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

Optimalisatie van het beheer van niertumoren via modules voor kunstmatige intelligentie

16 maart 2025 bijgewerkt door: Shao Pengfei

Mutimodale kunstmatige intelligentie voor het optimaliseren van het beheer van niertumoren: diagnose, operatie en prognose

Het doel van deze observationele studie is om de behandeling van mensen met een niertumor te verbeteren door middel van multimodale kunstmatige intelligentie (AI). Het zal ook de nauwkeurigheid van de voorspellingen van AI-modellen meten. De belangrijkste vragen die het wil beantwoorden zijn:

of de AI-module nauwkeurig tumorgerelateerde informatie kan verschaffen, zoals goedaardig of kwaadaardig, subtypes, beoordeling, stadium, etc. door te leren van preoperatieve CT-beelden.
of de AI-module artsen kan helpen bij het vinden van het meest geschikte chirurgische programma voor mensen met een niertumor.
of de AI-module CT-beelden en pathologiedia's kan integreren, waardoor aanvullende prognostische informatie wordt geboden om de postoperatieve overleving te verbeteren.

Deelnemers die een CT-onderzoek (meestal Contrast-enhanced CT, CECT) voltooien en een radicale of gedeeltelijke nefrectomie ondergaan, zullen actieve surveillance uitvoeren en postoperatieve overlevingsgegevens gedurende 5 jaar registreren.

Studie Overzicht

Toestand

Werving

Conditie

Gedetailleerde beschrijving

In deze studie zal het AI-model kenmerken van CT-beelden van niertumoren en pathologische beelden onderzoeken en verduidelijken die moeilijk handmatig te detecteren zijn, en deze vervolgens correleren met klinische resultaten, waardoor de diagnose en het behandelingsproces voor niertumoren worden verbeterd. Ten eerste kan het model accuraat onderscheid maken tussen de subtypes van niertumoren en het stadium, de graad en de complexiteit ervan voorspellen, om zo een verkeerde diagnose te voorkomen en artsen te helpen bij het formuleren van behandelplannen. Ten tweede kan het model, door te leren van chirurgische video's, tijdens operaties aanvullende informatie verschaffen, zoals belangrijke anatomische oriëntatiepunten en de locatie van tumoren. Ten slotte kan het model, door radiomics en pathomics te combineren, onderscheid maken tussen patiënten met een hoog risico en patiënten met een laag risico na een operatie, waardoor gepersonaliseerde prognostische begeleiding wordt geboden.

Studietype

Observationeel

Inschrijving (Geschat)

2100

Contacten en locaties

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

Studiecontact

Naam: Shao Pengfei, Professor
Telefoonnummer: +8613851925825
E-mail: spf032@hotmail.com

Studie Contact Back-up

Naam: Miao Haoqi, Postgraduate
Telefoonnummer: +8613276636957
E-mail: mhq@stu.njmu.edu.cn

Studie Locaties

China
- Jiangsu
  - Nanjing, Jiangsu, China, 210036
    - Werving
    - The First Affiliated Hospital of Nanjing Medical University (Jiangsu Provincial People's Hospital)
    - Contact:
      
      Shao Pengfei, Professor
      
      Telefoonnummer: +8613851925825
      
      E-mail: spf032@hotmail.com
    - Contact:
      
      Miao Haoqi, Postgraduate
      
      Telefoonnummer: +8613276636957
      
      E-mail: mhq@stu.njmu.edu.cn

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

Nee

Bemonsteringsmethode

Niet-waarschijnlijkheidssteekproef

Studie Bevolking

Patiënten met niertumoren bij beeldvormend onderzoek die een operatie hebben ondergaan

Beschrijving

Inclusiecriteria:

Patiënten met een niertumor die operatief kan worden behandeld;
Voltooi CECT binnen 30 dagen vóór de operatie;
Patiënten die dit onderzoek volledig begrijpen en de geïnformeerde toestemming ondertekenen;

Uitsluitingscriteria:

Patiënten bij wie een item ontbreekt in de klinische en pathologische basisinformatie;
Patiënten die al zijn uitgezaaid op het moment dat de tumor wordt ontdekt;
Eerdere behandeling in welke vorm dan ook, inclusief chirurgie, gerichte therapie en immuuntherapie;

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
Beoordeling van de prestaties van AI-modellen aan de hand van het alomvattende beoordelingsmodel "AUC". Tijdsspanne: Van inschrijving tot het einde van de follow-up van 5 jaar	"AUC" verwijst naar het gebied onder de ROC-curve (Receiver Operating Characteristic), die de prestaties van het model aangeeft bij het voorspellen van immunohistochemie-gerelateerde pathologische informatie van prostaatkanker na een operatie, en de AUC varieert van 0-1, waarbij de grotere waarde wat het betere voorspellingseffect aangeeft.	Van inschrijving tot het einde van de follow-up van 5 jaar

Secundaire uitkomstmaten

Uitkomstmaat	Maatregel Beschrijving	Tijdsspanne
Beoordeling van de prestaties van het model om de prognose van deelnemers na de operatie te voorspellen door middel van Kaplan-Meier Survival Analysis Tijdsspanne: Van inschrijving tot het einde van de follow-up van 5 jaar	Kaplan-Meier-overlevingsanalyse is een niet-parametrische statistiek die voornamelijk wordt gebruikt om factoren te achterhalen die overleving aangeven.	Van inschrijving tot het einde van de follow-up van 5 jaar

Medewerkers en onderzoekers

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

Sponsor

Shao Pengfei

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 januari 2025

Primaire voltooiing (Geschat)

1 januari 2028

Studie voltooiing (Geschat)

31 december 2033

Studieregistratiedata

Eerst ingediend

2 december 2024

Eerst ingediend dat voldeed aan de QC-criteria