- ICH GCP
- US Clinical Trials Registry
- Klinisk utprøving NCT04359745
Forbedring av behandling av glioblastom: Å skille progresjon fra pseudoprogresjon
Forbedre behandling av glioblastom ved å skille progresjon fra pseudoprogresjon ved å bruke maskinlæringsteknikker på rutinemessige kliniske data
Glioblastom er den mest aggressive typen hjernekreft og fører i gjennomsnitt til 20 år tapt liv, mer enn noen annen kreft. MR-bilder av hjernen tas før operasjonen, og med noen måneders mellomrom etter behandling, for å se om kreften vokser ut igjen. Det kan være vanskelig for leger å si om det de ser på disse bildene representerer voksende kreft eller en bivirkning av behandlingen. Likheten mellom behandlingsbivirkningene og kreft er forvirrende og er kjent som "pseudoprogresjon" (i motsetning til ekte kreftprogresjon).
Hvis leger feiler utseendet til behandlingsbivirkninger med voksende kreft, kan de tro at behandlingen mislykkes og endre pasientens behandling for tidlig eller sette dem inn i en klinisk utprøving. Dette betyr at pasienter kanskje ikke får full behandling og at resultatene fra enkelte kliniske studier ikke kan stoles på.
Målet med denne studien er å gi leger et dataprogram som vil bruke MR-bilder av hjernen som rutinemessig tas gjennom hele behandlingen, for å hjelpe dem mer nøyaktig å identifisere når kreften vokser ut igjen.
Studieoversikt
Status
Forhold
Detaljert beskrivelse
Effekten av pseudoprogresjon er betydelig på pasientbehandling og medisinsk forskning. Eksisterende bevis viser at det er mulig å bruke Support Vector Machine og Deep Learning klassifiseringsmodeller for å forutsi overlevelse ved bruk av rutinemessige MR-bilder samt å skille progresjon fra pseudoprogresjon. Etterforskerne ønsker å fange opp signalendringer over tid i rutinemessige MR-bilder ved hjelp av parametriske responskart (via en toppmoderne postoperativ-til preoperativ bilderegistreringsmetode som de har utviklet) og bruke slike klassifikatoren for å skille progresjon fra pseudoprogresjon. Forskningen etterforskerne foreslår er nødvendig for å gi en løsning på problemet med pseudoprogresjon og implementeres på tvers av NHS enkelt og effektivt. Viktigere er at dette ikke avhenger av avanserte bildeteknikker.
Data samlet inn ved KCH fra de siste 24 månedene viser at selv ved et ledende gliomavbildningssenter hadde bare 66 % av pasientene avansert bildebehandling (f. DSC-MRI) utført på tidspunktet for økning i kontrastforsterkning, dvs. mulig progresjon. Hovedmålet med denne forskningen er å bruke rutinemessige kliniske MR-data for å trene klassifisereren. Dette vil øke nytten av klassifikatoren, ettersom slike rutinemessige MR-data kan innhentes av alle bildesentre, og den nye klassifikatoren kan derfor gi en mye mer kostnadseffektiv løsning enn en alternativ klassifikator som kan være avhengig av avanserte bildeteknikker.
Innledende opplæring, testing og kryssvalidering av en klassifiseringsmodell vil bli utført ved bruk av MR-data for glioblastom hentet fra offentlig tilgjengelige bildearkiver og King's College Hospital (KCH), London. For klinisk validering vil den trente modellen gjennomgå testing ved bruk av MR-data fra pasienter rekruttert prospektivt.
Studietype
Registrering (Forventet)
Kontakter og plasseringer
Studiekontakt
- Navn: Thomas C Booth, Dr
- Telefonnummer: 02078489568
- E-post: thomas.booth@kcl.ac.uk
Studer Kontakt Backup
- Navn: Shuaib, MSc
- E-post: haris.shuaib@kcl.ac.uk
Studiesteder
-
-
-
Brighton, Storbritannia, BN2 5BE
- Rekruttering
- Royal Sussex County Hospital, Brighton and Sussex University Hospitals NHS Trust
-
Hovedetterforsker:
- Ed Chandy
-
Cardiff, Storbritannia, CF14 2TL
- Rekruttering
- Velindre Cancer Centre, Velindre University NHS Trust
-
Hovedetterforsker:
- James Powell
-
Dundee, Storbritannia, DD1 9SY
- Rekruttering
- Ninewells Hospital and Medical School, NHS Tayside
-
Hovedetterforsker:
- Avinash Kanodia
-
Hull, Storbritannia, HU3 2KZ
- Rekruttering
- Hull Royal Infirmary, Hull University Teaching Hospitals NHS Trust
-
Hovedetterforsker:
- Chris Rowland Hill
-
Leeds, Storbritannia, LS1 3EX
- Rekruttering
- Leeds General Infirmary, The Leeds Teaching Hospitals NHS Trust
-
Hovedetterforsker:
- Ryan Mathew
-
London, Storbritannia, W6 8RF
- Rekruttering
- Charing Cross Hospital, Imperial College Healthcare NHS Trust
-
London, Storbritannia, SE1 9RT
- Rekruttering
- Guy's Hospital, Guy's and St Thomas' NHS Foundation Trust
-
Hovedetterforsker:
- Haris Shuaib
-
London, Storbritannia, SE5 9RS
- Rekruttering
- King's College Hospital, King's College Hospital NHS Trust
-
London, Storbritannia, WC1N 3BG
- Rekruttering
- National Hospital for Neurology and Neurosurgery, University College London Hospitals NHS Foundation Trust
-
Hovedetterforsker:
- Steffi Thust
-
Manchester, Storbritannia, M20 4BX
- Rekruttering
- The Christie Hospital, The Christie NHS Foundation Trust
-
Hovedetterforsker:
- Sean Tenant
-
Newcastle, Storbritannia, NE7 7DN
- Rekruttering
- Newcastle upon Tyne Hospitals NHS Foundation Trust- Newcastle Freeman Hospital
-
Hovedetterforsker:
- Joanne Lewis
-
Nottingham, Storbritannia, NG7 2UH
- Rekruttering
- Nottingham University Hospitals NHS Trust- City Hospital
-
Plymouth, Storbritannia, PL6 8DH
- Rekruttering
- University Hospitals Plymouth NHS Trust
-
Hovedetterforsker:
- Mark Thurston
-
Preston, Storbritannia, PR2 9HT
- Rekruttering
- Lancashire Teaching Hospitals NHS Foundation Trust
-
Hovedetterforsker:
- Erica Beamount
-
Sutton, Storbritannia, SM2 5PT
- Rekruttering
- The Royal Marsden Hospital, Royal Marsden NHS Foundation Trust
-
Hovedetterforsker:
- Liam Welsh
-
-
Deltakelseskriterier
Kvalifikasjonskriterier
Alder som er kvalifisert for studier
Tar imot friske frivillige
Prøvetakingsmetode
Studiepopulasjon
Beskrivelse
Inklusjonskriterier:
- Diagnostisert med glioblastom (Verdens helseorganisasjon grad IV)
- Pasient som gjennomgår standard Stupp-behandlingsregime
- Har hatt en før-kirurgisk skanning og minst en oppfølgingsskanning etter kjemoradiasjon
Ekskluderingskriterier:
- Utilstrekkelig klinisk og radiologisk oppfølging
- Pasientens behandling avviker sterkt fra standard Stupp-kur, slik at de rekrutteres til intervensjonsstudier og tilstrekkelig informasjon er ikke kjent om pasientens prøvebehandling.
- Pasienter som får behandling med angiogenesehemmere som bevacizumab før fullføring av Stupp-kuren
Studieplan
Hvordan er studiet utformet?
Designdetaljer
- Observasjonsmodeller: Kohort
- Tidsperspektiver: Potensielle
Hva måler studien?
Primære resultatmål
Resultatmål |
Tiltaksbeskrivelse |
Tidsramme |
|---|---|---|
|
Nøyaktighet av kunstig intelligens-modellen
Tidsramme: Inntil 36 måneder
|
Definert av en forvirringsmatrise av sensitivitet og spesifisitet for sanne positive og sanne negative.
|
Inntil 36 måneder
|
Sekundære resultatmål
Resultatmål |
Tiltaksbeskrivelse |
Tidsramme |
|---|---|---|
|
Feilrate for kunstig intelligens-modellen
Tidsramme: Inntil 36 måneder
|
Frekvensen som testen ikke kan gi et utfall (f.eks.
på grunn av dårlig kvalitet eller manglende data)
|
Inntil 36 måneder
|
Samarbeidspartnere og etterforskere
Samarbeidspartnere
Etterforskere
- Hovedetterforsker: Thomas Booth, King's College London
Studierekorddatoer
Studer hoveddatoer
Studiestart (Faktiske)
Primær fullføring (Forventet)
Studiet fullført (Forventet)
Datoer for studieregistrering
Først innsendt
Først innsendt som oppfylte QC-kriteriene
Først lagt ut (Faktiske)
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
- 5.0 15/01/21
Plan for individuelle deltakerdata (IPD)
Planlegger du å dele individuelle deltakerdata (IPD)?
IPD-planbeskrivelse
Legemiddel- og utstyrsinformasjon, studiedokumenter
Studerer et amerikansk FDA-regulert medikamentprodukt
Studerer et amerikansk FDA-regulert enhetsprodukt
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. .