- ICH GCP
- US Clinical Trials Registry
- Klinisk utprøving NCT07713823
Study on the Construction and Application of a Large Model Corpus for Pancreatic Cancer Based on Real Clinical Cases
19. juli 2026 oppdatert av: Jiang Long, Shanghai General Hospital, Shanghai Jiao Tong University School of Medicine
Combining retrospective observational research with artificial intelligence data engineering.
Collecting historical electronic medical record data, and through data governance and annotation by artificial medical experts, constructing a structured knowledge base.
Studieoversikt
Status
Har ikke rekruttert ennå
Studietype
Observasjonsmessig
Registrering (Antatt)
3000
Kontakter og plasseringer
Denne delen inneholder kontaktinformasjon for de som utfører studien, og informasjon om hvor denne studien blir utført.
Studiekontakt
- Navn: Long Jiang, MD
- Telefonnummer: 18017317460
- E-post: jiang.long@shgh.cn
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
Real pancreatic cancer diagnosis and treatment cases treated in the hospital
Beskrivelse
Inclusion Criteria:
- Real inpatient cases of pancreatic cancer diagnosis and treatment;
- Prioritize the inclusion of cases with MDT discussion records, difficult and complex cases, and fatal cases;
- Possess complete electronic medical information (including but not limited to: outpatient medical records, inpatient medical records including admission records, progress notes, surgery/procedure records, nursing records, examination and test reports, doctor's orders, discharge/death records, etc.); -
Exclusion Criteria:
- Cases that only underwent a brief transition in emergency/outpatient departments and did not form a closed loop of diagnosis and treatment;
- Cases with incomplete diagnosis and treatment information and missing key indicators.
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 |
Tidsramme |
|---|---|
|
3,000 Cases of Pancreatic Cancer Diagnosis and Treatment
Tidsramme: May 2028
|
May 2028
|
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)
1. august 2026
Primær fullføring (Antatt)
31. juli 2027
Studiet fullført (Antatt)
31. mai 2028
Datoer for studieregistrering
Først innsendt
13. juli 2026
Først innsendt som oppfylte QC-kriteriene
15. juli 2026
Først lagt ut (Faktiske)
20. juli 2026
Oppdateringer av studieposter
Sist oppdatering lagt ut (Faktiske)
21. juli 2026
Siste oppdatering sendt inn som oppfylte QC-kriteriene
19. juli 2026
Sist bekreftet
1. juli 2026
Mer informasjon
Begreper knyttet til denne studien
Ytterligere relevante MeSH-vilkår
Andre studie-ID-numre
- IIT2026-152
Plan for individuelle deltakerdata (IPD)
Planlegger du å dele individuelle deltakerdata (IPD)?
NEI
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. .