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

Optimalisering av nyresvulstbehandling gjennom kunstig intelligensmoduler

16. mars 2025 oppdatert av: Shao Pengfei

Mutimodal kunstig intelligens for optimalisering av nyresvulstbehandling: diagnose, kirurgi og prognose

Målet med denne observasjonsstudien er å forbedre behandlingen av personer med nyresvulst ved hjelp av multimodal kunstig intelligens (AI). Den vil også måle nøyaktigheten til spådommene fra AI-modeller. Hovedspørsmålene den tar sikte på å besvare er:

om AI-modulen nøyaktig kan gi tumorrelatert informasjon som godartet eller ondartet, undertyper, gradering, stadium, etc. ved å lære fra preoperative CT-bilder.
om AI-modulen kan hjelpe klinikere med å finne ut det mest passende kirurgiske programmet for personer med nyresvulst.
om AI-modulen kan integrere CT-bilder og patologilysbilder, og tilby supplerende prognostisk informasjon for å forbedre postoperativ overlevelse.

Deltakere som fullfører en CT-undersøkelse (vanligvis kontrastforsterket CT, CECT) og gjennomgår radikal eller partiell nefrektomi, vil utføre aktiv overvåking og registrere postoperative overlevelsesdata i 5 år.

Studieoversikt

Status

Rekruttering

Forhold

Detaljert beskrivelse

I denne studien vil AI-modellen utforske og avklare funksjoner i nyretumor-CT-bilder og patologiske bilder som er vanskelige å oppdage manuelt, og deretter korrelere dem med kliniske utfall, og dermed forbedre diagnosen og behandlingsprosessen for nyresvulster. For det første kan modellen nøyaktig skille nyretumorsubtyper og forutsi stadium, grad og kompleksitet for å unngå feildiagnostisering og hjelpe klinikere med å formulere behandlingsplaner. For det andre, ved å lære fra kirurgiske videoer, kan modellen gi tilleggsinformasjon under operasjoner, for eksempel viktige anatomiske landemerker, plassering av svulster. Til slutt, ved å kombinere radiomik og patomikk, kan modellen skille mellom høyrisiko- og lavrisikopasienter etter operasjon, og dermed gi personlig prognostisk veiledning.

Studietype

Observasjonsmessig

Registrering (Antatt)

2100

Kontakter og plasseringer

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

Studiekontakt

Navn: Shao Pengfei, Professor
Telefonnummer: +8613851925825
E-post: spf032@hotmail.com

Studer Kontakt Backup

Navn: Miao Haoqi, Postgraduate
Telefonnummer: +8613276636957
E-post: mhq@stu.njmu.edu.cn

Studiesteder

Kina
- Jiangsu
  - Nanjing, Jiangsu, Kina, 210036
    - Rekruttering
    - The First Affiliated Hospital of Nanjing Medical University (Jiangsu Provincial People's Hospital)
    - Ta kontakt med:
      
      Shao Pengfei, Professor
      
      Telefonnummer: +8613851925825
      
      E-post: spf032@hotmail.com
    - Ta kontakt med:
      
      Miao Haoqi, Postgraduate
      
      Telefonnummer: +8613276636957
      
      E-post: mhq@stu.njmu.edu.cn

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

Nei

Prøvetakingsmetode

Ikke-sannsynlighetsprøve

Studiepopulasjon

Pasienter med nyresvulster på bildeundersøkelser som ble operert

Beskrivelse

Inkluderingskriterier:

Pasienter med nyresvulst som kan behandles ved kirurgi;
Fullfør CECT innen 30 dager før operasjonen;
Pasienter som fullt ut forstår denne studien og signerer det informerte samtykket;

Ekskluderingskriterier:

Pasienter med ethvert element som mangler i den kliniske og patologiske grunninformasjonen;
Pasienter som allerede har metastasert når svulsten oppdages;
Tidligere behandling i enhver form, inkludert kirurgi, målrettet terapi og immunterapi;

Studieplan

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

Hvordan er studiet utformet?

Designdetaljer

Hva måler studien?

Primære resultatmål

Resultatmål	Tiltaksbeskrivelse	Tidsramme
Vurdere ytelsen til AI-modeller ved hjelp av den omfattende vurderingsmodellen "AUC". Tidsramme: Fra påmelding til slutten av 5-års oppfølging	"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 til slutten av 5-års oppfølging

Sekundære resultatmål

Resultatmål	Tiltaksbeskrivelse	Tidsramme
Vurdere modellens ytelse for å forutsi deltakernes prognose etter kirurgi ved Kaplan-Meier Survival Analysis Tidsramme: Fra påmelding til slutten av 5-års oppfølging	Kaplan-Meier overlevelsesanalyse er en ikke-parametrisk statistikk som hovedsakelig brukes til å finne ut faktorer som indikerer overlevelse.	Fra påmelding til slutten av 5-års oppfølging

Samarbeidspartnere og etterforskere

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

Sponsor

Shao Pengfei

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)

1. januar 2025

Primær fullføring (Antatt)

1. januar 2028

Studiet fullført (Antatt)

31. desember 2033

Datoer for studieregistrering

Først innsendt

2. desember 2024

Først innsendt som oppfylte QC-kriteriene