Radiomikkbasert AI-modell for å forutsi para-aortisk lymfeknuter metastase hos gastriske kreftpasienter
21. april 2025 oppdatert av: Qun Zhao
En prospektiv klinisk studie av radiomikkbasert kunstig intelligens for å forutsi para-aortisk lymfeknute-metastase hos pasienter med gastrisk kreft
Denne studien tar sikte på å utvikle og validere en kunstig intelligens (AI) -modell basert på radiomiske funksjoner hentet fra preoperative CT-bilder for å forutsi para-aortisk lymfeknute (PALN) metastase hos pasienter med gastrisk kreft.
Å identifisere PALN -metastase nøyaktig før operasjon kan hjelpe leger med å ta bedre behandlingsbeslutninger, for eksempel om de skal fortsette med operasjonen, vurdere cellegift eller bruke andre behandlingsstrategier.
Studien vil prospektivt registrere pasienter som får diagnosen gastrisk kreft og planlagt til operasjon.
Alle deltakerne vil gjennomgå rutinemessige avbildningstester, og dataene deres vil bli analysert ved hjelp av avanserte AI -teknikker.
Resultatene fra denne studien kan forbedre presisjonen av preoperativ iscenesettelse og støtte personlig behandlingsplanlegging for gastriske kreftpasienter.
Studieoversikt
Status
Påmelding etter invitasjon
Forhold
Intervensjon / Behandling
Studietype
Observasjonsmessig
Registrering (Antatt)
120
Kontakter og plasseringer
Denne delen inneholder kontaktinformasjon for de som utfører studien, og informasjon om hvor denne studien blir utført.
Studiesteder
-
-
None Selected
-
Shijiazhuang, None Selected, Kina, 050011
- The Fourth Hospital of Hebei Medical University
-
-
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
N/A
Prøvetakingsmetode
Sannsynlighetsprøve
Studiepopulasjon
Studiepopulasjonen vil bestå av voksne pasienter som er diagnostisert med gastrisk adenokarsinom som er planlagt å gjennomgå radikal gastrektomi ved et tertiært omsorgssenter.
Alle deltakerne vil ha preoperativ kontrastforbedrede CT-skanninger og ingen bevis for fjern metastase.
Befolkningen representerer individer med risiko for para-aortisk lymfeknute-metastase, og er ment å gjenspeile pasienter i den virkelige verden som kan ha nytte av ikke-invasive, AI-assisterte preoperative vurderingsverktøy.
Deltakerne vil bli registrert fortløpende for å minimere seleksjonsskjevhet.
Beskrivelse
Inkluderingskriterier:
- Voksne i alderen 18-80 år.
- Histologisk bekreftet gastrisk adenokarsinom.
- Planlagt å gjennomgå radikal gastrektomi med eller uten para-aorta lymfeknute-disseksjon.
- Preoperativ kontrastforbedret abdominal CT-skanning tilgjengelig innen 3 uker før operasjonen.
- Ingen bevis for fjern metastase ved avbildning.
- ECOG Performance Status 0-2.
- Gitt skriftlig informert samtykke.
Eksklusjonskriterier:
- Historien om andre ondartede svulster i løpet av de siste 5 årene.
- Mottatt neoadjuvant cellegift eller strålebehandling før CT -avbildning.
- Dårlig kvalitet eller ufullstendige CT-bilder som ikke er egnet for radiomicsanalyse.
- Alvorlige komorbiditeter som kan påvirke prognosen eller kirurgisk beslutningstaking.
- Graviditet eller amming.
- Manglende evne til å gi informert samtykke eller overholde studieprosedyrer.
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 |
|---|---|---|
|
Diagnostisk nøyaktighet av AI Radiomics-modellen for å forutsi para-aorta lymfeknute-metastase i gastrisk kreft
Tidsramme: Fra preoperativ avbildning til postoperativ patologisk bekreftelse (ca. 4-6 uker per pasient)
|
Det primære utfallet er den diagnostiske ytelsen til den radiomics-baserte AI-modellen for å forutsi para-aortisk lymfeknute-metastase (PALNM) hos pasienter med gastrisk kreft.
Ytelsen vil bli evaluert ved å beregne området under mottakerens driftskarakteristiske kurve (AUC), følsomhet, spesifisitet, nøyaktighet og prediktive verdier.
Ground Truth for Palnm -status vil være basert på postoperative patologiske funn eller tverrfaglig konsensusdiagnose.
Modellens spådommer vil bli sammenlignet med faktiske kliniske utfall for å vurdere dens pålitelighet og kliniske nytteverdi.
|
Fra preoperativ avbildning til postoperativ patologisk bekreftelse (ca. 4-6 uker per pasient)
|
Samarbeidspartnere og etterforskere
Det er her du vil finne personer og organisasjoner som er involvert i denne studien.
Sponsor
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)
30. juni 2025
Studiet fullført (Antatt)
30. juni 2025
Datoer for studieregistrering
Først innsendt
21. april 2025
Først innsendt som oppfylte QC-kriteriene
21. april 2025
Først lagt ut (Faktiske)
27. april 2025
Oppdateringer av studieposter
Sist oppdatering lagt ut (Faktiske)
27. april 2025
Siste oppdatering sendt inn som oppfylte QC-kriteriene
21. april 2025
Sist bekreftet
1. april 2025
Mer informasjon
Begreper knyttet til denne studien
Ytterligere relevante MeSH-vilkår
Andre studie-ID-numre
- GC-RAD-AI-2025-01
Legemiddel- og utstyrsinformasjon, studiedokumenter
Studerer et amerikansk FDA-regulert medikamentprodukt
Nei
Studerer et amerikansk FDA-regulert enhetsprodukt
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. .