방광암의 신 보조 치료의 효능을 예측하기위한 멀티 모달 융합 인공 지능 모델의 개발 및 전향 적 검증
연구 개요
상세 설명
방광암은 전 세계적으로 생식기 시스템의 가장 흔한 악성 종양 중 하나입니다. 근육 - 급진적 절제술에 적합한 침습성 방광암의 경우, 표준 치료는 신 보조제 요법이 중요한 역할을하는 신 보조 요법입니다. 현재, 수많은 연구에 따르면 시스플라틴 - 기반 신 보조제 화학 요법은 무대에서 종양을 내리고 방광암 환자의 사망 위험을 줄이며 생존율을 개선하며 예후를 향상시킬 수 있습니다. 신 보조 면역 요법, 표적 요법 및 병용 요법과 같은 다른 치료 접근법도 조사 중입니다. 그러나, 신 보조 요법에 대한 반응은 방광암 환자마다 다르며 일부는 원하는 치료 목표를 달성하지 못한다. 따라서, 치료에 대한 참가자의 반응을 정확하게 예측하면 방광암의 개인화되고 정확한 치료에 대한 중요한 참조가 제공 될 수 있습니다.
최근 몇 년 동안 계산 능력 및 데이터 저장 용량의 발전으로 인공 지능 (AI)이 디지털 진단 분야에 널리 적용되었습니다. AI 기술은 병리학, 이미징 및 임상 기록과 같은 다중 모드 데이터에서 많은 수의 기능을 추출하고 통합하여 정확한 질병 진단, 예후 평가 및 치료 예측을 가능하게 할 수 있습니다. 종양 치료 예측 분야에서, 다중 모드 AI 기술은 수많은 돌파구를 달성하고, 영상 및 병리학 적 데이터에 기초한 직장 및 유방암과 같은 종양에 대한 효능 예측 모델을 개발하고, 외부 검증을 통해 모델의 일반화 능력을 검증했다.
따라서, 연구자들은 MRI 이미지, 디지털 병리 이미지 및 방광암 환자의 임상 기록과 같은 멀티 모달 데이터를 기반으로 "방광암 신 보조 치료 효능 예측 모델"을 구성하고 검증 할 계획이며 방광암에서 신 보조 치료 효능을위한 AI 지원 예측 소프트웨어를 개발할 계획이다. 연구자들은이 AI 진단 모델이 방광암 환자의 신 보조 치료 효능을 계층화하는 데 도움이되는 보조 도구 역할을하여 정확한 치료 계획을 공식화하고 인간 및 물질 자원의 소비를 줄이며 최적의 치료 기회를 압수하기를 희망합니다.
연구 유형
등록 (실제)
연락처 및 위치
연구 장소
-
-
Guangdong
-
Guangzhou, Guangdong, 중국, 510080
- Sun Yat-Sen Memorial Hospital of Sun Yat-Sen University
-
-
참여기준
자격 기준
공부할 수 있는 나이
- 어린이
- 성인
- 고령자
건강한 자원 봉사자를 받아들입니다
샘플링 방법
연구 인구
설명
포함 기준 :
- 절제 후 방광암의 조직 병리학 적 확인과 함께 방광을 점유하는 방광.
- 계획된 신 보조 요법 및 라디칼 방광 절제술.
제외 기준 :
- 표준 방광 영상 검사를받지 않았거나 이미징 또는 병리학 적 데이터가 누락 된 환자.
- 국소 치료 (예 : 중재 적 색전술) 또는 전신 치료 (예 : 방사선 요법, 화학 요법, 면역 요법 또는 표적 요법)를받은 환자.
- 영상의 질이 좋지 않거나 병리학 적 이미지.
공부 계획
연구는 어떻게 설계됩니까?
디자인 세부사항
코호트 및 개입
그룹/코호트 |
개입 / 치료 |
|---|---|
|
방광암 환자는 신 보조 요법을받는 환자
신 보조제 요법을받는 방광암으로 진단 된 환자.
|
Collect magnetic resonance imaging and pathological slides of resected tumor of the enrolled patients.
Analyze the data using the AI model to generate predictive results (sensitive or insensitive to the neoadjavant therapy).
No intervention to patients would be performed in this diagnostic test study.
|
연구는 무엇을 측정합니까?
주요 결과 측정
결과 측정 |
측정값 설명 |
기간 |
|---|---|---|
|
AUC (Area Under the Receiver Operating Characteristic Curve)
기간: For each enrolled patient, the AI model's prediction results will be generated within several days after neoadjuvant therapy. The AUC of the model will be evaluated upon study completion, an average of 3 years.
|
A comprehensive metric reflecting the overall discriminative ability of the AI model, which integrates the model's sensitivity and specificity across all possible threshold values.
It quantifies the probability that the model will correctly rank a randomly selected therapy-sensitive patient higher than a randomly selected therapy-insensitive patient.
|
For each enrolled patient, the AI model's prediction results will be generated within several days after neoadjuvant therapy. The AUC of the model will be evaluated upon study completion, an average of 3 years.
|
2차 결과 측정
결과 측정 |
측정값 설명 |
기간 |
|---|---|---|
|
sensitivity
기간: For each enrolled patient, the predictive results of AI model will be obtained in several days after neoadjuvant therapy, and the sensitivity of the AI model will be evaluated through study completion, an average of 3 year.
|
the number of correctly diagnosed positive patient (sensitive to therapy), to be divided by the number of patients in total.
|
For each enrolled patient, the predictive results of AI model will be obtained in several days after neoadjuvant therapy, and the sensitivity of the AI model will be evaluated through study completion, an average of 3 year.
|
|
specificity
기간: For each enrolled patient, the predictive results of AI model will be obtained in several days after neoadjuvant therapy, and the specificity of the AI model will be evaluated through study completion, an average of 3 year.
|
the number of correctly diagnosed negative patients (therapy insensitive), to be divided by the number of negative patients in total.
|
For each enrolled patient, the predictive results of AI model will be obtained in several days after neoadjuvant therapy, and the specificity of the AI model will be evaluated through study completion, an average of 3 year.
|
공동 작업자 및 조사자
연구 기록 날짜
연구 주요 날짜
연구 시작 (실제)
기본 완료 (실제)
연구 완료 (실제)
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 연구와 관련된 용어
추가 관련 MeSH 약관
기타 연구 ID 번호
- SYSKY-2024-738-01
개별 참가자 데이터(IPD) 계획
개별 참가자 데이터(IPD)를 공유할 계획입니까?
IPD 계획 설명
약물 및 장치 정보, 연구 문서
미국 FDA 규제 의약품 연구
미국 FDA 규제 기기 제품 연구
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. .