- ICH GCP
- US Clinical Trials Registry
- Klinisk utprøving NCT01766869
Forbedring av kreftfokusdeteksjon i prostatakreft ved bruk av multiparametrisk MR/MRS (GCC 1261)
Forbedring av kreftfokusdeteksjon i prostatakreft ved bruk av multiparametrisk MR/MRS og maskinlæring for bedre å håndtere sykdommen
Studieoversikt
Status
Forhold
Studietype
Kontakter og plasseringer
Studiesteder
-
-
Maryland
-
Baltimore, Maryland, Forente stater, 21201
- Ummc Msgcc
-
-
Deltakelseskriterier
Kvalifikasjonskriterier
Alder som er kvalifisert for studier
Tar imot friske frivillige
Kjønn som er kvalifisert for studier
Prøvetakingsmetode
Studiepopulasjon
Beskrivelse
Inklusjonskriterier:
- Alle mannlige pasienter som har valgt radikal prostatektomi
- Forsøkspersonene må være i stand til å gi informert samtykke.
- Emner må ikke være klaustrofobiske.
Ekskluderingskriterier:
- Personer med pacemakere.
- Personer som har metalliske ferromagnetiske implantater eller pumper.
- Alle kvinner er ekskludert fra denne studien.
- Personer med nyresykdom av enhver alvorlighetsgrad eller i hemodialyse.
- Personer med kjent allergi mot gadoliniumbaserte kontrastmidler.
- Personer som ikke er i stand til å ligge på ryggen i opptil en time av gangen.
Studieplan
Hvordan er studiet utformet?
Designdetaljer
- Observasjonsmodeller: Bare etui
- Tidsperspektiver: Potensielle
Hva måler studien?
Primære resultatmål
Resultatmål |
Tiltaksbeskrivelse |
Tidsramme |
---|---|---|
Primært mål: skille høygradige svulster vs lavgradige svulster og normal prostata
Tidsramme: 16 måneder
|
Hvorvidt avanserte MR-avbildningsteknikker kan brukes til å trene maskinlæringsteknikker for å skille høygradige svulster fra lavgradige svulster og normal prostata. Maskinlæringsteknikkene vil bli trent ved å bruke histopatologiske data som grunnsannheten. For å oppnå dette vil vi skaffe volumetriske bilder av de forskjellige vevsattributtene (listet nedenfor) og matche dem til histopatologi:
|
16 måneder
|
Sekundære resultatmål
Resultatmål |
Tiltaksbeskrivelse |
Tidsramme |
---|---|---|
Sekundært mål: ikke-invasiv og kvantitativ test for nøyaktig å identifisere tumorgrad og plassering.
Tidsramme: 16 måneder
|
Avanserte MR-avbildningsteknikker kan brukes alene for å klassifisere tumorgrad.
Datasett som samles inn vil bli delt inn i delsett som vil bli brukt til å teste maskinlæringsteknikkene.
For eksempel: 90 % av dataene vil bli brukt til trening og de resterende 10 % vil bli brukt til testing.
Denne prosessen vil bli gjentatt over en kombinasjon av forskjellige delsett.
Vår hypotese er at maskinlæringsmetoder vil hjelpe til med å analysere forskjellene mellom aggressive svulster, indolente svulster og normalt vev.
Vi antar videre at denne analysen vil hjelpe til med å syntetisere en bildebasert "score" som kan identifisere en aggressiv svulst fra indolente svulster og normalt vev i nye tilfeller etter trening.
Vi tror bruk av multiparametrisk MR kombinert med en avansert maskinlæringsteknikk kan forbedre sensitiviteten og spesifisiteten til tumorfoci-deteksjon.
Dette vil resultere i en ikke-invasiv og kvantitativ test for nøyaktig å identifisere svulstgraden og plasseringen.
|
16 måneder
|
Samarbeidspartnere og etterforskere
Etterforskere
- Hovedetterforsker: Warren D'Souza, PhD, UMD
Studierekorddatoer
Studer hoveddatoer
Studiestart
Primær fullføring (Faktiske)
Studiet fullført (Faktiske)
Datoer for studieregistrering
Først innsendt
Først innsendt som oppfylte QC-kriteriene
Først lagt ut (Anslag)
Oppdateringer av studieposter
Sist oppdatering lagt ut (Faktiske)
Siste oppdatering sendt inn som oppfylte QC-kriteriene
Sist bekreftet
Mer informasjon
Begreper knyttet til denne studien
Nøkkelord
Ytterligere relevante MeSH-vilkår
Andre studie-ID-numre
- HP-00054431
Denne informasjonen ble hentet direkte fra nettstedet clinicaltrials.gov uten noen endringer. Hvis du har noen forespørsler om å endre, fjerne eller oppdatere studiedetaljene dine, vennligst kontakt register@clinicaltrials.gov. Så snart en endring er implementert på clinicaltrials.gov, vil denne også bli oppdatert automatisk på nettstedet vårt. .