- ICH GCP
- US Clinical Trials Registry
- Klinisk utprøving NCT05441098
Konstruksjon og validering av en vurderingsmodell for PCR etter NAT på brystkreftpasienter med AI-teknologi
Konstruksjon og validering av en vurderingsmodell for patologisk fullstendig respons etter neoadjuvant behandling (NAT) på brystkreftpasienter med kunstig intelligens (AI) teknologi
Studieoversikt
Detaljert beskrivelse
Brystkreft er den mest utbredte kreftformen blant kvinner over hele verden. Neoadjuvant behandling (NAT) er en del av standardisert behandling av brystkreft og er spesielt viktig ved lokalt avansert brystkreft. Tallrike studier har vist at pasienter som oppnår patologisk fullstendig respons (pCR) etter NAT kan ha bedre sykdomsfrie og totale overlevelsesrater, og dermed gjøre overlevelsesfordelen ved radikal kirurgi mindre signifikant. Imidlertid kan pCR i dag kun bedømmes ved patologisk testing av kirurgisk resekerte prøver, og spørsmålet om pCR kan bedømmes nøyaktig preoperativt har blitt et presserende problem.
Kunstig intelligens (AI) teknologi er en gren av informatikk som forsøker å forstå essensen av intelligens og produsere en ny intelligent maskin som kan svare på en lignende måte som menneskelig intelligens, hvorav bildegjenkjenning er mye brukt i klinisk forskning som en viktig komponent i AI. De siste årene, med utviklingen av AI og relaterte algoritmer, har flere og flere forskere arbeidet med bruk av bildebilder for å bestemme effektiviteten til NAT mer presist, og prøver å frita en brøkdel av pasienter som oppnår pCR fra radikal kirurgi og aldri oppnår et bedre utseende og kvalitet på overlevelse.
Simons team valgte ut 246 pasienter som gikk på Salzburg Oncology Center i Australia fra 2006-2016, fikk pre-kirurgisk DCE-MRI lest av billeddiagnostiske forskere med mer enn 10 års erfaring, og ga en dom om fullstendig remisjon, bare for å oppnå en mer pessimistisk resultat: en positiv prediktiv verdi på bare 48 %. jinsuns team valgte ut pasienter som gjennomgikk NAT ved Samsung Medical Center fra 2007-2016. Resultatene viste at kappa-verdien av samsvarstesten mellom radiologisk fullstendig respons (rCR) og bryst-pCR var 0,459, og kappa-verdien for samsvarstesten mellom aksillær rCR og aksillær pCR Woos og Erikas team analyserte undergruppene som førte til falske- negative MR-bestemmelser av pCR og antydet at pasienter med G1-2, Luminal A/B-subtyper og ikke-klumpet forsterkning hadde problemer med å vurdere fullstendig remisjon ved MR. Det er tydelig at det nå er vanskelig å bruke tradisjonelle modelleringsmetoder for pCR for å bestemme nivået av klinisk anvendelse.
Elizabeths team brukte preoperativ MR, AI-teknologi for funksjonsekstraksjon og klinikopatologisk informasjon for å konstruere en pCR-bestemmelsesmodell, som fungerte bra i det uavhengige valideringssettet med en AUC på 0,83 (95 % KI: 0,71-0,94). Imons team brukte Riesz-funksjonsekstraksjon for å bestemme pCR hos trippel-negative brystkreftpasienter som gjennomgikk NAT, og den endelige modellen ROC nådde 0,85. Professor Yang Fans team fra avdelingen for radiologi, Wuhan Union Medical College Hospital, Wuhan, Kina, brukte flerfasede DCE-MRI-parametre og maskinlæringsalgoritmer for å bygge modellen, og det høyeste ROC-området under kurven nådde 0,919. Resultatene ovenfor viser at pCR-bestemmelsesmodellen for avbildningshistologi med AI-teknologi er en stor forbedring sammenlignet med den tradisjonelle modellen.
Selv om et økende antall studier har bekreftet viktigheten av avbildningshistologi for NAT pCR-bestemmelse, har mange av de nåværende studiene noen mangler. Når de ble evaluert ved bruk av den internasjonale standarden av bildehistologi RQS-skåre, ble det funnet at de fleste studiene: (i) manglet eksterne valideringskohorter; (ii) ga ikke passende beskrivelser av parameterekstraksjon; (iii) manglet en standardisert prosess for avbildningsparametere; og (iv) hadde små prøvestørrelser. Derfor er det ennå ikke utført mer systematiske og standardiserte studier av flertallet av forskerne.
Derfor planlegger dette prosjektet å etablere og validere en modell for å bestemme pCR etter NAT i brystkreft basert på klinisk informasjon, bildediagnostikk og patologisk informasjon fra brystkreftpasienter i flere sentre ved bruk av kunstig intelligens-teknologi i samsvar med internasjonale retningslinjer og innenlandsk ekspertkonsensus om bryst. cancer NAT, for å løse problemet med kirurgisk beslutningstaking for pasienter etter NAT, ved å kombinere eksperter fra brystmedisin-, kirurgi-, patologi- og bildebehandlingsavdelinger i flere tertiærsykehus over hele Kina. Modellen vil bli validert for å løse problemet med kirurgisk beslutningstaking for pasienter etter NAT.
Studietype
Registrering (Forventet)
Kontakter og plasseringer
Studiekontakt
- Navn: Jian Yue, M.D.
- Telefonnummer: +86 18612621749
- E-post: sunlight_1985@163.com
Studiesteder
-
-
Beijing
-
Beijing, Beijing, Kina, 100021
- Rekruttering
- National Cancer Center/National Clinical Research Center for Cancer/Cancer Hospital, Chinese Academy of Medical Sciences
-
Ta kontakt med:
- Jian Yue, MD
- Telefonnummer: +86 18612621749
-
Ta kontakt med:
- Dingyuan Wang, MD
- Telefonnummer: +86 15002665058
- E-post: dywang@hsc.pku.edu.cn
-
-
Deltakelseskriterier
Kvalifikasjonskriterier
Alder som er kvalifisert for studier
Tar imot friske frivillige
Kjønn som er kvalifisert for studier
Prøvetakingsmetode
Studiepopulasjon
Beskrivelse
Inklusjonskriterier:
- pasienter innlagt på hvert studiesenter mellom 1. januar 2010 og 31. desember 2021.
- ≥18 år, kvinne, med ECOG-score ≤2.
- patologisk biopsi bekreftet invasiv brystkreft.
- ble opprinnelig behandlet med neoadjuvant terapi.
- ha MR-bildedata før radikal kirurgi etter neoadjuvant behandling.
- gjennomgikk kirurgi som planlagt etter neoadjuvant terapi og fikk postoperativ patologiinformasjon.
Ekskluderingskriterier:
- Bilateral brystkreft, multiple lesjoner eller okkult brystkreft.
- ingen data relatert til bryst MR.
- ingen operasjon etter neoadjuvant terapi, ingen postoperative patologiresultater.
Studieplan
Hvordan er studiet utformet?
Designdetaljer
Kohorter og intervensjoner
Gruppe / Kohort |
Intervensjon / Behandling |
|---|---|
|
Neoadjuvant terapi
Pasienter med brystkreft behandlet med neoadjuvant terapi ved hvert senter fra 2010-2020.
|
Preoperativ systemisk terapi for brystkreftpasienter
|
Hva måler studien?
Primære resultatmål
Resultatmål |
Tiltaksbeskrivelse |
Tidsramme |
|---|---|---|
|
patologisk fullstendig respons
Tidsramme: Etter kirurgi basert på opptil ca. 24 uker neoadjuvant terapi
|
Fullstendig forsvinning av brystkreftlesjoner fra patologien etter kjemoterapi
|
Etter kirurgi basert på opptil ca. 24 uker neoadjuvant terapi
|
Samarbeidspartnere og etterforskere
Studierekorddatoer
Studer hoveddatoer
Studiestart (FAKTISKE)
Primær fullføring (FAKTISKE)
Studiet fullført (FORVENTES)
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
Ytterligere relevante MeSH-vilkår
Andre studie-ID-numre
- NCC3299
Plan for individuelle deltakerdata (IPD)
Planlegger du å dele individuelle deltakerdata (IPD)?
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. .