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

Externe, multicentrische validatie van een machine-learning model voor het voorspellen van colorectale adenomen bij Indiase volwassenen

9 januari 2026 bijgewerkt door: Mohan Ramchandani, Asian Institute of Gastroenterology, India

Externe, multicentrische validatie van een machine-learning model voor het voorspellen van colorectale adenomen bij Indiase volwassenen - Een prospectieve, observationele, multicentrische studie.

Colorectale adenomen zijn voorlopers van colorectale kanker (CRC). Accurate risicostratificatie voorafgaand aan de procedure zou de opbrengst van colonoscopie en de toewijzing van middelen in India kunnen optimaliseren, waar de prevalentie van adenomen varieert per leeftijd, geslacht en leefstijl-/metabole factoren. ML-modellen kunnen meerdere voorspellers integreren om het geïndividualiseerde risico te schatten.

Bestaande risicoscores zijn grotendeels westers; de prestaties en kalibratie zijn mogelijk niet geschikt voor Indiase populaties met verschillende sociaal-demografische en metabole profielen. Externe, prospectieve, multicentervalidatie is essentieel vóór klinische implementatie.

Studie Overzicht

Toestand

Nog niet aan het werven

Conditie

Studietype

Observationeel

Inschrijving (Geschat)

1000

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

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

Kanssteekproef

Studie Bevolking

1000

Beschrijving

Insluitingscriteria:

  • Volwassenen ≥18 jaar die een diagnostische colonoscopie ondergaan.
  • Voldoende darmvoorbereiding (totale Boston Bowel Preparation Scale ≥6 met elk segment ≥2).
  • Volledig onderzoek (cecale intubatie; terugtrektijd ≥6 minuten wanneer geen therapie).
  • Beschikbaarheid van alle modelvoorspellers per CRF.

Uitsluitingscriteria:

  • • Bekende CRC of poliep, eerdere colectomie, polyposissyndromen, bekende IBD, of sterke erfelijke CRC-syndromen (bijv. Lynch) indien uitgesloten in de afleiding.

    • Onvoldoende voorbereiding, incomplete colonoscopie, obstructieve laesies die optische diagnose voorbij obstructie verhinderen.
    • Spoedcolonoscopieën, alleen-therapeutische procedures zonder diagnostische intentie.

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

Cohorten en interventies

Groep / Cohort
Interventie / Behandeling
Enkel prospectief observationeel cohort

Deelnemers ondergaan een standaardzorg-colonoscopie

Geen toewijzing aan behandel- of vergelijkingsgroepen

Er wordt geen studie-specifieke interventie toegediend. Deelnemers ondergaan een standaard diagnostische colonoscopie en histopathologische evaluatie. Er wordt een vergrendeld machine-learning-model toegepast op routinematig verzamelde klinische en demografische basisgegevens uitsluitend voor risicovoorspelling, zonder invloed op het klinische management.

Wat meet het onderzoek?

Primaire uitkomstmaten

Uitkomstmaat
Maatregel Beschrijving
Tijdsspanne
Area Under the Receiver Operating Characteristic Curve (AUROC) van het Machine Learning Model
Tijdsspanne: 1 JAAR
Area onder de receiver operating characteristic curve (AUROC) van het op machine learning gebaseerde voorspellingsmodel voor het identificeren van de aanwezigheid van histologisch bewezen colonadenoom
1 JAAR

Secundaire uitkomstmaten

Uitkomstmaat
Maatregel Beschrijving
Tijdsspanne
Validatieprestatie van het Machine Learning Voorspellingsmodel
Tijdsspanne: 1 JAAR
Validatieprestatie van het machine learning-model voor het voorspellen van colorectaal adenoom, beoordeeld met behulp van AUROC, kalibratiemetrics (Brier-score) en kalibratieplots in een onafhankelijke validatiecohort.
1 JAAR

Medewerkers en onderzoekers

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

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 februari 2026

Primaire voltooiing (Geschat)

30 maart 2027

Studie voltooiing (Geschat)

30 maart 2027

Studieregistratiedata

Eerst ingediend

26 december 2025

Eerst ingediend dat voldeed aan de QC-criteria

27 december 2025

Eerst geplaatst (Geschat)

9 januari 2026

Updates van studierecords

Laatste update geplaatst (Geschat)

12 januari 2026

Laatste update ingediend die voldeed aan QC-criteria

9 januari 2026

Laatst geverifieerd

1 januari 2026

Meer informatie

Termen gerelateerd aan deze studie

Aanvullende relevante MeSH-voorwaarden

Andere studie-ID-nummers

  • VALID-ADENOMA-IN

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