Deze pagina is automatisch vertaald en de nauwkeurigheid van de vertaling kan niet worden gegarandeerd. Raadpleeg de Engelse versie voor een brontekst.

Deep Learning-handtekening voor het voorspellen van agressief histologisch patroon bij gereseceerde niet-kleincellige longkanker

27 juni 2023 bijgewerkt door: Chang Chen, Shanghai Pulmonary Hospital, Shanghai, China

Op positronemissietomografie/computertomografie (PET/CT) gebaseerde deep learning-handtekening voor het voorspellen van agressief histologisch patroon bij gereseceerde niet-kleincellige longkanker

Het doel van deze studie is het evalueren van de prestaties van een PET/CT-gebaseerde deep learning-handtekening voor het voorspellen van agressief histologisch patroon bij gereseceerde niet-kleincellige longkanker op basis van een multicenter prospectief cohort.

Studie Overzicht

Toestand

Werving

Conditie

Interventie / Behandeling

Studietype

Observationeel

Inschrijving (Geschat)

1500

Contacten en locaties

In dit gedeelte vindt u de contactgegevens van degenen die het onderzoek uitvoeren en informatie over waar dit onderzoek wordt uitgevoerd.

Studie Locaties

  • China
    • Guizhou
      • Zunyi, Guizhou, China
        • Werving
        • Affiliated Hospital of Zunyi Medical University
        • Contact:
    • Jiangxi
      • Nanchang, Jiangxi, China
        • Werving
        • The First Affiliated Hospital of Nanchang University
        • Contact:
    • Zhejiang
      • Ningbo, Zhejiang, China
        • Werving
        • Ningbo HwaMei Hospital
        • Contact:

Deelname Criteria

Onderzoekers zoeken naar mensen die aan een bepaalde beschrijving voldoen, de zogenaamde geschiktheidscriteria. Enkele voorbeelden van deze criteria zijn iemands algemene gezondheidstoestand of eerdere behandelingen.

Geschiktheidscriteria

Leeftijden die in aanmerking komen voor studie

  • Volwassen
  • Oudere volwassene

Accepteert gezonde vrijwilligers

Ja

Bemonsteringsmethode

Niet-waarschijnlijkheidssteekproef

Studie Bevolking

Uitgesneden stadium I-III niet-kleincellige longkanker

Beschrijving

Inclusiecriteria:

(1) Deelnemers gepland voor een operatie voor radiologische vondst van longlaesies van de preoperatieve dunne-sectie CT-scans; (2) Pathologische bevestiging van primaire NSCLC; (3) Leeftijd variërend van 20-75 jaar; (4) Schriftelijke geïnformeerde toestemming verkregen.

Uitsluitingscriteria:

(1) Meerdere longlaesies; (2) Slechte kwaliteit van PET-CT-beelden; (3) deelnemers met onvolledige klinische informatie; (4) Deelnemers die neoadjuvante therapie hebben gekregen.

Studie plan

Dit gedeelte bevat details van het studieplan, inclusief hoe de studie is opgezet en wat de studie meet.

Hoe is de studie opgezet?

Ontwerpdetails

Wat meet het onderzoek?

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 de aan- of afwezigheid van het agressieve histologische patroon. Het agressieve histologische patroon omvat verspreiding door de luchtruimte (STAS), viscerale pleurale invasie (VPI) en lymfovasculaire invasie (LVI). En het model zal alle voorspellende waarden (aanwezigheid of afwezigheid) van de drie soorten agressieve histologische patronen uitvoeren.
2023.5.1-2023.10.31

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 de aan- of afwezigheid van het agressieve histologische patroon. Het agressieve histologische patroon omvat verspreiding door de luchtruimte (STAS), viscerale pleurale invasie (VPI) en lymfovasculaire invasie (LVI). En het model zal alle voorspellende waarden (aanwezigheid of afwezigheid) van de drie soorten agressieve histologische patronen uitvoeren.
2023.5.1-2023.10.31

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 de aanwezigheid of afwezigheid van het agressieve histologische patroon. Het agressieve histologische patroon omvat verspreiding door de luchtruimte (STAS), viscerale pleurale invasie (VPI) en lymfovasculaire invasie (LVI). En het model zal alle voorspellende waarden (aanwezigheid of afwezigheid) van de drie soorten agressieve histologische patronen uitvoeren.
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 de aan- of afwezigheid van het agressieve histologische patroon. Het agressieve histologische patroon omvat verspreiding door de luchtruimte (STAS), viscerale pleurale invasie (VPI) en lymfovasculaire invasie (LVI). En het model zal alle voorspellende waarden (aanwezigheid of afwezigheid) van de drie soorten agressieve histologische patronen uitvoeren.
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 de aan- of afwezigheid van het agressieve histologische patroon. Het agressieve histologische patroon omvat verspreiding door de luchtruimte (STAS), viscerale pleurale invasie (VPI) en lymfovasculaire invasie (LVI). En het model zal alle voorspellende waarden (aanwezigheid of afwezigheid) van de drie soorten agressieve histologische patronen uitvoeren.
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 de aan- of afwezigheid van het agressieve histologische patroon. Het agressieve histologische patroon omvat verspreiding door de luchtruimte (STAS), viscerale pleurale invasie (VPI) en lymfovasculaire invasie (LVI). En het model zal alle voorspellende waarden (aanwezigheid of afwezigheid) van de drie soorten agressieve histologische patronen uitvoeren.
2023.5.1-2023.10.31

Medewerkers en onderzoekers

Hier vindt u mensen en organisaties die betrokken zijn bij dit onderzoek.

Sponsor

Shanghai Pulmonary Hospital, Shanghai, China

Medewerkers

Zunyi Medical College
Ningbo HwaMei Hospital, Zhejiang, China
The First Affiliated Hospital of Nanchang University, Jiangxi, China

Studie record data

Deze datums volgen de voortgang van het onderzoeksdossier en de samenvatting van de ingediende resultaten bij ClinicalTrials.gov. Studieverslagen en gerapporteerde resultaten worden beoordeeld door de National Library of Medicine (NLM) om er zeker van te zijn dat ze voldoen aan specifieke kwaliteitscontrolenormen voordat ze op de openbare website worden geplaatst.

Bestudeer belangrijke data

Studie start (Werkelijk)

1 mei 2023

Primaire voltooiing (Geschat)

31 oktober 2023

Studie voltooiing (Geschat)

31 oktober 2023

Studieregistratiedata

Eerst ingediend

12 mei 2023

Eerst ingediend dat voldeed aan de QC-criteria

27 juni 2023

Eerst geplaatst (Werkelijk)

29 juni 2023

Updates van studierecords

Laatste update geplaatst (Werkelijk)

29 juni 2023

Laatste update ingediend die voldeed aan QC-criteria

27 juni 2023

Laatst geverifieerd

1 juni 2023

Meer informatie

Termen gerelateerd aan deze studie

Aanvullende relevante MeSH-voorwaarden

Andere studie-ID-nummers

  • DLAHP

Plan Individuele Deelnemersgegevens (IPD)

Bent u van plan om gegevens van individuele deelnemers (IPD) te delen?

NEE

Informatie over medicijnen en apparaten, studiedocumenten

Bestudeert een door de Amerikaanse FDA gereguleerd geneesmiddel

Nee

Bestudeert een door de Amerikaanse FDA gereguleerd apparaatproduct

Nee

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 .

Abonneren