- ICH GCP
- US Clinical Trials Registry
- Klinisk utprøving NCT06775587
SERS-basert serum molekylær spektral screening for benigne og ondartede lungeproliferative knuter (SERS on lung)
SERS-basert serum molekylær spektral screening for benigne og ondartede pulmonale proliferative knuter: en multisenter, åpen etikett, dobbeltblind, uavhengig dataanalyse klinisk studie
Lungeknuter er ofte en tidlig indikator på lungekreft. Med den utbredte bruken av CT-skanninger av brystet i rutinemessige fysiske undersøkelser, oppdages et økende antall lungeknuter, inkludert en rekke små knuter som inflammatoriske lesjoner, godartede svulster og ondartede svulster. Foreløpig er det ingen enhetlig internasjonal konsensus om diagnose- og behandlingsstrategier for lungeknuter, som skissert av ulike globale retningslinjer. Å utvikle og implementere et omfattende screeningprogram for lungeknuter og lungekreft innenfor offentlige helsestyringssystemer er fortsatt en kompleks og utfordrende oppgave. Å fremme forskning og foreslå lungekreftscreeningsteknologier som er svært sensitive, svært spesifikke, enkle, tilgjengelige og kostnadseffektive er en viktig og presserende prioritet i moderne helsevesen.
Raman-spektroskopi (RS), som en ikke-invasiv og svært spesifikk molekylær deteksjonsteknikk, kan oppnås på molekylært nivå for sensitivt å oppdage endringer i biomolekyler som består av proteiner, nukleinsyrer, lipider og sukker relatert til tumormetabolisme i biologiske prøver. Den overflateforbedrede Raman-spektroskopien (SERS) utviklet basert på denne teknologien er en av de mulige metodene for høysensitiv biomolekylanalyse. Selv om SERS-teknologi har vist god diagnostisk effekt i mange prekliniske studier i flere svulster, er den begrenset til en generelt liten prøvestørrelse og mangler ekstern validering. Derfor er det nødvendig med en klinisk studie av Raman-spektra for tumordiagnose, som oppfyller følgende krav: 1. En objektiv, rask og praktisk anvendelse av Raman-spektraldatabehandling er nødvendig, og dyplæringsmetoden kan være den beste klassifiseringsmetoden; 2. Det krever multisenter og store kliniske prøver for å trene dyplæringsdiagnostisk modell, og verifisere dens sanne effektivitet gjennom eksterne data fra prospektive studier.
I vår foreløpige forskning samlet vi serum Raman-spektroskopidata fra en kohort på 191 pasienter med lungeknuter og utviklet et intelligent diagnosesystem for å skille mellom godartede og ondartede lungeknuter ved hjelp av en maskinlæringsmodell. Systemet oppnådde en nøyaktighet på 89,7 %. For å oppnå det høyeste nivået av klinisk bevis og virkelig realisere klinisk transformasjon, er denne prospektive, multisenter kliniske studien designet for å verifisere det intelligente diagnosesystemet for tidlig diagnose av prostatakreft.
Studieoversikt
Status
Intervensjon / Behandling
Detaljert beskrivelse
I 2020 var det omtrent 19,3 millioner nye krefttilfeller og nesten 10 millioner kreftdødsfall over hele verden. Blant dem var antallet nye tilfeller av lungekreft omtrent 2,21 millioner, noe som utgjør 11,4 % av det totale antallet nye krefttilfeller. Det var omtrent 1,8 millioner dødsfall fra lungekreft, rangert først blant kreftdødsfall. I det året var antallet nye tilfeller av lungekreft i Kina 816 000, noe som utgjør 37 % av den globale totalen. I 2022 økte det siste antallet lungekrefttilfeller i Kina til 1,0606 millioner, og antallet lungekreftdødsfall var 733 000. Når det gjelder 5-års overlevelsesraten for lungekreftpasienter, var dataene som ble utgitt i 2018 i Kina (2012-2015) 19,7 %, som fortsatt er et stort gap fra den totale kreft 5-års overlevelsesraten på 46,6 % innen 2030 foreslått i "Healthy China Action-Cancer Prevention and Control Action Implementation Plan (2023-2030)". Prognosen for lungekreft i ulike stadier er ganske forskjellig. 5-års overlevelsesraten for stadium I lungekreft er 77%~92%, og 5-års overlevelsesraten for stadium IIIA~IVB lungekreft er 0~36%. Derfor er tidlig diagnose og behandling av lungekreft nøkkelen til å forbedre 5-års overlevelsesraten for lungekreft og forbedre prognosen til pasienter. Imidlertid er de fleste lungekreftpasienter allerede i det sene stadiet av lungekreft når de får diagnosen, og de har gått glipp av muligheten for radikal behandling. Hovedårsaken er at det primære og sekundære forebyggende arbeidet ikke gjøres nok. Det er nødvendig å utvikle avanserte teknologier og integrere dem i konsensusretningslinjene for bred markedsføring.
Lungeknuter er tidlige manifestasjoner av lungekreft. Med populariseringen av bryst-CT-screening i fysiske undersøkelsesartikler, blir flere og flere lungeknuter funnet i fysiske undersøkelser, inkludert ulike typer små knuter, som inflammatoriske lesjoner, godartede svulster og ondartede svulster. For å identifisere disse typene knuter, bedømmer klinikere ofte de todimensjonale bildefunksjonene til knuter basert på deres personlige erfaring, for eksempel plandiameter, om det er grader, lapper, forkalkning og andre trekk for å vurdere sannsynligheten for malignitet i lungene knuter, men nøyaktigheten av å bedømme de godartede og ondartede knutene på denne måten er nært knyttet til erfaringen og ansienniteten til klinikere, og forskjellige leger har forskjellige dommer på de samme knutene. For tiden er det ingen enhetlig konsensus om diagnose og behandlingsstrategier for lungeknuter anbefalt av flere internasjonale konsensusretningslinjer. I offentlige helsetjenester er utvikling og implementering av et omfattende screeningprogram for lungeknuter lungekreft en kompleks og utfordrende oppgave. Å forske på og foreslå høysensitivitet og høy spesifisitet, samt enkle, lett-å-populære og rimelige lungekreftscreeningsteknologier er en uunnværlig del av helsevesenet. I tillegg er fenomenet overdiagnostisering og behandling av lungeknuter vanlig i klinisk praksis, på grunn av inkonsekvensen av retningslinjer for diagnostisering og behandlingsstrategier for lungeknuter. Hvordan unngå overdiagnostisering og behandling trenger mer oppmerksomhet. Derfor er det vårt ansvar å aktivt forbedre nøyaktigheten av prediksjon av lungeknutekreft, redusere frekvensen av overdiagnostisering og behandling, og øke frekvensen av tidlig lungekreftintervensjon. Blant de eksisterende screeningmetodene for tidlig lungekreft er laboratorietester (spesielt bruk av blod, urin eller andre flytende biopsier) en rimelig, ikke-invasiv og lett repeterbar tidlig prediksjonsmetode sammenlignet med avbildning eller histopatologiske undersøkelser, ved å detektere spesifikke kreftbiomarkører som sirkulerende tumor-DNA, proteiner, kreftmetabolitter og til og med celleavledede eksosomer og sirkulerende tumorceller. Imidlertid er det fortsatt mange utfordringer, inkludert: 1) Det er ingen effektive og rikelige tumorbiomarkører for lungekreft; 2) Det er ingen enkel og gjennomførbar kreftdeteksjonsmetode, spesielt i det asymptomatiske stadiet; 3) Det finnes ingen omfattende analyseplattform for store datasett for å skille mellom friske og lungekreftpopulasjoner.
Raman-spektroskopi (RS) er en ikke-invasiv og svært spesifikk materialmolekylær deteksjonsteknologi som kan oppnås på molekylært nivå for sensitivt å oppdage endringer i biomolekyler sammensatt av proteiner, nukleinsyrer, lipider og sukker relatert til tumormetabolisme i biologiske prøver. Overflateforbedret Raman-spektroskopi (SERS) utviklet basert på denne teknologien er en av de mulige metodene for svært sensitiv biomolekylær analyseteknologi. Selv om SERS-teknologi har vist gode diagnostiske effekter i et stort antall prekliniske studier av flere svulster, er den begrenset av den generelt lille prøvestørrelsen og mangelen på ekstern verifisering. Derfor er det nødvendig med klinisk forskning på bruk av Raman-spektroskopi for tumordiagnostikk, som oppfyller følgende krav: 1. Objektive, raske og praktiske databehandlingsmetoder for Raman-spektroskopi er påkrevd, og maskin- og dyplæringsmetoder kan være de beste. klassifiseringsmetoder; 2. Kliniske prøver med flere senter, store utvalg er nødvendig for å trene diagnostiske modeller for dyp læring, og deres sanne effektivitet bekreftes av eksterne data fra prospektive studier.
I vår forrige studie samlet vi serum Raman-spektroskopidata fra en kohort på 191 pasienter med lungeknuter, og bygde et Raman intelligent diagnosesystem for benigne og ondartede lungeknuter basert på en maskinlæringsmodell. Nøyaktigheten til dette intelligente diagnosesystemet nådde 89,7 %. For å oppnå det høyeste nivået av klinisk bevis og virkelig oppnå klinisk transformasjon, har denne prospektive, multisenter kliniske studien som mål å verifisere bruken av dette intelligente diagnosesystemet for tidlig diagnose av ondartede lungeknuter.
Studietype
Registrering (Antatt)
Kontakter og plasseringer
Studiekontakt
- Navn: Zongyang Yu, Ph.D
- Telefonnummer: 13509327806
- E-post: yuzy527@sina.com
Studiesteder
-
-
Fujian
-
Fuzhou, Fujian, Kina, 350000
- Raman detector
-
Ta kontakt med:
- Zongyang Yu, degree
- Telefonnummer: 0591-22859650
- E-post: yuzy525@sina.com
-
-
Deltakelseskriterier
Kvalifikasjonskriterier
Alder som er kvalifisert for studier
- Voksen
- Eldre voksen
Tar imot friske frivillige
Prøvetakingsmetode
Studiepopulasjon
Beskrivelse
Inkluderingskriterier:
- Deltakere med lungekreft som oppfyller kriteriene til TNM (Ninth Edition);
- Deltakerne er villige til å delta i denne studien og følge forskningsplanen;
- Deltakere eller lovlig autoriserte representanter kan gi skriftlig informert samtykke godkjent av etikkutvalget som administrerer nettstedet.
Ekskluderingskriterier:
- Deltakere med samtidig andre ondartede svulster;
- Deltakere med manglende kliniske baseline data;
- Deltakere med alvorlige underliggende lungesykdommer (som bronkiektasi, bronkial astma eller KOLS, etc.), eller de med en historie med yrkesmessig eller miljømessig eksponering for støv, miner eller asbest;
- Deltakere som ikke samarbeider eller nekter å delta i kliniske studier på et senere tidspunkt.
Studieplan
Hvordan er studiet utformet?
Designdetaljer
Kohorter og intervensjoner
Gruppe / Kohort |
Intervensjon / Behandling |
|---|---|
|
CT thorax bekrefter pasient med lungeknuter
CT thorax bekreftet tilstedeværelsen av lungeknuter hos pasienten og gjennomgikk til slutt kirurgisk inngrep.
Lungeknutene hadde de endelige patologiske resultatene.
|
|
Hva måler studien?
Primære resultatmål
Resultatmål |
Tiltaksbeskrivelse |
Tidsramme |
|---|---|---|
|
Diagnostisk nøyaktighet
Tidsramme: gjennom studiegjennomføring, gjennomsnittlig 1 år
|
Bestem om det er hematogen metastase hos registrerte lungekreftpasienter gjennom RAMAN intelligent diagnosesystem
|
gjennom studiegjennomføring, gjennomsnittlig 1 år
|
|
Postoperative patologiske resultater
Tidsramme: gjennom studiegjennomføring, gjennomsnittlig 1 år
|
Etter å ha gjennomgått kirurgisk reseksjon av lungeknuter, ble den endelige patologiske naturen til lungeknutene bestemt gjennom patologisk undersøkelse.
|
gjennom studiegjennomføring, gjennomsnittlig 1 år
|
Sekundære resultatmål
Resultatmål |
Tiltaksbeskrivelse |
Tidsramme |
|---|---|---|
|
Tid for RAMAN-diagnose
Tidsramme: opptil 30 dager
|
Tiden for å utføre RAMAN-testing og oppnå diagnostiske resultater etter innhenting av serum
|
opptil 30 dager
|
|
Sikkerhetsvurdering Resultater
Tidsramme: opptil 30 dager
|
AE og SAE til og med dag 30
|
opptil 30 dager
|
Samarbeidspartnere og etterforskere
Sponsor
Studierekorddatoer
Studer hoveddatoer
Studiestart (Antatt)
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 (Faktiske)
Siste oppdatering sendt inn som oppfylte QC-kriteriene
Sist bekreftet
Mer informasjon
Begreper knyttet til denne studien
Ytterligere relevante MeSH-vilkår
Andre studie-ID-numre
- 2024-041
Plan for individuelle deltakerdata (IPD)
Planlegger du å dele individuelle deltakerdata (IPD)?
IPD-planbeskrivelse
Tilgangskriterier for IPD-deling
IPD-deling Støtteinformasjonstype
- STUDY_PROTOCOL
- SEVJE
Legemiddel- og utstyrsinformasjon, studiedokumenter
Studerer et amerikansk FDA-regulert medikamentprodukt
Studerer et amerikansk FDA-regulert enhetsprodukt
produkt produsert i og eksportert fra USA
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. .