- ICH GCP
- US Clinical Trials Registry
- Klinisk utprøving NCT06031818
Brukervennlighet og klinisk effektivitet av et tolkbart dyplæringsrammeverk for post-hepatektomi leversviktprediksjon
Brukbarhet og klinisk effektivitet av et tolkbart dyplæringsrammeverk (VAE-MILP) ved bruk av kontrafaktiske forklaringer og lagvis relevans forplantningsramme for post-hepatektomi leversviktprediksjon
Målet med denne kliniske studien i silico er å lære om brukbarheten og den kliniske effektiviteten til et tolkbart rammeverk for dyp læring (VAE-MLP) ved å bruke kontrafaktiske forklaringer og lagvis relevansformidling for prediksjon av post-hepatektomi leversvikt (PHLF) hos pasienter med hepatocellulært karsinom (HCC). Hovedspørsmålene den tar sikte på å besvare er:
- For å undersøke brukbarheten til VAE-MLP-rammeverket for forklaring av dyplæringsmodellen.
- For å undersøke den kliniske effektiviteten av VAE-MLP-rammeverket for prediksjon av post-hepatektomi leversvikt hos pasienter med hepatocellulært karsinom.
I usability-forsøket vil klinikere og radiologer bli vist kontrafaktiske forklaringer og lagvis relevansutbredelse (LRP) plott for å evaluere brukbarheten til rammeverket.
I den kliniske studien vil klinikere og radiologer gjøre prediksjonen under to forskjellige forhold: med modellforklaring og uten modellforklaring med en utvaskingsperiode på minst 14 dager for å evaluere den kliniske effektiviteten til forklaringsrammeverket.
Studieoversikt
Status
Intervensjon / Behandling
Detaljert beskrivelse
Post-hepatektomi leversvikt (PHLF) er en alvorlig komplikasjon etter leverreseksjon. Det er viktig å utvikle en tolkbar modell for å forutsi PHLF for å lette effektivt samarbeid med klinikere for beslutningstaking. Todimensjonal skjærbølgeelastografi (2D-SWE) er en teknologi for måling av leverstivhet (LSM) som har vist seg å være nyttig i stadieinndeling av leverfibrose. Derfor viser 2D-SWE den potensielle verdien for leverfunksjonsvurdering og PHLF-prediksjon. 2D-SWE-bilder viser fargekodet vevsstivhetskart over leverparenkym, med rødt som representerer et fast vev (høyere stivhet) og blått representerer et bløtvev (lavere stivhet). Rutineanalyse av 2D-SWE mislykkes i å utnytte all informasjon som er tilgjengelig i bildene fullt ut, og lider også av inter-observatørvariasjoner i valg av den optimale kvantifiseringsregionen.
Deep learning (DL) har demonstrert state-of-the-art ytelse på mange medisinske bildebehandlingsoppgaver som klassifisering eller segmentering. Til tross for betydelig fremgang i DL har imidlertid den kliniske oversettelsen av DL-verktøy så langt vært begrenset, delvis på grunn av manglende tolkbarhet av modeller, det såkalte «black box»-problemet. Tolkbarhet av DL-systemer er viktig for å fremme klinisk tillit samt rettidig korrigering av eventuelle feilprosesser i algoritmene.
Her presenterer vi et nytt tolkbart DL-rammeverk (VAE-MLP) som inkluderer kontrafaktisk analyse for forklaring av 2D medisinske bilder og LRP for forklaring av funksjonsattribusjoner av både medisinske bilder og kliniske variabler.
Målet med denne kliniske studien i silico er å lære om brukbarheten og den kliniske effektiviteten til et tolkbart rammeverk for dyp læring (VAE-MLP) ved å bruke kontrafaktiske forklaringer og lagvis relevansformidling for prediksjon av post-hepatektomi leversvikt (PHLF) hos pasienter med hepatocellulært karsinom. Hovedspørsmålene den tar sikte på å besvare er:
- Å undersøke brukervennligheten til det tolkbare dyplæringsrammeverket (VAE-MLP) for forklaring av dyplæringsmodellen.
- For å undersøke den kliniske effektiviteten til det tolkbare rammeverket for dyp læring (VAE-MLP) for prediksjon av post-hepatektomi leversvikt hos pasienter med hepatocellulært karsinom.
I usability-forsøket vil klinikere og radiologer bli vist kontrafaktiske forklaringer og lagvis relevans forplantningsplott av 6 eksempler. Poengsummen til Likert-skalaen til et designet spørreskjema brukes til å evaluere brukervennligheten til rammeverket.
I den kliniske studien vil klinikere og radiologer gjøre prediksjonen under to forskjellige forhold: med modellforklaring og uten modellforklaring med en utvaskingsperiode på minst 14 dager. Nøyaktigheten, sensitiviteten og spesifisiteten brukes til å sammenligne den kliniske effektiviteten til forklaringsrammeverket.
Studietype
Registrering (Antatt)
Kontakter og plasseringer
Studiekontakt
- Navn: Xian Zhong
- Telefonnummer: 86-13632460144
- E-post: x.zhong@maastrichtuniversity.nl
Studiesteder
-
-
Guangdong
-
Guangzhou, Guangdong, Kina, 510000
- Rekruttering
- The First Affiliated Hospital of Sun Yat-sen University
-
Ta kontakt med:
- Xian Zhong
- Telefonnummer: 86-13632460144
- E-post: x.zhong@maastrichtuniversity.nl
-
-
Deltakelseskriterier
Kvalifikasjonskriterier
Alder som er kvalifisert for studier
- Barn
- Voksen
- Eldre voksen
Tar imot friske frivillige
Prøvetakingsmetode
Studiepopulasjon
Beskrivelse
Inklusjonskriterier:
1) pasienter med behandlingsnaiv og resektabel HCC; 2) resultatstatus Eastern Cooperative Oncology Group (PS) score 0-1.
Ekskluderingskriterier:
1) leverreseksjon ble ikke utført; 2) patologisk diagnose av ikke-HCC; 3) svikt i leverstivhetsmåling definert som elastografifargekartet var mindre enn 75 % fylt eller interkvartilt område (IQR)/median > 30 %; 4) immunaktiv kronisk hepatitt indikert ved en økning av alaninaminotransferase (ALT) nivåer ≥ 2×øvre normalgrense (ULN); 5) obstruktiv gulsott eller utvidede intrahepatiske galleganger med en diameter på >3 mm; 6) hypoalbuminemi, hyperbilirubinemi eller koagulopati som ikke er relatert til leveren.
Studieplan
Hvordan er studiet utformet?
Designdetaljer
Kohorter og intervensjoner
Gruppe / Kohort |
Intervensjon / Behandling |
|---|---|
|
Pasienter med HCC
Pasienter som gjennomgikk kurativ leverreseksjon for HCC i First Affiliated Hospital ved Sun Yat-Sen University i Kina.
|
Radiologen og klinikerne vil få modellens prediksjonsresultater med forklaring av modellen, og de vil fylle ut et spørreskjema for å evaluere brukbarheten til det tolkbare rammeverket.
Radiologen og klinikerne vil bli gitt modellprediksjonsresultatene uten forklaring av modellen, og de vil bli bedt om å gi sin egen prediksjon.
Radiologen og klinikerne vil få modellens prediksjonsresultater med forklaring av modellen, og de vil bli bedt om å gi sin egen prediksjon.
|
Hva måler studien?
Primære resultatmål
Resultatmål |
Tiltaksbeskrivelse |
Tidsramme |
|---|---|---|
|
Klinisk effektivitet av forklaringsrammeverket
Tidsramme: Fra påmelding til slutten av prøveperioden ved 8 uker
|
Nøyaktigheten, sensitiviteten og spesifisiteten vil bli sammenlignet mellom prediksjonen gjort med og uten forklaringen til DL-modellen for å bestemme den kliniske effektiviteten til forklaringsrammeverket.
|
Fra påmelding til slutten av prøveperioden ved 8 uker
|
Sekundære resultatmål
Resultatmål |
Tiltaksbeskrivelse |
Tidsramme |
|---|---|---|
|
Brukbarhet av forklaringsrammeverket
Tidsramme: Fra påmelding til slutten av prøveperioden ved 8 uker
|
Poengsummen til Likert-skalaen til et designet spørreskjema brukes til å evaluere brukervennligheten til rammeverket.
Hvert element får en poengsum fra 1 til 5. Høyere poengsum betyr et bedre resultat.
|
Fra påmelding til slutten av prøveperioden ved 8 uker
|
Samarbeidspartnere og etterforskere
Sponsor
Samarbeidspartnere
Etterforskere
- Hovedetterforsker: Philippe Lambin, Maastricht University
Studierekorddatoer
Studer hoveddatoer
Studiestart (Faktiske)
Primær fullføring (Antatt)
Studiet fullført (Antatt)
Datoer for studieregistrering
Først innsendt
Først innsendt som oppfylte QC-kriteriene
Først lagt ut (Faktiske)
Oppdateringer av studieposter
Sist oppdatering lagt ut (Antatt)
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
- Interpretable DL
- 92059201 (Annet stipend/finansieringsnummer: National Natural Science Foundation of China)
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. .