 120개월까지 평가
|
2차 결과 측정
결과 측정 |
측정값 설명 |
기간 |
|---|---|---|
|
질병 없는 생존
기간: 진단일부터 첫 진행일(종양의 국소 재발 또는 원격 전이)까지 최대 60개월까지 평가
|
질병 없는 생존
|
진단일부터 첫 진행일(종양의 국소 재발 또는 원격 전이)까지 최대 60개월까지 평가
|
공동 작업자 및 조사자
여기에서 이 연구와 관련된 사람과 조직을 찾을 수 있습니다.
협력자
수사관
- 수석 연구원: Afonso C Nazario, PhD, University Federal of Sao Paulo
간행물 및 유용한 링크
연구에 대한 정보 입력을 담당하는 사람이 자발적으로 이러한 간행물을 제공합니다. 이것은 연구와 관련된 모든 것에 관한 것일 수 있습니다.
일반 간행물
- Sung H, Ferlay J, Siegel RL, Laversanne M, Soerjomataram I, Jemal A, Bray F. Global Cancer Statistics 2020: GLOBOCAN Estimates of Incidence and Mortality Worldwide for 36 Cancers in 185 Countries. CA Cancer J Clin. 2021 May;71(3):209-249. doi: 10.3322/caac.21660. Epub 2021 Feb 4.
- Faria SS, Giannarelli D, Cordeiro de Lima VC, Anwar SL, Casadei C, De Giorgi U, Madonna G, Ascierto PA, Mendoza Lopez RV, Chammas R, Capone M. Development of a Prognostic Model for Early Breast Cancer Integrating Neutrophil to Lymphocyte Ratio and Clinical-Pathological Characteristics. Oncologist. 2024 Apr 4;29(4):e447-e454. doi: 10.1093/oncolo/oyad303.
- Choi E, Bahadori MT, Schuetz A, Stewart WF, Sun J. Doctor AI: Predicting Clinical Events via Recurrent Neural Networks. JMLR Workshop Conf Proc. 2016 Aug;56:301-318. Epub 2016 Dec 10.
연구 기록 날짜
이 날짜는 ClinicalTrials.gov에 대한 연구 기록 및 요약 결과 제출의 진행 상황을 추적합니다. 연구 기록 및 보고된 결과는 공개 웹사이트에 게시되기 전에 특정 품질 관리 기준을 충족하는지 확인하기 위해 국립 의학 도서관(NLM)에서 검토합니다.
연구 주요 날짜
연구 시작 (실제)
2024년 8월 1일
기본 완료 (실제)
2024년 12월 31일
연구 완료 (추정된)
2027년 2월 1일
연구 등록 날짜
최초 제출
2024년 4월 26일
QC 기준을 충족하는 최초 제출
2024년 6월 2일
처음 게시됨 (실제)
2024년 6월 7일
연구 기록 업데이트
마지막 업데이트 게시됨 (실제)
2025년 3월 25일
QC 기준을 충족하는 마지막 업데이트 제출
2025년 3월 10일
마지막으로 확인됨
2024년 6월 1일
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. .