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

Kunstig intelligensmodeller for presisjonsprediksjon og behandling av prostatakreft

27. oktober 2024 oppdatert av: Shao Pengfei

Nøyaktig prediksjon og behandling av prostatakreft ved hjelp av kunstig intelligens-modellbaserte helbildebilder og MR-er

Målet med denne kliniske studien er om kunstig intelligens-modeller kan brukes for nøyaktig klinisk preoperativ diagnose og postoperativ diagnose av patologiske funn, og vil også måle nøyaktigheten av spådommene fra kunstig intelligens-modellene. De viktigste målspørsmålene som modellen tar opp. bygningen er:

  1. om AI-modellen kan lære av preoperativ MR og postoperative hele lysbildebilder for nøyaktig å forutsi informasjon som godartethet eller malignitet, aggressivitet, gradering, subtyper, gener osv. for deltakere som mistenkes for å ha prostatakreft preoperativt/punkturelt.
  2. om AI-modellen er i stand til å lære postoperative makropatologiske lysbilder for å muliggjøre utfallsdiagnose av kirurgiske patologilys hos nye deltakere.

Deltakerne vil:

  1. fullføre en MR-undersøkelse og få MR-bildene analysert av den etablerte AI-modellen for å stille en nøyaktig diagnose av dem.
  2. Basert på diagnosen, hvis prostatakreft er spådd, vil de gjennomgå radikal prostatakreftoperasjon og avgrense sin kirurgiske patologi.

Studieoversikt

Status

Har ikke rekruttert ennå

Forhold

Intervensjon / Behandling

Detaljert beskrivelse

Basert på kunstig intelligens-teknologi, er prediksjonsmodellen bygget ved å skissere den kvantitative kartleggingskorrelasjonen mellom kommentert prostatakreft Whole Slide Images og MR, og klargjøre fellestrekkene. For det første kan modellen nøyaktig diagnostisere den radikale patologien til prostatakreft, som kan unntas fra immunhistokjemi for å få detaljert patologisk informasjon; for det andre kan den etablerte AI-prediksjonsmodellen nøyaktig diagnostisere benign/malign, invasivitet, grad og subtype av prostatakreft ved å forutsi deltakerens MR-bilder før operasjon eller punktering, slik at en personlig behandlingsplan kan formuleres for pasienten før operasjon eller punktering . Til slutt, basert på AI-teknologi, lærer modellen av MR-bildene og utfører 3D-rekonstruksjon av prostata og lesjoner før operasjon/punktur, og avklarer dermed den nøyaktige plasseringen av lesjonene og veileder punktering eller kirurgisk behandling.

Studietype

Intervensjonell

Registrering (Antatt)

200

Fase

  • Ikke aktuelt

Kontakter og plasseringer

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

Studiekontakt

Studer Kontakt Backup

  • Navn: Pan Zang, Postgraduate
  • Telefonnummer: 18914730216
  • E-post: 896381164@qq.com

Studiesteder

  • Kina
    • Jiangsu
      • Nanjing, Jiangsu, Kina, 210036
        • The First Affiliated Hospital of Nanjing Medical University (Jiangsu Provincial People's 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

  • Voksen
  • Eldre voksen

Tar imot friske frivillige

Ja

Beskrivelse

Inkluderingskriterier:

  • Pasienter med mistenkt PCa (forhøyet PSA eller mistenkelige positive lesjoner på ultralyd eller MR-resultater);

Ekskluderingskriterier:

  • Tidligere behandling av prostata i enhver form, inkludert kirurgi, strålebehandling/kjemoterapi, endokrin terapi, målrettet terapi og immunterapi;
  • Pasienter med ethvert element som mangler i den kliniske og patologiske grunninformasjonen;
  • Pasienter med en historie med andre maligniteter, alvorlige komorbiditeter eller andre helseproblemer;
  • Kan ikke gi/signere et informert samtykkeskjema;
  • Pasienter som, etter etterforskerens vurdering, anses som uegnet til å delta i denne kliniske utprøvingen;

Studieplan

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

Hvordan er studiet utformet?

Designdetaljer

  • Primært formål: Diagnostisk
  • Tildeling: Randomisert
  • Intervensjonsmodell: Parallell tildeling
  • Masking: Trippel

Våpen og intervensjoner

Deltakergruppe / Arm
Intervensjon / Behandling
Eksperimentell: Eksperimentell gruppe
Denne pasientgruppen vil motta spådommer assistert av kunstig intelligens-modeller.
Diagnostisk test: Nøyaktige prediksjonsmodeller for kunstig intelligens
Diagnostisk test: Nøyaktige prediksjonsmodeller for kunstig intelligens Postoperativ patologi, presis preoperativ diagnose (inkludert godartet og ondartet, invasiv, gradering, subtyper) eller 3D-lesjonsmodellering vil bli forutsagt basert på AI-prediksjonsmodellen som svar på informasjonen som er gitt
Ingen inngripen: Kontrollgruppe
Denne pasientgruppen vil ikke motta spådommer assistert av kunstig intelligens-modeller.

Hva måler studien?

Primære resultatmål

Resultatmål
Tiltaksbeskrivelse
Tidsramme
Prediksjon av postradikal prostatakreftpatologi etter radikal prostatektomi ved bruk av 'AUC' omfattende vurderingsmodell
Tidsramme: Fra påmelding av forsøksperson til første gang etter operasjonen, vanligvis 30-90 dager.
'AUC' refererer til området under ROC (Receiver Operating Characteristic)-kurven, som indikerer ytelsen til modellen i å forutsi immunhistokjemi-relatert patologisk informasjon om prostatakreft etter operasjon, og AUC varierer fra 0-1, med den høyeste verdien som indikerer den bedre prediksjonseffekten.
Fra påmelding av forsøksperson til første gang etter operasjonen, vanligvis 30-90 dager.
Forutsi ytelsen til postradikal patologi ved hjelp av 'AUC' omfattende vurderingsmodell
Tidsramme: Fra påmelding av forsøksperson til første gang etter operasjonen, vanligvis 30-90 dager.
'AUC' refererer til arealet under ROC-kurven (Receiver Operating Characteristic), som indikerer ytelsesnivået til modellen for å forutsi prostatakreft i den preoperative perioden, med AUC som varierer fra 0-1, med større verdier som indikerer bedre prediksjonsresultater.
Fra påmelding av forsøksperson til første gang etter operasjonen, vanligvis 30-90 dager.
'F1 Score' for å vurdere ytelsen til preoperativ 3D-modellering
Tidsramme: Fra påmelding til forsøksperson til første gangs restitusjon etter operasjonen/punktur, vanligvis 30-90 dager.
Et avstemt gjennomsnitt av preoperativ 3D-modelleringspresisjon og tilbakekalling vurdert gjennom 'F1-score', som representerer samsvar med den virkelige situasjonen.
Fra påmelding til forsøksperson til første gangs restitusjon etter operasjonen/punktur, vanligvis 30-90 dager.

Sekundære resultatmål

Resultatmål
Tiltaksbeskrivelse
Tidsramme
Vurder mengden kostnadsforskjell mellom den prediktive modellen og den kliniske tilnærmingen ved "økonomiske kostnadsbesparelser"
Tidsramme: Fra påmelding til forsøksperson til første gangs restitusjon etter operasjonen/punktur, vanligvis 30-90 dager.
Sammenlign forskjellen i kostnader som påløper ved bruk av en prediktiv modell med de som er forutsagt ved bruk av en klinisk tilnærming, forskjellen vil være i yuan.
Fra påmelding til forsøksperson til første gangs restitusjon etter operasjonen/punktur, vanligvis 30-90 dager.
"Diagnostisk tid" evaluerer tiden det tar å forutsi immunhistokjemi-relatert patologi i den postoperative perioden.
Tidsramme: Fra påmelding til forsøksperson til første gangs restitusjon etter operasjonen/punktur, vanligvis 30-90 dager.
Tiden som brukes postoperativt til å forutsi eller hjelpe patologen med å innhente immunhistokjemi-relatert patologiinformasjon, vurderes av "Diagnostisk tid" og vil bli målt i minutter.
Fra påmelding til forsøksperson til første gangs restitusjon etter operasjonen/punktur, vanligvis 30-90 dager.

Samarbeidspartnere og etterforskere

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

Sponsor

Shao Pengfei

Samarbeidspartnere

Institute of Automation, Chinese Academy of Sciences

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 (Antatt)

1. desember 2024

Primær fullføring (Antatt)

1. januar 2030

Studiet fullført (Antatt)

31. desember 2030

Datoer for studieregistrering

Først innsendt

13. august 2024

Først innsendt som oppfylte QC-kriteriene

27. oktober 2024

Først lagt ut (Faktiske)

29. oktober 2024

Oppdateringer av studieposter

Sist oppdatering lagt ut (Faktiske)

29. oktober 2024

Siste oppdatering sendt inn som oppfylte QC-kriteriene

27. oktober 2024

Sist bekreftet

1. oktober 2024

Mer informasjon

Begreper knyttet til denne studien

Nøkkelord

Ytterligere relevante MeSH-vilkår

Andre studie-ID-numre

  • Shao Pengfei

Legemiddel- og utstyrsinformasjon, studiedokumenter

Studerer et amerikansk FDA-regulert medikamentprodukt

Nei

Studerer et amerikansk FDA-regulert enhetsprodukt

Nei

produkt produsert i og eksportert fra USA

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