Diepgaande leerhandtekening voor het voorspellen van volledige pathologische respons op neoadjuvante chemo-immunotherapie bij niet-kleincellige longkanker
Een integratie van een op computertomografie/positronemissietomografie/whole slide image (CT/PET/WSI) gebaseerde deep learning-handtekening voor het voorspellen van een volledige pathologische respons op neoadjuvante chemo-immunotherapie bij niet-kleincellige longkanker: een multicenter onderzoek
Studie Overzicht
Toestand
Toestand
Conditie
Conditie
Interventie / Behandeling
Interventie / Behandeling
Studietype
Studietype
Inschrijving (Geschat)
Inschrijving
Contacten en locaties
Studie Locaties
-
-
Guizhou
-
Zunyi, Guizhou, China
- Werving
- Affiliated Hospital of Zunyi Medical University
-
Contact:
- Yongxiang Song, Dr
- Telefoonnummer: 15505177258
- E-mail: zhong961008@163.com
-
-
Jiangxi
-
Nanchang, Jiangxi, China
- Werving
- The First Affiliated Hospital of Nanchang University
-
Contact:
- Bentong Yu, Dr
- Telefoonnummer: 021-65115006
- E-mail: 1151697503@qq.com
-
-
Zhejiang
-
Ningbo, Zhejiang, China
- Werving
- Ningbo HwaMei Hospital
-
Contact:
- Minglei Yang, Dr
- Telefoonnummer: 021-65115006
- E-mail: almondjj@163.com
-
-
Deelname Criteria
Geschiktheidscriteria
Geschiktheidscriteria
Leeftijden die in aanmerking komen voor studie
- Volwassen
- Oudere volwassene
Accepteert gezonde vrijwilligers
Bemonsteringsmethode
Studie Bevolking
Beschrijving
Inclusiecriteria:
- Leeftijd variërend van 20-75 jaar;
- Patiënten die een curatieve operatie ondergingen na neoadjuvante chemo-immunotherapie voor NSCLC;
- Schriftelijke geïnformeerde toestemming verkregen.
Uitsluitingscriteria:
- Ontbrekende afbeeldingsgegevens;
- Pathologische N3-ziekte.
Studie plan
Hoe is de studie opgezet?
Ontwerpdetails
Wat meet het onderzoek?
Primaire uitkomstmaten
Primaire uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
|---|---|---|
|
Gebied onder de bedrijfskarakteristiek van de ontvanger
Tijdsspanne: 2023.5.1-2023.10.31
|
Het gebied onder de Receiver Operating Characteristic Curve (ROC) van het deep learning-model bij het voorspellen van volledige pathologische respons (CPR).
CPR werd gedefinieerd als geen resterende tumor in zowel de gereseceerde primaire tumor als de lymfeklieren.
Patiënten met niet-kleincellige longkanker die neoadjuvante chemo-immunotherapie krijgen, zullen reanimatie of niet-reanimatie bereiken, wat kan worden bevestigd door pathologisch onderzoek na chirurgische resectie.
En het model zal de voorspellende waarde (reanimatie/niet-reanimatie) uitvoeren voor elke patiënt die neoadjuvante chemo-immunotherapie krijgt.
|
2023.5.1-2023.10.31
|
Secundaire uitkomstmaten
Secundaire uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
|---|---|---|
|
Gevoeligheid
Tijdsspanne: 2023.5.1-2023.10.31
|
De gevoeligheid van het deep learning-model bij het voorspellen van een volledige pathologische respons.
CPR werd gedefinieerd als geen resterende tumor in zowel de gereseceerde primaire tumor als de lymfeklieren.
Patiënten met niet-kleincellige longkanker die neoadjuvante chemo-immunotherapie krijgen, zullen reanimatie of niet-reanimatie bereiken, wat kan worden bevestigd door pathologisch onderzoek na chirurgische resectie.
En het model zal de voorspellende waarde (reanimatie/niet-reanimatie) uitvoeren voor elke patiënt die neoadjuvante chemo-immunotherapie krijgt.
|
2023.5.1-2023.10.31
|
Andere uitkomstmaten
Andere uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
|---|---|---|
|
Specificiteit
Tijdsspanne: 2023.5.1-2023.10.31
|
De specificiteit van het deep learning-model bij het voorspellen van een volledige pathologische respons.
CPR werd gedefinieerd als geen resterende tumor in zowel de gereseceerde primaire tumor als de lymfeklieren.
Patiënten met niet-kleincellige longkanker die neoadjuvante chemo-immunotherapie krijgen, zullen reanimatie of niet-reanimatie bereiken, wat kan worden bevestigd door pathologisch onderzoek na chirurgische resectie.
En het model zal de voorspellende waarde (reanimatie/niet-reanimatie) uitvoeren voor elke patiënt die neoadjuvante chemo-immunotherapie krijgt.
|
2023.5.1-2023.10.31
|
|
Positieve voorspellende waarde
Tijdsspanne: 2023.5.1-2023.10.31
|
De positief voorspellende waarde van het deep learning-model bij het voorspellen van een volledige pathologische respons.
CPR werd gedefinieerd als geen resterende tumor in zowel de gereseceerde primaire tumor als de lymfeklieren.
Patiënten met niet-kleincellige longkanker die neoadjuvante chemo-immunotherapie krijgen, zullen reanimatie of niet-reanimatie bereiken, wat kan worden bevestigd door pathologisch onderzoek na chirurgische resectie.
En het model zal de voorspellende waarde (reanimatie/niet-reanimatie) uitvoeren voor elke patiënt die neoadjuvante chemo-immunotherapie krijgt.
|
2023.5.1-2023.10.31
|
|
Negatieve voorspellende waarde
Tijdsspanne: 2023.5.1-2023.10.31
|
De negatief voorspellende waarde van het deep learning-model bij het voorspellen van een volledige pathologische respons.
CPR werd gedefinieerd als geen resterende tumor in zowel de gereseceerde primaire tumor als de lymfeklieren.
Patiënten met niet-kleincellige longkanker die neoadjuvante chemo-immunotherapie krijgen, zullen reanimatie of niet-reanimatie bereiken, wat kan worden bevestigd door pathologisch onderzoek na chirurgische resectie.
En het model zal de voorspellende waarde (reanimatie/niet-reanimatie) uitvoeren voor elke patiënt die neoadjuvante chemo-immunotherapie krijgt.
|
2023.5.1-2023.10.31
|
|
Nauwkeurigheid
Tijdsspanne: 2023.5.1-2023.10.31
|
De nauwkeurigheid van het deep learning-model bij het voorspellen van een volledige pathologische respons.
CPR werd gedefinieerd als geen resterende tumor in zowel de gereseceerde primaire tumor als de lymfeklieren.
Patiënten met niet-kleincellige longkanker die neoadjuvante chemo-immunotherapie krijgen, zullen reanimatie of niet-reanimatie bereiken, wat kan worden bevestigd door pathologisch onderzoek na chirurgische resectie.
En het model zal de voorspellende waarde (reanimatie/niet-reanimatie) uitvoeren voor elke patiënt die neoadjuvante chemo-immunotherapie krijgt.
|
2023.5.1-2023.10.31
|
Medewerkers en onderzoekers
Sponsor
Sponsor
Medewerkers
Medewerkers
Studie record data
Bestudeer belangrijke data
Studie start (Werkelijk)
Studie start
Primaire voltooiing (Geschat)
Primaire voltooiing
Studie voltooiing (Geschat)
Studie voltooiing
Studieregistratiedata
Eerst ingediend
Eerst ingediend
Eerst ingediend dat voldeed aan de QC-criteria
Eerst ingediend dat voldeed aan de QC-criteria
Eerst geplaatst (Werkelijk)
Eerst geplaatst
Updates van studierecords
Laatste update geplaatst (Werkelijk)
Laatste update geplaatst
Laatste update ingediend die voldeed aan QC-criteria
Laatste update ingediend die voldeed aan QC-criteria
Laatst geverifieerd
Laatst geverifieerd
Meer informatie
Termen gerelateerd aan deze studie
Aanvullende relevante MeSH-voorwaarden
Andere studie-ID-nummers
Andere studie-ID-nummers
- DLCPR
Plan Individuele Deelnemersgegevens (IPD)
Bent u van plan om gegevens van individuele deelnemers (IPD) te delen?
Informatie over medicijnen en apparaten, studiedocumenten
Bestudeert een door de Amerikaanse FDA gereguleerd geneesmiddel
Bestudeert een door de Amerikaanse FDA gereguleerd apparaatproduct
Deze informatie is zonder wijzigingen rechtstreeks van de website clinicaltrials.gov gehaald. Als u verzoeken heeft om uw onderzoeksgegevens te wijzigen, te verwijderen of bij te werken, neem dan contact op met register@clinicaltrials.gov. Zodra er een wijziging wordt doorgevoerd op clinicaltrials.gov, wordt deze ook automatisch bijgewerkt op onze website .