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

Forutsi symptombaner etter torakoskopisk lungekreftkirurgi ved bruk av en tolkbar maskinlæringsmodell

8. januar 2025 oppdatert av: GuiBin Qiao, Guangdong Provincial People's Hospital
Pasienter lider av en rekke symptomer etter torakoskopisk kirurgi. Imidlertid er det mangel på validerte prediktive verktøy for å identifisere potensielt høyrisikopasienter. Denne studien forventes å inkludere omtrent 1500 lungekreftpasienter som gjennomgår thorakoskopisk kirurgi. Latent klasse blandet modellering (LCMM) vil bli brukt til å identifisere undergrupper av pasienter med lignende symptombaner. Maskinlæringsmodeller ble utviklet for å forutsi postoperative symptombaner basert på innsamlet informasjon. Effektiv prediksjon av postoperative symptomer kan bidra til å identifisere høyrisikopasienter og iverksette forebyggende tiltak.

Studieoversikt

Status

Har ikke rekruttert ennå

Forhold

Detaljert beskrivelse

Thorakoskopisk lungekreftkirurgi er en mye brukt tilnærming for behandling av tidlig og lokalt avansert lungekreft. Til tross for fordelene med torakoskopisk kirurgi, som minimal invasjon og rask bedring, lider pasienter fortsatt av en rekke symptomer som smerte, kortpustethet, søvnforstyrrelser eller tretthet etter operasjonen, noe som alvorlig påvirker livskvaliteten. Imidlertid er det mangel på validerte prediktive verktøy for å identifisere potensielt høyrisikopasienter. Denne studien forventes å inkludere omtrent 1500 lungekreftpasienter som gjennomgår thorakoskopisk kirurgi. Pasienter inviteres til å fylle ut MD Anderson Symptom Inventory-Lung Cancer-modulen etter torakoskopisk kirurgi. Symptomer av interesse inkluderer smerte, kortpustethet, søvnforstyrrelser og tretthet. Moderate til alvorlige symptomer ble definert som en skåre på ≥ 4. Latent klasse blandet modellering (LCMM), en klyngeteknikk, kan identifisere undergrupper av pasienter med lignende symptombaner basert på longitudinelle pasientrapporterte utfallsdata (PRO). Maskinlæringsmodeller ble utviklet for å forutsi postoperative symptombaner basert på innsamlet informasjon, inkludert demografisk og klinisk informasjon, og operative data. Maskinlæringsmodellene inkluderer hovedsakelig Random Forest, Support Vector Machines, Neural Networks, XGBoost, etc. Den mest hensiktsmessige modellen velges, og modelltolkning utføres ved bruk av SHAP-metoden. Effektiv prediksjon av postoperative symptomer kan bidra til å identifisere høyrisikopasienter og iverksette forebyggende tiltak.

Studietype

Observasjonsmessig

Registrering (Antatt)

1500

Kontakter og plasseringer

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

Studiekontakt

Studiesteder

  • Kina
      • Guangdong, Kina, 510080
        • Guangdong Provincial People's Hospital
        • Ta kontakt med:
        • Ta kontakt med:

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

Lungekreftpasienten gjennomgikk torakoskopisk kirurgi og fullførte MD Anderson Symptom Inventory-Lung Cancer-modulen postoperativt.

Beskrivelse

Inkluderingskriterier:

  • Alder 18-80 år gammel;
  • Patologisk diagnostisert lungekreft;
  • Gjennomgå torakoskopisk kirurgi, inkludert videoassistert torakoskopi og robotassistert torakoskopisk kirurgi;
  • ingen tidligere historie med malignitet eller lungekirurgi;
  • Har evnen til å fullføre skalaen.

Ekskluderingskriterier:

  • Konvertert til torakotomi under torakoskopisk kirurgi;
  • Kan ikke fullføre den postoperative skalaen minst to ganger;
  • Manglende dataverdier som overstiger 30 prosent.

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
Symptombaner etter torakoskopisk kirurgi
Tidsramme: Innen fire uker etter thorakoskopisk kirurgi
Postoperative symptomer av interesse inkluderte smerte, kortpustethet, søvnforstyrrelser og tretthet.
Innen fire uker etter thorakoskopisk kirurgi

Samarbeidspartnere og etterforskere

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

Sponsor

Guangdong Provincial People's Hospital

Etterforskere

  • Hovedetterforsker: Guibin Qiao, Guangdong Provincial People's Hospital

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. mars 2025

Primær fullføring (Antatt)

1. januar 2026

Studiet fullført (Antatt)

1. februar 2026

Datoer for studieregistrering

Først innsendt

8. januar 2025

Først innsendt som oppfylte QC-kriteriene

8. januar 2025

Først lagt ut (Faktiske)

25. mars 2025

Oppdateringer av studieposter

Sist oppdatering lagt ut (Faktiske)

25. mars 2025

Siste oppdatering sendt inn som oppfylte QC-kriteriene

8. januar 2025

Sist bekreftet

1. april 2024

Mer informasjon

Begreper knyttet til denne studien

Nøkkelord

Ytterligere relevante MeSH-vilkår

Andre studie-ID-numre

  • LC-ML

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