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

Prospektiv reell verdensstudie av patologi AI for molekylær prediksjon av gliom

23. november 2025 oppdatert av: Nanfang Hospital, Southern Medical University

En prospektiv reellverdensstudie av patologi kunstig intelligens for å forutsi molekylære endringer i gliomer

Målet med denne kliniske studien er å lære om en kunstig intelligens (AI)-modell kan forutsi viktige molekylære endringer i gliomer, en type hjernekreft, nøyaktig ved hjelp av digitale patologibilder.

Hovedspørsmålene denne studien tar sikte på å besvare er:

Hvor nøyaktig er AI-modellen i å forutsi viktige molekylære endringer sammenlignet med standard molekylær testing? Kan AI-modellen forkorte tiden som trengs for diagnose og redusere behovet for kostbare molekylære tester?

Forskere vil samle hele lysbildebilder fra flere sykehus og bruke AI-modellen til å forutsi molekylære resultater. Forutsigelsene vil bli sammenlignet med de faktiske testresultatene fra standard laboratoriemetoder.

Deltakere vil:

Tillate bruken av sine patologibilder og molekylære testresultater til forskning.

Ha ingen ytterligere behandlinger eller prosedyrer utover standard medisinsk behandling.

Denne studien vil bidra til å avgjøre om AI-assisterte verktøy kan gi raskere og lavere kostnads molekylær diagnostikk for gliom, forbedre pasientbehandlingen og støtte lik tilgang til presisjonsmedisin.

Studieoversikt

Status

Rekruttering

Forhold

Studietype

Observasjonsmessig

Registrering (Antatt)

2000

Kontakter og plasseringer

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

Studiekontakt

Studiesteder

    • Guangdong
      • Guangzhou, Guangdong, Kina, 510515
        • Rekruttering
        • Nanfang Hospital, Southern Medical University
        • 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

Denne studien vil inkludere voksne deltakere (18 år eller eldre) som har blitt diagnostisert med eller mistenkes å ha diffus gliom basert på biopsi eller kirurgisk reseksjon. Deltakerne må ha tilgjengelige hematoksylin og eosin (H&E)-fargede digitale patologislider og fullstendige kliniske og molekylære testdata.

Alle deltakere vil være pasienter som har mottatt standard medisinsk behandling for gliom. Ingen ytterligere behandlinger eller inngrep vil bli utført som en del av denne studien. Patologi-bilder og molekylære testresultater vil bli samlet prospektivt fra flere kliniske sentre for å evaluere diagnostisk ytelse av den AI-baserte patologimodellen.

Beskrivelse

Inklusjonskriterier:

  • Deltaker (eller juridisk autorisert representant) har frivillig signert informert samtykke-skjemaet.
  • Alder ≥ 18 år ved inkluderingstidspunktet.
  • Histologisk mistanke om diffus glioma basert på biopsi eller kirurgisk reseksjon.
  • Tilgjengelighet av fullstendig klinisk informasjon og brukbare digitale patologislipper med hematoksylin og eosin (H&E)-farging.
  • Postoperativ molekylærpatologi-resultater tilgjengelig for sammenligning.

Eksklusjonskriterier:

  • Patologi-prøver av dårlig kvalitet (f.eks. utilstrekkelig vev, store folder eller forurensning av slipper, eller substandard digital skanningskvalitet).
  • Vurdert av forskeren som uegnet for deltakelse i studien av hvilken som helst grunn.

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
Nøyaktighet av AI-modell i å forutsi viktige molekylære endringer i gliom
Tidsramme: Innen 1 uke etter at hele slide-bilder (WSI-er) er innhentet
Primært resultatmål er den diagnostiske ytelsen til den AI-baserte patologimodellen i å forutsi viktige molekylære endringer i gliom. Nøyaktighet, sensitivitet, spesifisitet og areal under mottakeroperasjonskarakteristikk-kurven (AUC) vil bli beregnet ved å sammenligne AI-forutsigelser med referanseresultater fra standard molekylærpatologitesting.
Innen 1 uke etter at hele slide-bilder (WSI-er) er innhentet

Samarbeidspartnere og etterforskere

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

Etterforskere

  • Studieleder: Li Liang, Nanfang Hospital, Southern Medical University

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. september 2025

Primær fullføring (Antatt)

1. september 2030

Studiet fullført (Antatt)

1. september 2030

Datoer for studieregistrering

Først innsendt

13. november 2025

Først innsendt som oppfylte QC-kriteriene

23. november 2025

Først lagt ut (Antatt)

4. desember 2025

Oppdateringer av studieposter

Sist oppdatering lagt ut (Antatt)

4. desember 2025

Siste oppdatering sendt inn som oppfylte QC-kriteriene

23. november 2025

Sist bekreftet

1. november 2025

Mer informasjon

Begreper knyttet til denne studien

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. .

Abonnere