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

AI voor niertumoren met behulp van niet-contrast CT

13 december 2025 bijgewerkt door: Yajia Gu, MD, Fudan University

Een kunstmatig intelligentiemodel voor screening en diagnose van niertumoren op basis van niet-contrast-CT

Het doel van deze observationele studie is te onderzoeken of de kunstmatige intelligentiemethode automatisch nierlaesies kan identificeren en diagnosticeren met behulp van niet-contrast-CT of opportunistische screening.

Studie Overzicht

Toestand

Nog niet aan het werven

Conditie

Gedetailleerde beschrijving

Dit onderzoek ontwikkelt eerst een AI-model dat effectief nierlaesies kan detecteren en diagnosticeren op basis van een multicenter retrospectieve cohortstudie. Vervolgens wordt het AI-model toegepast op een grootschalige retrospectieve en prospectieve populatie in de echte wereld om de effectiviteit ervan te valideren en te verbeteren.

Studietype

Observationeel

Inschrijving (Geschat)

10000

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

Studie Contact Back-up

Studie Locaties

  • China
    • Shanghai Municipality
      • Shanghai, Shanghai Municipality, China, 200032
        • Fudan University Shanghai Cancer Center
        • Contact:
        • 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

NVT

Bemonsteringsmethode

Kanssteekproef

Studie Bevolking

Patiënten die een abdominale CT-onderzoek ondergingen.

Beschrijving

Inclusiecriteria:

  1. Patiënten die een abdominale CT-onderzoek ondergingen.
  2. Patiënten met niertumoren werden behandeld volgens standaard klinische paden, waaronder follow-up, biopsie of chirurgie.
  3. Kwaadaardige laesies werden pathologisch bevestigd; goedaardige laesies werden bevestigd door ofwel pathologische diagnose of beeldvormende follow-up.
  4. Er was geen eerdere behandeling ontvangen voor de nieraandoening.

Exclusiecriteria:

  1. Patiënten weigeren de aanbevolen follow-up, biopsie of chirurgie te ondergaan, wat een definitieve diagnose van de nierlaesie verhinderde.
  2. Afwezigheid van volledige pathologische bevestiging voor laesies waarvan wordt vermoed dat ze kwaadaardig zijn.
  3. Patiënten hebben enige vorm van eerdere behandeling voor de nierlaesie ontvangen.
  4. Slechte beeldkwaliteit die diagnostische evaluatie belemmerde.

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
Het opbouwen van een intelligent diagnostisch systeem voor nierziekten op basis van CT-scans.
Tijdsspanne: 1 jaar
Voor het construeren van een intelligent systeem voor de detectie van renale massa-laesies en hun differentiatie in cysten, goedaardige en kwaadaardige neoplasmen.
1 jaar

Secundaire uitkomstmaten

Uitkomstmaat
Tijdsspanne
Verdere ontwikkeling van kunstmatige-intelligentiemodel om pathologische typen van veelvoorkomende niertumoren effectief te diagnosticeren.
Tijdsspanne: 1 jaar
1 jaar

Medewerkers en onderzoekers

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

Sponsor

Fudan University

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 (Geschat)

1 januari 2026

Primaire voltooiing (Geschat)

1 december 2028

Studie voltooiing (Geschat)

1 december 2028

Studieregistratiedata

Eerst ingediend

13 december 2025

Eerst ingediend dat voldeed aan de QC-criteria

13 december 2025

Eerst geplaatst (Werkelijk)

26 december 2025

Updates van studierecords

Laatste update geplaatst (Werkelijk)

26 december 2025

Laatste update ingediend die voldeed aan QC-criteria

13 december 2025

Laatst geverifieerd

1 oktober 2025

Meer informatie

Termen gerelateerd aan deze studie

Trefwoorden

Aanvullende relevante MeSH-voorwaarden

Andere studie-ID-nummers

  • 2509-Exp275

Plan Individuele Deelnemersgegevens (IPD)

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

ONBESLIST

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