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

Beheer van pancreatische cystische laesies met behulp van kunstmatige intelligentie op basis van EUS en multimodale gegevens

5 maart 2026 bijgewerkt door: Bin Cheng, Huazhong University of Science and Technology

Een multimodaal kunstmatig intelligentiemodel voor subtypering, diagnose en klinisch beheer van cystische pancreatische laesies gebaseerd op endoscopische echografie en klinische informatie

Het primaire doel is het ontwikkelen van een multimodaal AI-model (Cyst-AI) gebaseerd op EUS-beelden en klinische gegevens zoals beeldvormende kenmerken (CT of MRI) en laboratoriumtests om endoscopisten te ondersteunen bij de diagnose van pancreascystische laesies (PCL's), voornamelijk door mucineuze van niet-mucineuze laesies te onderscheiden.

Het secundaire doel is het evalueren van de effectiviteit van het model bij risicostratificatie en klinisch management voor patiënten met PCL's.

Studie Overzicht

Toestand

Werving

Conditie

Interventie / Behandeling

Gedetailleerde beschrijving

Met de ontwikkeling van medische beeldvormingstechnologie is de detectiegraad van pancreascystelesies (PCL's) aanzienlijk toegenomen. Hoewel de meeste cysten goedaardig zijn, heeft een aanzienlijk deel ervan het potentieel voor kwaadaardige transformatie. Klinisch management is gebaseerd op diagnose en risicostratificatie. Voor PCL's leiden verschillende diagnoses en risicostratificatie tot volledig verschillende klinische strategieën en uitkomsten, die nauw verbonden zijn met de levenskwaliteit, economische last en psychologische stress van patiënten. Endoscopische echografie (EUS) heeft een cruciale rol gespeeld in de verdere differentiële diagnose van PCL's. Kunstmatige intelligentie (AI) heeft ook groot potentieel getoond in klinische diagnose en management. Daarom zijn we van plan om retrospectief de EUS-beeldvormingsgegevens, radiologische en laboratoriumtests en andere klinische informatie van patiënten te verzamelen om een model genaamd Cyst-AI te construeren dat de functie van diagnose en klinisch management integreert, om te helpen bij klinische besluitvorming.

Studietype

Observationeel

Inschrijving (Geschat)

500

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 Locaties

  • China
    • Hubei
      • Wuhan, Hubei, China, 430030
        • Werving
        • Tongji Hospital, Tongji Medical College, Huazhong University of Science and Technology
        • Contact:
      • Wuhan, Hubei, China, 430030
        • Nog niet aan het werven
        • Tongji Hospital, Tongji Medical College, Huazhong University of Science and Technology
        • 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

Nee

Bemonsteringsmethode

Niet-waarschijnlijkheidssteekproef

Studie Bevolking

De cohort zal worden geselecteerd uit verschillende ziekenhuizen in China, waaronder Tongji Hospital, Tongji Medical College, HUST.

Beschrijving

Inclusiecriteria:

  • Patiënten bij wie de EUS-resultaten pancreascysteuze of cystoïde laesies aangeven;
  • Mucineuze laesies: inclusief mucineuze cystische neoplasie (MCN), intraductaal papillair mucineus neoplasma (IPMN);
  • Niet-mucineuze laesies: inclusief pancreas pseudocyst, sereuze cystische neoplasie (SCN), cystisch neuro-endocriene tumor (cNET).

Exclusiecriteria:

  • Patiënten jonger dan 18 jaar;
  • Patiënten die voorafgaand aan het EUS-onderzoek een pancreaschirurgie hebben ondergaan;
  • Patiënten die voorafgaand aan het EUS-onderzoek chemotherapie en radiotherapie voor pancreastumoren hebben ontvangen;
  • Pathologische resultaten die aangeven dat pancreaslaesies gemetastaseerde laesies van andere locaties zijn;
  • Patiënten bij wie EUS-beelden of rapporten ontbreken;
  • EUS-beeldkwaliteit voldoet niet aan de vereisten voor beoordeling, zoals wazige beeldvorming of artefacten, biopsienaalden, meetschalen of andere aanvullende annotaties bevat die geen deel uitmaken van het originele EUS-beeld;
  • Patiënten bij wie de uiteindelijke diagnose onduidelijk is.

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
Cyst-EUS
Patiënten vóór 2026 met EUS-foto's van pancreatische cystische laesies of cystoïde-materiaallaesies zijn in deze cohort opgenomen.
Diagnostische toets: Cyst-AI-model
De op meerdere locaties verzamelde gegevens worden verdeeld in een trainingsset, een validatieset en een testset voor de ontwikkeling en het testen van het cyste-AI-model.

Wat meet het onderzoek?

Primaire uitkomstmaten

Uitkomstmaat
Maatregel Beschrijving
Tijdsspanne
De prestatie van het diagnostische model bij het onderscheiden van mucineuze van niet-mucineuze PCL's
Tijdsspanne: Binnen 3 maanden na voltooiing van de training van het diagnostische model.
De prestatie van het Cyst-AI-diagnostische model zal worden geëvalueerd met behulp van het gebied onder de receiver operating characteristic curve (AUC-ROC), waarbij gevoeligheid, specificiteit, nauwkeurigheid, positief voorspellende waarde (PPV) en negatief voorspellende waarde (NPV) worden berekend op basis van de voorspellingen van het model op de onafhankelijke validatiedataset. PCLs: pancreatische cystische laesies.
Binnen 3 maanden na voltooiing van de training van het diagnostische model.
De risicostratificatieprestatie van het klinisch managementmodel voor mucineuze PCL's
Tijdsspanne: Binnen 3 maanden na voltooiing van de training van het risicostratificatiemodel.
De prestaties van het Cyst-AI risicostratificatiemodel om laesies correct te classificeren in "laag risico", "gemiddeld risico" en "hoog risico", zullen worden geëvalueerd met behulp van het gebied onder de receiver operating characteristic curve (AUC-ROC), waarbij gevoeligheid, specificiteit, nauwkeurigheid, positief voorspellende waarde (PPV) en negatief voorspellende waarde (NPV) worden berekend op basis van de voorspellingen van het model op de onafhankelijke validatiedataset. PCLs: pancreascystelaesies.
Binnen 3 maanden na voltooiing van de training van het risicostratificatiemodel.

Secundaire uitkomstmaten

Uitkomstmaat
Maatregel Beschrijving
Tijdsspanne
De prestaties van het diagnostische model in het differentiëren van specifieke typen PCL's
Tijdsspanne: Binnen 3 maanden na voltooiing van de diagnostische modeltraining.
De prestaties van het Cyst-AI-diagnostische model worden geëvalueerd met behulp van het gebied onder de receiver operating characteristic curve (AUC-ROC), waarbij gevoeligheid, specificiteit, nauwkeurigheid, positief voorspellende waarde (PPV) en negatief voorspellende waarde (NPV) worden berekend op basis van de voorspellingen van het model op de onafhankelijke validatiedataset. PCLs: pancreatische cystische laesies.
Binnen 3 maanden na voltooiing van de diagnostische modeltraining.
De klinische managementprestaties van het klinische managementmodel voor mucineuze PCL's
Tijdsspanne: Binnen 3 maanden na voltooiing van de training voor het klinisch managementmodel.
De prestaties van het Cyst-AI klinisch managementmodel voor het leveren van accurate klinische aanbevelingen, zullen worden geëvalueerd met behulp van de oppervlakte onder de receiver operating characteristic curve (AUC-ROC), waarbij gevoeligheid, specificiteit, nauwkeurigheid, positief voorspellende waarde (PPV) en negatief voorspellende waarde (NPV) worden berekend op basis van de voorspellingen van het model op de onafhankelijke validatiedataset. PCL's: pancreascystelaesies.
Binnen 3 maanden na voltooiing van de training voor het klinisch managementmodel.
De prestaties van het model bij het assisteren van endoscopisten van verschillende niveaus bij het diagnosticeren en behandelen van PCLs
Tijdsspanne: Binnen 1 maand na voltooiing van de mens-machine confrontatie cross-over studie
De prestaties van het Cyst-AI-model bij het assisteren van endoscopisten zullen worden geëvalueerd met behulp van de oppervlakte onder de receiver operating characteristic curve (AUC-ROC), waarbij gevoeligheid, specificiteit, nauwkeurigheid, positief voorspellende waarde (PPV) en negatief voorspellende waarde (NPV) worden berekend op basis van de voorspellingen van het model op de onafhankelijke validatiedataset. PCLs: pancreascysteuze laesies.
Binnen 1 maand na voltooiing van de mens-machine confrontatie cross-over studie
De impact van het model op het besluitvormingsproces van endoscopisten
Tijdsspanne: Binnen 1 maand na voltooiing van de mens-machine confrontatie crossover studie.
Vragenlijst voor endoscopisten na beoordeling zal worden gebruikt om de mate van impact te evalueren.
Binnen 1 maand na voltooiing van de mens-machine confrontatie crossover studie.

Medewerkers en onderzoekers

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

Sponsor

Huazhong University of Science and Technology

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 april 2026

Studie voltooiing (Geschat)

1 juni 2026

Studieregistratiedata

Eerst ingediend

9 december 2025

Eerst ingediend dat voldeed aan de QC-criteria

5 maart 2026

Eerst geplaatst (Werkelijk)

11 maart 2026

Updates van studierecords

Laatste update geplaatst (Werkelijk)

11 maart 2026

Laatste update ingediend die voldeed aan QC-criteria

5 maart 2026

Laatst geverifieerd

1 maart 2026

Meer informatie

Termen gerelateerd aan deze studie

Trefwoorden

Aanvullende relevante MeSH-voorwaarden

Andere studie-ID-nummers

  • Cyst-AI 2024

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