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

SERS-basert serum molekylær spektral screening for benigne og ondartede lungeproliferative knuter (SERS on lung)

26. mars 2025 oppdatert av: Fuzhou General Hospital

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

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

Observasjonsmessig

Registrering (Antatt)

200

Kontakter og plasseringer

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

Studiekontakt

Studiesteder

    • Fujian
      • Fuzhou, Fujian, Kina, 350000
        • Raman detector
        • 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

CT thorax avslører tilstedeværelsen av lungeknuter hos pasienten og planlegger å gjennomgå kirurgisk behandling

Beskrivelse

Inkluderingskriterier:

  1. Deltakere med lungekreft som oppfyller kriteriene til TNM (Ninth Edition);
  2. Deltakerne er villige til å delta i denne studien og følge forskningsplanen;
  3. Deltakere eller lovlig autoriserte representanter kan gi skriftlig informert samtykke godkjent av etikkutvalget som administrerer nettstedet.

Ekskluderingskriterier:

  1. Deltakere med samtidig andre ondartede svulster;
  2. Deltakere med manglende kliniske baseline data;
  3. 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;
  4. Deltakere som ikke samarbeider eller nekter å delta i kliniske studier på et senere tidspunkt.

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
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.
  1. Screening-interesserte deltakere bør signere passende informert samtykke (ICF) før fullføring av studieprosedyrer.
  2. Utforskeren vil gjennomgå symptomer, risikofaktorer og andre ikke-invasive inklusjons- og eksklusjonskriterier.
  3. Følgende er den generelle hendelsesforløpet i løpet av den 3 måneder lange evalueringsperioden:
  4. Fullføring av grunnlinjeprosedyrer Deltakerne ble vurdert i 3 måneder og fullførte all sikkerhetsovervåking.

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

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 (Antatt)

8. april 2026

Primær fullføring (Antatt)

31. desember 2026

Studiet fullført (Antatt)

31. desember 2026

Datoer for studieregistrering

Først innsendt

24. desember 2024

Først innsendt som oppfylte QC-kriteriene

9. januar 2025

Først lagt ut (Faktiske)

25. mars 2025

Oppdateringer av studieposter

Sist oppdatering lagt ut (Faktiske)

31. mars 2025

Siste oppdatering sendt inn som oppfylte QC-kriteriene

26. mars 2025

Sist bekreftet

1. mars 2025

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)?

JA

IPD-planbeskrivelse

Alder, kjønn, røykehistorie og tumortype for de registrerte pasientene

Tilgangskriterier for IPD-deling

For eventuelle rimelige behov knyttet til vitenskapelig forskning, vennligst kontakt prosjektlederen for spesifikk datakonsultasjon.

IPD-deling Støtteinformasjonstype

  • STUDY_PROTOCOL
  • SEVJE

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