Denne siden ble automatisk oversatt og nøyaktigheten av oversettelsen er ikke garantert. Vennligst referer til engelsk versjon for en kildetekst.

Lung Nodule Imaging Biobank for Radiomics and AI Research (LIBRA)

8. juni 2021 oppdatert av: Royal Marsden NHS Foundation Trust
Denne studien vil samle inn retrospektive CT-skanningsbilder og kliniske data fra deltakere med tilfeldige lungeknuter sett på sykehus over hele London. Etterforskerne skal forske på om maskinlæring kan brukes til å forutsi hvilke deltakere som vil utvikle lungekreft, for å forbedre tidlig diagnose.

Studieoversikt

Studietype

Observasjonsmessig

Registrering (Forventet)

1000

Kontakter og plasseringer

Denne delen inneholder kontaktinformasjon for de som utfører studien, og informasjon om hvor denne studien blir utført.

Studiekontakt

Studiesteder

      • London, Storbritannia, NW1 2PG
        • Rekruttering
        • University College London Hospitals NHS Foundation Trust
        • Ta kontakt med:
      • London, Storbritannia, SW3 6NP
        • Rekruttering
        • The Royal Brompton NHS Foundation Trust
        • Ta kontakt med:
        • Hovedetterforsker:
          • Dr Anand Deveral
    • England
      • Sutton, England, Storbritannia, SM2 5PT
    • Greater London
      • London, Greater London, Storbritannia, SE6 4JH
        • Rekruttering
        • Lewisham and Greenwich NHS Trust
        • Ta kontakt med:
        • Hovedetterforsker:
          • Shafick Gareeboo
    • Surrey
      • Carshalton, Surrey, Storbritannia, SM5 1AA
        • Har ikke rekruttert ennå
        • Epsom and St Helier's Hospitals NHS Trust
        • Ta kontakt med:
        • Hovedetterforsker:
          • Jonathon Ratoff

Deltakelseskriterier

Forskere ser etter personer som passer til en bestemt beskrivelse, kalt kvalifikasjonskriterier. Noen eksempler på disse kriteriene er en persons generelle helsetilstand eller tidligere behandlinger.

Kvalifikasjonskriterier

Alder som er kvalifisert for studier

18 år og eldre (VOKSEN, OLDER_ADULT)

Tar imot friske frivillige

Nei

Kjønn som er kvalifisert for studier

Alle

Prøvetakingsmetode

Ikke-sannsynlighetsprøve

Studiepopulasjon

Pasienter med tidligere identifiserte lungeknuter.

Beskrivelse

Inklusjonskriterier:

  • Alder > 18
  • Baseline CT thorax-avbildning rapportert å ha lungeknute(r) mellom 5 og 30 mm i løpet av de siste 10 årene.
  • Grunnsannheten kjent (enten skanningsdata som viser stabilitet i 2 år (basert på diameter) eller ett år (basert på volumetri), fullstendig oppløsning eller biopsi-påvist malignitet.
  • Skivetykkelse < 2,5 mm.

Ekskluderingskriterier:

  • • Fravær av minst én teknisk adekvat CT-thorax-bildeserie (definert ved visuell inspeksjon av tilstedeværelsen av bildedata for thoraxen i DICOM-posten).

    • Skivetykkelse > 2,5 mm.
    • Bildediagnostikk > 10 år gammel.
    • Grunnsannheten ukjent.

Studieplan

Denne delen gir detaljer om studieplanen, inkludert hvordan studien er utformet og hva studien måler.

Hvordan er studiet utformet?

Designdetaljer

Kohorter og intervensjoner

Gruppe / Kohort
Intervensjon / Behandling
Lungeknuter

En kohort på 1000 pasienter med tilfeldige lungeknuter vil bli identifisert ved hjelp av kliniske poster på deltakende NHS-steder.

Link-anonymiserte CT-skanningsbilder og data vil bli lagret ved hjelp av en sentral database for forskning på radiomik og kunstig intelligens, for å forutsi risikoen for malignitet.

Pasientens skanninger vil bli brukt som input til intern programvare for å trekke ut flere radiomikrofunksjoner. Disse funksjonene vil bli brukt til å utvikle en risikosignatur som kan forutsi malignitetsrisiko. Pasientskanninger vil også bli brukt som input til dyp læring/konvolusjonelle nevrale nettverksmodeller for å utføre automatisert bildeklassifisering.

Hva måler studien?

Primære resultatmål

Resultatmål
Tiltaksbeskrivelse
Tidsramme
Utvikling av bildebiobank
Tidsramme: 1 år
Det primære endepunktet vil bli oppfylt hvis vi er i stand til å lagre baseline CT-skanninger og minimum klinisk datasett for 1000 pasienter.
1 år

Sekundære resultatmål

Resultatmål
Tiltaksbeskrivelse
Tidsramme
Oppdagelse av en CT-thorax-basert radiomiksprofil for å forutsi kreftrisiko.
Tidsramme: 1 år
Vi tar sikte på å identifisere distinkte klynger av radiomikalier for å generere en radiomiks prediktiv vektor (RPV), som kan brukes til å stratifisere pasienter i henhold til malignitetsrisiko. Denne vektoren vil bli brukt i multivariat analyse og sammenlignet med eksisterende risikomodeller.
1 år

Samarbeidspartnere og etterforskere

Det er her du vil finne personer og organisasjoner som er involvert i denne studien.

Studierekorddatoer

Disse datoene sporer fremdriften for innsending av studieposter og sammendragsresultater til ClinicalTrials.gov. Studieposter og rapporterte resultater gjennomgås av National Library of Medicine (NLM) for å sikre at de oppfyller spesifikke kvalitetskontrollstandarder før de legges ut på det offentlige nettstedet.

Studer hoveddatoer

Studiestart (FAKTISKE)

1. juni 2020

Primær fullføring (FORVENTES)

1. august 2021

Studiet fullført (FORVENTES)

1. august 2021

Datoer for studieregistrering

Først innsendt

12. februar 2020

Først innsendt som oppfylte QC-kriteriene

12. februar 2020

Først lagt ut (FAKTISKE)

17. februar 2020

Oppdateringer av studieposter

Sist oppdatering lagt ut (FAKTISKE)

11. juni 2021

Siste oppdatering sendt inn som oppfylte QC-kriteriene

8. juni 2021

Sist bekreftet

1. juni 2021

Mer informasjon

Begreper knyttet til denne studien

Plan for individuelle deltakerdata (IPD)

Planlegger du å dele individuelle deltakerdata (IPD)?

UBESLUTTE

Legemiddel- og utstyrsinformasjon, studiedokumenter

Studerer et amerikansk FDA-regulert medikamentprodukt

Nei

Studerer et amerikansk FDA-regulert enhetsprodukt

Nei

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. .

Abonnere