Deep Learning-model om de herhaling van stadium IA invasief longadenocarcinoom na sublobaire resectie te voorspellen (DL-Rec-ILA)
Studie Overzicht
Toestand
Gedetailleerde beschrijving
Deze studie is ontworpen om een diepgaand leermodel te ontwikkelen om het herhalingsrisico van stadium IA invasief longadenocarcinoom na sublobaire resectie te voorspellen met behulp van niet-contrast CT-beelden. Er wordt nog steeds gedebatteerd over de beste indicaties voor sublobaire resectie bij patiënten met LADC in een vroeg stadium, wat de selectie van chirurgische methoden enigszins moeilijk maakt. Het deep learning-model kan op niet-invasieve en objectieve wijze het recidiefrisico voorspellen van patiënten met stadium IA ILADC na sublobectomie en is nuttig bij het voorspellen van de prognose van patiënten met stadium IA ILADC na sublobectomie en kan de keuze van de optimale operatiemethode hiervoor vergemakkelijken. patiënten.
De studie zal gebruik maken van retrospectieve gegevens van patiënten met stadium IA invasief longadenocarcinoom na sublobaire resectie. Bij opname worden niet-contrast CT-beelden verzameld en gebruikt als input voor het deep learning-model. Het model zal worden getraind met behulp van convolutionele neurale netwerken (CNN) om patronen te identificeren die verband houden met herhaling.
Naast de modelontwikkeling zal de studie ook de prestaties van het model evalueren op een afzonderlijk validatiecohort om de generaliseerbaarheid te beoordelen. Statistische analyses omvatten prestatiestatistieken zoals het gebied onder de receiver operating karakteristieke (ROC) curve (AUC) en de precisie-recall-curve.
Deze studie heeft tot doel artsen een waardevol hulpmiddel te bieden om tijdig beslissingen te nemen bij het kiezen van de optimale therapeutische aanpak.
Studietype
Inschrijving (Werkelijk)
Contacten en locaties
Studie Locaties
-
-
Chongqing
-
Yuzhong District, Chongqing, China, 400016
- The First Affiliated Hospital of Chongqing Medical University
-
-
Deelname Criteria
Geschiktheidscriteria
Leeftijden die in aanmerking komen voor studie
- Kind
- Volwassen
- Oudere volwassene
Accepteert gezonde vrijwilligers
Bemonsteringsmethode
Studie Bevolking
Beschrijving
Inclusiecriteria: (i) pathologische bevestiging van LADC; (ii) een sublobaire resectie ondergaat (wigresectie of segmentectomie); (iii) CT-scan voorafgaand aan de operatie; (iv) pathologische stadiëring van IA; en (v) volledige klinische en follow-upgegevens.
-
Uitsluitingscriteria: (i) meerdere primaire LADC; en (ii) andere longlaesies die de morfologische beoordeling van tumoren zouden kunnen verstoren.
-
Studie plan
Hoe is de studie opgezet?
Ontwerpdetails
Cohorten en interventies
Groep / Cohort |
|---|
|
Opleidingscohort
Patiënten in dit cohort met de diagnose stadium IA invasief longadenocarcinoom die sublobaire resectie ondergingen.
Dit cohort wordt gebruikt om het 3D deep learning-model te trainen om het risico op herhaling te voorspellen.
|
|
Validatiecohort
Patiënten in dit cohort met stadium IA ILADC.
Het wordt gebruikt om de prestaties van het model intern te valideren en de generalisatie ervan binnen dezelfde instelling te beoordelen.
|
|
Cohort testen
Patiënten in dit cohort uit een andere instelling.
Het wordt gebruikt om de generaliseerbaarheid van het model te testen bij het voorspellen van het herhalingsrisico in een onafhankelijke dataset.
|
Wat meet het onderzoek?
Primaire uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
|---|---|---|
|
Nauwkeurigheid van herhalingsvoorspelling
Tijdsspanne: Oktober 2024
|
De primaire uitkomstmaat is de nauwkeurigheid van het 3D deep learning-model bij het voorspellen van de herhaling van stadium IA invasief longadenocarcinoom na sublobaire resectie.
De nauwkeurigheid zal worden geëvalueerd door de voorspellingen van het model te vergelijken met daadwerkelijke patiëntresultaten met behulp van meetgegevens zoals gevoeligheid, specificiteit en gebied onder de ROC-curve (AUC).
|
Oktober 2024
|
Medewerkers en onderzoekers
Studie record data
Bestudeer belangrijke data
Studie start (Werkelijk)
Primaire voltooiing (Werkelijk)
Studie voltooiing (Werkelijk)
Studieregistratiedata
Eerst ingediend
Eerst ingediend dat voldeed aan de QC-criteria
Eerst geplaatst (Werkelijk)
Updates van studierecords
Laatste update geplaatst (Werkelijk)
Laatste update ingediend die voldeed aan QC-criteria
Laatst geverifieerd
Meer informatie
Termen gerelateerd aan deze studie
Trefwoorden
Aanvullende relevante MeSH-voorwaarden
Andere studie-ID-nummers
- 2022MSXM147 (Ander subsidie-/financieringsnummer: Joint project of Chongqing Health Commission and Science and Technology Bureau)
Plan Individuele Deelnemersgegevens (IPD)
Bent u van plan om gegevens van individuele deelnemers (IPD) te delen?
Beschrijving IPD-plan
Informatie over medicijnen en apparaten, studiedocumenten
Bestudeert een door de Amerikaanse FDA gereguleerd geneesmiddel
Bestudeert een door de Amerikaanse FDA gereguleerd apparaatproduct
product vervaardigd in en geëxporteerd uit de V.S.
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 .