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

10-årig retrospektiv studie av oral og kjeve- og ansiktsplateepitelkarsinom

Klinisk patologisk og prognostisk analyse av oral og kjeve- og ansiktsplateepitelkarsinom: en enkeltsenter 10-årig retrospektiv studie

Innledning: Forekomsten av okkulte cervical lymfeknutemetastaser (OCLNM) er rapportert å være 20%-30% i tidlig stadium oral cancer og orofaryngeal cancer. Det er mangel på en nøyaktig diagnostisk metode for å forutsi okkulte lymfeknutemetastaser og for å hjelpe kirurger med å ta presise behandlingsbeslutninger.

Mål: Å konstruere og evaluere en preoperativ diagnostisk metode for å forutsi okkulte lymfeknutemetastaser (OCLNM) i tidlig stadium oralt og orofaryngealt plateepitelkarsinom (OC og OP SCC) basert på dype læringsfunksjoner (DLF) og radiomik.

Metoder: Totalt 319 pasienter diagnostisert med tidlig stadium OC eller OP SCC ble retrospektivt registrert og delt inn i trenings-, test- og eksterne valideringssett. Tradisjonelle radiomikrofunksjoner og DLF-er ble trukket ut fra MR-bildene deres. Den minste absolutte krympings- og seleksjonsoperatoranalysen (LASSO) ble brukt for å identifisere de mest verdifulle funksjonene. Prediksjonsmodeller for OCLNM ble utviklet ved å bruke radiomikrofunksjoner og DLF-er. Effektiviteten til modellene og deres kliniske anvendelighet ble evaluert ved å bruke arealet under kurven (AUC), beslutningskurveanalyse (DCA) og overlevelsesanalyse.

Studieoversikt

Status

Fullført

Forhold

Studietype

Observasjonsmessig

Registrering (Faktiske)

319

Kontakter og plasseringer

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

Studiesteder

    • Guangdong
      • Guangzhou, Guangdong, Kina, 510000
        • Sun Yat-sen Memorial Hospital
      • Guangzhou, Guangdong, Kina, 510000
        • Sun yat-sun memorial hospital

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

  • Barn
  • Voksen
  • Eldre voksen

Tar imot friske frivillige

Nei

Prøvetakingsmetode

Ikke-sannsynlighetsprøve

Studiepopulasjon

Radiomik-funksjonene som påvirker prediksjonen av OCLNM i OC og OP SCC. Totalt 319 pasienter med tidlig stadium OC eller OP SCC fra sykehusene

Beskrivelse

Inklusjonskriterier:

  1. Patologisk bekreftet, tidligere ubehandlet oral og orofarynx plateepitelkarsinom med radikal reseksjon;
  2. MR-undersøkelse ble utført to uker før operasjonen;
  3. Alle pasienter med nakkedisseksjon og status for regionale lymfeknuter ble bekreftet via patologisk undersøkelse;
  4. Alle pasientene hadde ingen kliniske bevis på nodal involvering.

Ekskluderingskriterier:

  1. Andre ondartede svulster, slik som adenoid cystisk karsinom;
  2. mangel på fullstendig MR-avbildning eller dårlig MR-avbildningskvalitet;
  3. pasienter hadde gjennomgått nakkedisseksjon eller behandlet ikke-kirurgisk;
  4. pasienter med metastatisk sykdom.

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
Kohort A
Tilfeldig (121 tilfeller) delt som trenings- og testsett i forholdet 7:3.
Prediksjonsevnen til Resnet50 deep learning (DL) modellen ovenfor ble validert i testsettet. Basert på AUC og ACC ble den beste prediksjonsmodellen identifisert. For å utforske robustheten til den valgte modellen, ble ROC-analyse utført i det eksterne valideringssettet. Dessuten ble Log-rank-testen brukt for å evaluere den prognostiske verdien av modellen.
Kohort B
Segmentert i to grupper basert på innsamlet batch, som ble definert som eksternt valideringssett1 (n = 68) og eksternt valideringssett2 (n = 130)
Prediksjonsevnen til Resnet50 deep learning (DL) modellen ovenfor ble validert i testsettet. Basert på AUC og ACC ble den beste prediksjonsmodellen identifisert. For å utforske robustheten til den valgte modellen, ble ROC-analyse utført i det eksterne valideringssettet. Dessuten ble Log-rank-testen brukt for å evaluere den prognostiske verdien av modellen.

Hva måler studien?

Primære resultatmål

Resultatmål
Tiltaksbeskrivelse
Tidsramme
AUC (området under kurven) verdier for modellen
Tidsramme: 10 år(Dette er en retrospektiv forskning,vi samler inn 10 års pasienter, men prosjektet vi implementerer datainnsamling og analyse er 9 måneder)
Effektiviteten til modellene og deres kliniske anvendelighet ble evaluert ved å bruke området under kurven (AUC)
10 år(Dette er en retrospektiv forskning,vi samler inn 10 års pasienter, men prosjektet vi implementerer datainnsamling og analyse er 9 måneder)

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)

10. mai 2023

Primær fullføring (Faktiske)

10. februar 2024

Studiet fullført (Faktiske)

10. februar 2024

Datoer for studieregistrering

Først innsendt

19. mars 2024

Først innsendt som oppfylte QC-kriteriene

15. april 2024

Først lagt ut (Faktiske)

16. april 2024

Oppdateringer av studieposter

Sist oppdatering lagt ut (Faktiske)

16. april 2024

Siste oppdatering sendt inn som oppfylte QC-kriteriene

15. april 2024

Sist bekreftet

1. april 2024

Mer informasjon

Begreper knyttet til denne studien

Plan for individuelle deltakerdata (IPD)

Planlegger du å dele individuelle deltakerdata (IPD)?

NEI

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