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

Machine learning om lymfekliermetastasen te voorspellen bij T1-slokdarmplaveiselcelcarcinoom

9 februari 2024 bijgewerkt door: Shanghai Zhongshan Hospital

Machine learning om lymfekliermetastasen te voorspellen bij T1-slokdarmplaveiselcelcarcinoom: een multicenter onderzoek

Bestaande modellen doen het slecht als het gaat om het kwantificeren van het risico op lymfekliermetastasen (LNM). Deze studie genereerde elastic net regressie (ELR), random forest (RF), extreme gradiënt boosting (XGB) en een gecombineerd (ensemble) model hiervan voor LNM bij patiënten met T1-slokdarmplaveiselcelcarcinoom.

Studie Overzicht

Toestand

Voltooid

Conditie

Interventie / Behandeling

Gedetailleerde beschrijving

Lymfekliermetastasen (LNM) zijn een relatief ongebruikelijke maar mogelijke complicatie van T1-slokdarmplaveiselcelcarcinoom (ESCC). Bestaande modellen doen het slecht als het gaat om het kwantificeren van dit risico. Deze studie had tot doel een machinaal leermodel voor LNM te ontwikkelen bij patiënten met T1-slokdarmplaveiselcelcarcinoom.

Patiënten met plaveiselcelcarcinoom T1 die tussen januari 2010 en september 2021 operatief werden behandeld uit 3 instellingen, werden in dit onderzoek geïncludeerd. Er werden machinale leermodellen ontwikkeld met behulp van gegevens over de leeftijd en het geslacht van patiënten, de diepte van de tumorinvasie, de tumorgrootte, de tumorlocatie, het macroscopische tumortype, de lymfatische en vasculaire invasie en de histologische graad. Elastic net regressie (ELR), random forest (RF), extreme gradiënt boosting (XGB) en een gecombineerd (ensemble) model hiervan werden gegenereerd. Gebruik Area Under Curve (AUC) om het voorspellende vermogen van het model te evalueren. Van elke factor werd de bijdrage aan het model berekend. Om beter aan de klinische behoeften te voldoen, hebben de onderzoekers het model ontworpen als een gebruiksvriendelijke website.

Studietype

Ingrijpend

Inschrijving (Werkelijk)

1267

Fase

  • Niet toepasbaar

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
    • Shanghai
      • Shanghai, Shanghai, China, 200032
        • Zhongshan Hospital Affiliated to Fudan University

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

  • Kind
  • Volwassen
  • Oudere volwassene

Accepteert gezonde vrijwilligers

Nee

Beschrijving

Inclusiecriteria:

  • (I) thoracale ESCC
  • (II) geen voorgeschiedenis van gelijktijdige of eerdere maligniteit
  • (III) tumor met pT1-stadiëring
  • (IV) 15 of meer lymfeklieren onderzocht

Uitsluitingscriteria:

  • vóór de operatie een neoadjuvante behandeling of een endoscopische submucosale dissectie heeft ondergaan

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

  • Primair doel: Diagnostisch
  • Toewijzing: NVT
  • Interventioneel model: Opdracht voor een enkele groep
  • Masker: Geen (open label)

Wapens en interventies

Deelnemersgroep / Arm
Interventie / Behandeling
Experimenteel: Arm gebruikt voor het voorspellen van lymfekliermetastasen
Procedure: slokdarmresectie
Resectie van een slokdarmtumor en lymfeklierdissectie

Wat meet het onderzoek?

Primaire uitkomstmaten

Uitkomstmaat
Maatregel Beschrijving
Tijdsspanne
Modelprestaties: discriminatie
Tijdsspanne: 8 weken
Teken de ROC-curve van het model en verkrijg hun AUC-waarden, en selecteer het beste voorspellingsmodel op basis van de resultaten van de validatieset
8 weken
Variabel belang
Tijdsspanne: 6 weken
Bereken het belangrijkheidsniveau van de variabelen die in het model worden gebruikt, sorteer ze, en analyseer de redenen voor de belangrijkste variabelen
6 weken
Subanalyse (ML-model vs. logistiek model vs. NCCN-richtlijn)
Tijdsspanne: 8 weken
Pas NCCN-richtlijnen en logistieke modellen toe voor voorspellingen en vergelijk hun prestaties met het model dat in dit onderzoek is verkregen om de daadwerkelijke toepassingsvoordelen van het model te bepalen
8 weken

Medewerkers en onderzoekers

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

Sponsor

Shanghai Zhongshan Hospital

Publicaties en nuttige links

De persoon die verantwoordelijk is voor het invoeren van informatie over het onderzoek stelt deze publicaties vrijwillig ter beschikking. Dit kan gaan over alles wat met het onderzoek te maken heeft.

Algemene publicaties

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)

15 januari 2010

Primaire voltooiing (Werkelijk)

15 december 2019

Studie voltooiing (Werkelijk)

15 juli 2023

Studieregistratiedata

Eerst ingediend

23 januari 2024

Eerst ingediend dat voldeed aan de QC-criteria

9 februari 2024

Eerst geplaatst (Werkelijk)

13 februari 2024

Updates van studierecords

Laatste update geplaatst (Werkelijk)

13 februari 2024

Laatste update ingediend die voldeed aan QC-criteria

9 februari 2024

Laatst geverifieerd

1 februari 2024

Meer informatie

Termen gerelateerd aan deze studie

Aanvullende relevante MeSH-voorwaarden

Andere studie-ID-nummers

  • 81902396

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