Ta strona została przetłumaczona automatycznie i dokładność tłumaczenia nie jest gwarantowana. Proszę odnieść się do angielska wersja za tekst źródłowy.

Analiza głębokiego uczenia się Patologia raka jelita grubego Obrazy: innowacyjne podejście do przewidywania podtypów raka jelita grubego

13 kwietnia 2025 zaktualizowane przez: Yunfang Yu, Sun Yat-Sen Memorial Hospital of Sun Yat-Sen University

Kopilotowie zasilane AI do diagnozy precyzyjnej i oceny chirurgicznej wzorców wzrostu histologicznego w przerzutach do resekcyjnej jeździe w wątrobie: badanie prospektywne

Rak jelita grubego (CRC) jest główną przyczyną śmiertelności w Chinach, przy czym przerzuty znacząco przyczyniają się do złych wyników. Histopatologiczne wzorce wzrostu (HGPS) w przerzutach jeździeckich (CRLM) zapewniają istotne spostrzeżenia prognostyczne, ale ograniczona liczba patologów podkreśla potrzebę pomocniczych narzędzi diagnostycznych. Ostatnie postępy w sztucznej inteligencji (AI) wykazały potencjał w zwiększaniu precyzji diagnostycznej, co skłoniło opracowanie wyspecjalizowanych modeli AI, takich jak kawa w celu poprawy klasyfikacji i zarządzania HGPS u pacjentów z CRLM. To badanie ma na celu opracowanie i potwierdzenie modelu głębokiego uczenia się opartego na transformatorze, kawy, do klasyfikacji podtypów raka jelita grubego z wykorzystaniem obrazów pełnego slajdu (WSIS) od pacjentów ze zdiagnozowanym przerzutem do wątroby raka jelita grubego. Model jest wstępnie wyszkolony przy użyciu uczenia się samozadowolenia (DINO) na WSIS z kohorty TCGA-Coad, wykorzystując architekturę transformatora widzenia (VIT) do wydobywania 384-wymiarowych wektorów cech z łatek 256 × 256 pikseli. Model kawy integruje oparte na transformatorze ramy uczenia się wielokrotnego instancji (transmisja), zawierające moduły generatora kodowania samozaparcia wielowłókienowego i kodowania pozycji piramidy (PPEG) w celu agregowania informacji przestrzennych i morfologicznych. Badanie obejmuje szkolenia, testy i prospektywne kohorty walidacji i ocenia wydajność modelu zarówno w binarnych, jak i wieloklasowych warunkach klasyfikacyjnych, a także potencjał pomocy patologom w klinicznych przepływach pracy.

Przegląd badań

Status

Status

Wskazuje aktualny stan rekrutacji lub stan rozszerzonego dostępu.
Zakończony

Warunki

Warunki

Badana choroba, zaburzenie, zespół, choroba lub uraz. Na stronie ClinicalTrials.gov warunki mogą również obejmować inne kwestie związane ze zdrowiem, takie jak długość życia, jakość życia i zagrożenia dla zdrowia.

Interwencja / Leczenie

Interwencja / Leczenie

Proces lub działanie będące przedmiotem badania klinicznego. Interwencje obejmują leki, urządzenia medyczne, procedury, szczepionki i inne produkty, które są w fazie badań lub są już dostępne. Interwencje mogą również obejmować podejścia nieinwazyjne, takie jak edukacja lub modyfikacja diety i ćwiczeń.

Typ studiów

Typ studiów

Opisuje charakter badania klinicznego. Rodzaje badań obejmują badania interwencyjne (zwane także badaniami klinicznymi), badania obserwacyjne (w tym rejestry pacjentów) i rozszerzony dostęp.
Obserwacyjny

Zapisy (Rzeczywisty)

Zapisy

Liczba uczestników badania klinicznego. „Przewidywana” rekrutacja to docelowa liczba uczestników, których naukowcy potrzebują do badania.
431

Kontakty i lokalizacje

Ta sekcja zawiera dane kontaktowe osób prowadzących badanie oraz informacje o tym, gdzie badanie jest przeprowadzane.

Lokalizacje studiów

  • Chiny
    • Guangdong
      • Guangzhou, Guangdong, Chiny, 510655
        • Ethics Committee of the Sixth Affiliated Hospital of Sun Yat-sen University

Kryteria uczestnictwa

Badacze szukają osób, które pasują do określonego opisu, zwanego kryteriami kwalifikacyjnymi. Niektóre przykłady tych kryteriów to ogólny stan zdrowia danej osoby lub wcześniejsze leczenie.

Kryteria kwalifikacji

Kryteria kwalifikacji

Kluczowe wymagania, które muszą spełniać osoby chcące wziąć udział w badaniu klinicznym lub cechy, które muszą posiadać. Kryteria kwalifikowalności obejmują zarówno kryteria włączenia (które są wymagane, aby dana osoba mogła uczestniczyć w badaniu), jak i kryteria wykluczenia (które uniemożliwiają osobie udział). Rodzaje kryteriów kwalifikowalności obejmują to, czy badanie akceptuje zdrowych ochotników, ma wymagania dotyczące wieku lub grupy wiekowej lub jest ograniczone ze względu na płeć.

Wiek uprawniający do nauki

  • Dorosły
  • Starszy dorosły

Akceptuje zdrowych ochotników

Nie

Metoda próbkowania

Próbka bez prawdopodobieństwa

Badana populacja

W badaniu wzięło udział 431 pacjentów z przerzutami do raka jelita grubego, wszyscy przechodzą operację w szóstym powiązanym szpitalu Sun Yat-Sen University. Kohorta składała się z 297 pacjentów w zestawie szkoleniowym i 104 pacjentów w zestawie testowym.

Opis

Kryteria włączenia:

  1. Pacjenci ze zdiagnozowanym przerzuty do raka jelita grubego (CRLM) poddawane leczeniu chirurgicznym;
  2. Maksymalna średnica wyciętych zmian przerzutowych powinna wynosić ≥ 2 cm;
  3. Dostępność slajdów patologii wraz z podstawowymi cechami klinicznymi, biologicznymi i patologicznymi.

Kryteria wykluczenia:

  1. Skrawki tkankowe uzyskane z próbek biopsji;
  2. Brak żywej tkanki nowotworowej w zmianach przerzutowych;
  3. Zmiany wcześniej leczone ablacją, a następnie resekcję chirurgiczną, co powoduje nieodpowiednią jakość slajdu tkankowego.

Plan studiów

Ta sekcja zawiera szczegółowe informacje na temat planu badania, w tym sposób zaprojektowania badania i jego pomiary.

Jak projektuje się badanie?

Szczegóły projektu

Kohorty i interwencje

Grupa / Kohorta

Grupa / Kohorta

Grupa lub podgrupa uczestników badania obserwacyjnego ocenianego pod kątem wyników biomedycznych lub zdrowotnych.
Interwencja / Leczenie

Interwencja / Leczenie

Proces lub działanie będące przedmiotem badania klinicznego. Interwencje obejmują leki, urządzenia medyczne, procedury, szczepionki i inne produkty, które są w fazie badań lub są już dostępne. Interwencje mogą również obejmować podejścia nieinwazyjne, takie jak edukacja lub modyfikacja diety i ćwiczeń.
Patologia chirurgiczna zjeżdża z Sahsysu, 1994 WSI z 297 slajdów z 3 lipca 2013 r.
Grupa ta obejmuje 297 pacjentów z przerzutami do wątroby raka jelita grubego (CRLM), z których zebrano 1994 obrazy całego slajdu (WSIS). Slajdy te wykorzystano do opracowywania i testowania modelu kawy AI do klasyfikacji wzorca wzrostu histopatologicznego (HGP), zapewniając cenne spostrzeżenia w charakterystyce i rokowania guza.
Procedura: Operacja CRLM
Chirurgiczna resekcja przerzutów do raka jelita grubego (CRLM) obejmuje usunięcie zmian przerzutowych z wątroby. Ta procedura ma na celu poprawę wskaźnika przeżycia i zmniejszenie obciążenia guza u pacjentów zdiagnozowanych CRLM. Resekcja jest przeprowadzana w celu leczenia przerzutów do wątroby, a wyniki kliniczne, takie jak przeżycie wolne od progresji (PFS) i ogólne przeżycie (OS), są oceniane po operacji w celu ustalenia skuteczności leczenia.
Patologia chirurgiczna przesuwa się z SAHSYSU, 972 WSIS z 104 pacjentów z 21 kwietnia 2023 r.
Ta kohorta zawiera 104 pacjentów zdiagnozowanych CRLM. 972 WSIS zebrano w celu potwierdzenia modelu kawy na najnowszym zestawie danych, oceniając wydajność modelu zarówno w binarnych, jak i czterech klasie HGP.
Procedura: Operacja CRLM
Chirurgiczna resekcja przerzutów do raka jelita grubego (CRLM) obejmuje usunięcie zmian przerzutowych z wątroby. Ta procedura ma na celu poprawę wskaźnika przeżycia i zmniejszenie obciążenia guza u pacjentów zdiagnozowanych CRLM. Resekcja jest przeprowadzana w celu leczenia przerzutów do wątroby, a wyniki kliniczne, takie jak przeżycie wolne od progresji (PFS) i ogólne przeżycie (OS), są oceniane po operacji w celu ustalenia skuteczności leczenia.
Patologia chirurgiczna przesuwa się z SAHSYSU, 114 WSI od 30 pacjentów z 2024 r.
Ta potencjalna kohorta składa się z 30 pacjentów z CRLM, z których w 2024 r. Uzyskano 114 WSI. Kohortę zastosowano do oceny zastosowania klinicznego modelu AI kawy poprzez prospektywne badanie, porównując wydajność diagnostyczną patologów z pomocą AI i bez nich.
Procedura: Operacja CRLM
Chirurgiczna resekcja przerzutów do raka jelita grubego (CRLM) obejmuje usunięcie zmian przerzutowych z wątroby. Ta procedura ma na celu poprawę wskaźnika przeżycia i zmniejszenie obciążenia guza u pacjentów zdiagnozowanych CRLM. Resekcja jest przeprowadzana w celu leczenia przerzutów do wątroby, a wyniki kliniczne, takie jak przeżycie wolne od progresji (PFS) i ogólne przeżycie (OS), są oceniane po operacji w celu ustalenia skuteczności leczenia.

Co mierzy badanie?

Podstawowe miary wyniku

Podstawowe miary wyniku

W protokole badania klinicznego planowana miara wyniku, która jest najważniejsza dla oceny efektu interwencji/leczenia. Większość badań klinicznych ma jedną główną miarę wyniku, ale niektóre mają więcej niż jedną.
Miara wyniku
Opis środka
Ramy czasowe
Dokładność klasyfikacji (%) modelu AI kawy w binarnej identyfikacji wzorców wzrostu histopatologicznego (HGPS) w CRLM przy użyciu obrazów całego zjeżdżalni
Ramy czasowe: 6 miesięcy po operacji (dla potencjalnej kohorty)
Ten wynik mierzy dokładność klasyfikacji diagnostycznej modelu AI kawy w wykrywaniu histopatologicznych wzorców wzrostu (HGPS) u pacjentów z przerzutami do wątroby raka jelita grubego (CRLM). Dokładność definiuje się jako odsetek prawidłowo przewidywanych etykiet HGP w porównaniu z etykietami prawdy naziemnej określone przez konsensus ekspertów patologów. Analiza obejmuje klasyfikację binarną (desmoplastyczne vs. nie-desmoplastyczne). Dokładność zostanie obliczona jako: dokładność = całkowita liczba prognoz / Liczba prawidłowych prognoz × 100%. Wynik zostanie oceniony za pomocą cyfrowych obrazów pełnego slajdu uzyskanych z próbek przerzutów wątroby zebranych podczas operacji. Wydajność modelu zostanie oceniona 6 miesięcy po operacji w prospektywnej kohorcie walidacyjnej.
6 miesięcy po operacji (dla potencjalnej kohorty)

Miary wyników drugorzędnych

Miary wyników drugorzędnych

W protokole badania klinicznego planowana miara wyniku, która nie jest tak ważna jak główna miara wyniku w ocenie efektu interwencji, ale nadal jest interesująca. Większość badań klinicznych ma więcej niż jedną drugorzędową miarę wyniku.
Miara wyniku
Opis środka
Ramy czasowe
Dokładność klasyfikacji (%) modelu AI kawy w wielu klasach identyfikacji histopatologicznych wzorców wzrostu (HGPS) w CRLM za pomocą obrazów zjeżdżalni
Ramy czasowe: 6 miesięcy po operacji (dla potencjalnej kohorty)
Ten wynik mierzy dokładność klasyfikacji diagnostycznej modelu AI kawy w wykrywaniu histopatologicznych wzorców wzrostu (HGPS) u pacjentów z przerzutami do wątroby raka jelita grubego (CRLM). Dokładność definiuje się jako odsetek prawidłowo przewidywanych etykiet HGP w porównaniu z etykietami prawdy naziemnej określone przez konsensus ekspertów patologów. Analiza obejmuje klasyfikację czteroklasową (desmoplastyczna, zastępcza, pchania i mieszana). Dokładność zostanie obliczona jako: dokładność = całkowita liczba prognoz / Liczba prawidłowych prognoz × 100%. Wynik zostanie oceniony za pomocą cyfrowych obrazów pełnego slajdu uzyskanych z próbek przerzutów wątroby zebranych podczas operacji. Wydajność modelu zostanie oceniona 6 miesięcy po operacji w prospektywnej kohorcie walidacyjnej.
6 miesięcy po operacji (dla potencjalnej kohorty)

Inne miary wyników

Inne miary wyników

W przypadku badań klinicznych planowany pomiar opisany w protokole, który służy do określenia wpływu interwencji/leczenia na uczestników. W przypadku badań obserwacyjnych pomiar lub obserwacja używana do opisu wzorców chorób lub cech lub powiązań z ekspozycjami, czynnikami ryzyka lub leczeniem. Rodzaje miar wyniku obejmują pierwotną miarę wyniku i drugorzędną miarę wyniku.
Miara wyniku
Opis środka
Ramy czasowe
Przeżycie wolne od progresji (PFS, w miesiącach) u pacjentów z przerzutami do raka jelita grubego (CRLM) stratyfikowanymi przez klasyfikację histopatologicznego wzorca wzrostu opartego na AI (HGP)
Ramy czasowe: Do 3 lat po operacji
Wynik ten ocenia związek między klasyfikacją HGP opartą na AI (desmoplastyczna i nieodsprzeplastyczna) a przeżyciem wolnym od progresji (PFS) u pacjentów z przerzutami do wątroby raka jelita grubego (CRLM) po resekcji intensywnej. PFS jest definiowany jako czas od operacji po postęp choroby lub śmierć z jakiejkolwiek przyczyny. Analiza Kaplana-Meiera zostanie wykorzystana do oszacowania PFS dla każdej grupy HGP, z porównaniami za pomocą testu log-rank. Modele regresji wielowymiarowej Cox ocenią wartość prognostyczną HGPS, dostosowując się do zmiennych towarzyszących klinicznych (np. Wiek, płeć, liczba/wielkość przerzutów, chemioterapia, stan marginesu, wynik obciążenia guza). Zgłoszone zostaną wskaźniki ryzyka z 95% przedziałami ufności. W razie potrzeby założenia modelu zostaną przetestowane i dostosowane.
Do 3 lat po operacji
Całkowite przeżycie (OS, w miesiącach) w przerzutach do raka jelita grubego (CRLM) pacjentów stratyfikowanych przez klasyfikację histopatologicznego wzorca wzrostu (HGP) oparty na AI (HGP)
Ramy czasowe: Do 3 lat po operacji
Wynik ten ocenia związek między klasyfikacją HGP opartą na AI (desmoplastyczna i nieodsprzeplastyczna) a ogólnym przeżyciem (OS) u pacjentów z przerzutami do wątroby raka jelita grubego (CRLM) po resekcji leczniczej. OS jest definiowany jako czas od operacji do śmierci z jakiejkolwiek przyczyny. Analiza Kaplana-Meiera zostanie wykorzystana do oszacowania OS dla każdej grupy HGP, z porównaniami za pomocą testu log-rank. Modele regresji wielowymiarowej Cox ocenią wartość prognostyczną HGPS, dostosowując się do zmiennych towarzyszących klinicznych (np. Wiek, płeć, liczba/wielkość przerzutów, chemioterapia, stan marginesu, wynik obciążenia guza). Zgłoszone zostaną wskaźniki ryzyka z 95% przedziałami ufności. W razie potrzeby założenia modelu zostaną przetestowane i dostosowane.
Do 3 lat po operacji
Czas na diagnozę (w ciągu kilku minut) przez patologów z modelem kawy wspomaganym przez AI w klasyfikacji HGP CRLM
Ramy czasowe: W prospektywnym okresie próbnym (6 miesięcy)
Wynik ten ocenia wpływ modelu kawy wspomaganego przez AI na wydajność diagnostyczną poprzez porównanie czasu wymaganego przez patologów w celu sklasyfikowania histopatologicznych wzorców wzrostu (HGPS) przerzutów do wątroby raka jelita grubego (CRLM), z pomocą i bez pomocy kawy. Metryka to czas (minuty) od rozpoczęcia przeglądu slajdów do ostatecznej diagnozy, mierzonej dla każdego patologa przy użyciu znormalizowanej cyfrowej platformy obrazu całego slajdu. Porównanie obejmuje dwa ramiona: ramię diagnozy wspomagane przez AI, w którym młodsi patologowie używają kawy jako narzędzia wsparcia decyzyjnego, a także konwencjonalne ramię diagnozy, w którym patolodzy wykonują ręczną klasyfikację opartą na wizualnej ocenie histopatologicznej. Wszyscy uczestnicy sprawdzają ten sam zestaw slajdów w losowej kolejności, a czas diagnostyczny jest rejestrowany przez oprogramowanie do przeglądania. Zgłoszono statystyki opisowe (mediana, IQR).
W prospektywnym okresie próbnym (6 miesięcy)
Dokładność diagnostyczna (odsetek prawidłowych klasyfikacji) patologów z modelem kawy wspomaganym przez AI w klasyfikacji HGP CRLM
Ramy czasowe: W prospektywnym okresie próbnym (6 miesięcy)
Ten wynik ocenia dokładność diagnostyczną patologów w klasyfikacji wzorców wzrostu histopatologicznego (HGPS) przerzutów do raka jelita grubego (CRLM), porównując wspomagane AI w porównaniu z konwencjonalnymi warunkami diagnostycznymi. Dokładność definiuje się jako odsetek prawidłowo sklasyfikowanych obrazów na całym slajdzie (WSIS) w stosunku do diagnozy konsensusowej ze złotym standardem przez ekspertów patologów przewodu pokarmowego. Każdy patolog niezależnie sklasyfikuje ten sam zestaw CRLM WSIS w dwóch warunkach: z AI Assistance (model kawy) i bez pomocy AI (ocena ręczna). Klasyfikacja zostanie oceniona dla obu binarnych kategorii HGP (desmoplastyczna vs. nieodesmoplastyczna), jak i czteroklasowe kategorie HGP (desmoplastyczne, zastępcze, pchanie, mieszane). Dokładność zostanie obliczona jako: dokładność = całkowita liczba prognoz / Liczba prawidłowych prognoz × 100%.
W prospektywnym okresie próbnym (6 miesięcy)

Współpracownicy i badacze

Tutaj znajdziesz osoby i organizacje zaangażowane w to badanie.

Sponsor

Sponsor

Organizacja lub osoba, która inicjuje badanie i która ma władzę i kontrolę nad badaniem.
Sun Yat-Sen Memorial Hospital of Sun Yat-Sen University

Daty zapisu na studia

Daty te śledzą postęp w przesyłaniu rekordów badań i podsumowań wyników do ClinicalTrials.gov. Zapisy badań i zgłoszone wyniki są przeglądane przez National Library of Medicine (NLM), aby upewnić się, że spełniają określone standardy kontroli jakości, zanim zostaną opublikowane na publicznej stronie internetowej.

Główne daty studiów

Rozpoczęcie studiów (Rzeczywisty)

Rozpoczęcie studiów

Rzeczywista data włączenia pierwszego uczestnika do badania klinicznego. „Przewidywana” data rozpoczęcia badania to data, którą naukowcy uważają za datę rozpoczęcia badania.
22 maja 2023

Zakończenie podstawowe (Rzeczywisty)

Zakończenie podstawowe

Data, w której ostatni uczestnik badania klinicznego został przebadany lub otrzymał interwencję w celu zebrania ostatecznych danych dla głównego pomiaru wyniku. To, czy badanie kliniczne zakończyło się zgodnie z protokołem, czy też zostało zakończone, nie ma wpływu na tę datę. W przypadku badań klinicznych z więcej niż jedną miarą wyniku pierwotnego i różnymi datami zakończenia termin ten odnosi się do daty zakończenia gromadzenia danych dla wszystkich miar wyniku pierwotnego. „Przewidywana” data ukończenia podstawowego badania to data, którą naukowcy uważają za pierwotną datę zakończenia badania.
6 marca 2024

Ukończenie studiów (Rzeczywisty)

Ukończenie studiów

Data, w której ostatni uczestnik badania klinicznego został przebadany lub otrzymał interwencję/leczenie w celu zebrania ostatecznych danych dotyczących głównych miar wyników, drugorzędowych miar wyników i zdarzeń niepożądanych (tj. ostatnia wizyta ostatniego uczestnika). „Przewidywana” data zakończenia badania to data, którą naukowcy uważają za datę zakończenia badania.
6 marca 2024

Daty rejestracji na studia

Pierwszy przesłany

Pierwszy przesłany

Data, w której sponsor badania lub badacz po raz pierwszy przesłał dokumentację badania do ClinicalTrials.gov. Zwykle występuje kilkudniowe opóźnienie między pierwszą przesłaną datą a udostępnieniem rekordu na ClinicalTrials.gov (pierwsza data opublikowania).
3 kwietnia 2025

Pierwszy przesłany, który spełnia kryteria kontroli jakości

Pierwszy przesłany, który spełnia kryteria kontroli jakości

Data, w której sponsor badania lub badacz po raz pierwszy przesłał zapis badania zgodny z kryteriami przeglądu kontroli jakości (QC) National Library of Medicine (NLM). Sponsor lub badacz może być zmuszony do zmiany i przedłożenia dokumentacji badania raz lub kilka razy, zanim zostaną spełnione kryteria przeglądu kontroli jakości NLM. Obowiązkiem sponsora lub badacza jest upewnienie się, że zapis badania jest zgodny z kryteriami przeglądu NLM QC.
13 kwietnia 2025

Pierwszy wysłany (Rzeczywisty)

Pierwszy wysłany

Data pierwszego udostępnienia zapisu badania na stronie ClinicalTrials.gov po zakończeniu przeglądu kontroli jakości (QC) National Library of Medicine (NLM). Zwykle występuje kilkudniowe opóźnienie między datą przesłania dokumentacji badania przez sponsora badania lub badacza a datą pierwszego zaksięgowania.
20 kwietnia 2025

Aktualizacje rekordów badań

Ostatnia wysłana aktualizacja (Rzeczywisty)

Ostatnia wysłana aktualizacja

Najnowsza data udostępnienia zmian w rekordzie badania na stronie ClinicalTrials.gov. Może wystąpić opóźnienie między momentem przesłania zmian do ClinicalTrials.gov przez sponsora badania lub badacza (data ostatniego przesłania aktualizacji) a datą ostatniego opublikowania aktualizacji.
20 kwietnia 2025

Ostatnia przesłana aktualizacja, która spełniała kryteria kontroli jakości

Ostatnia przesłana aktualizacja, która spełniała kryteria kontroli jakości

Najnowsza data, w której sponsor badania lub badacz przesłał zmiany w rekordzie badania, które są zgodne z kryteriami przeglądu kontroli jakości (QC) National Library of Medicine (NLM). Obowiązkiem sponsora lub badacza jest upewnienie się, że zapis badania jest zgodny z kryteriami przeglądu NLM QC.
13 kwietnia 2025

Ostatnia weryfikacja

Ostatnia weryfikacja

Najnowsza data, w której sponsor badania lub badacz potwierdził, że informacje o badaniu klinicznym na stronie ClinicalTrials.gov są dokładne i aktualne. Jeśli badanie ze statusem rekrutacji to rekrutacja; jeszcze nie rekrutacja; lub aktywny, brak rekrutacji nie został potwierdzony w ciągu ostatnich 2 lat, status rekrutacji do badania jest pokazany jako nieznany.
1 kwietnia 2025

Więcej informacji

Terminy związane z tym badaniem

Dodatkowe istotne warunki MeSH

Inne numery identyfikacyjne badania

Inne numery identyfikacyjne badania

Identyfikatory lub numery identyfikacyjne inne niż numer NCT, które są przypisane do badania klinicznego przez sponsora badania, podmioty finansujące lub inne osoby. Numery te mogą zawierać unikalne identyfikatory z innych rejestrów badań i numery grantów National Institutes of Health.
  • 2023ZSLYEC-256

Plan dla danych uczestnika indywidualnego (IPD)

Planujesz udostępniać dane poszczególnych uczestników (IPD)?

NIEZDECYDOWANY

Informacje o lekach i urządzeniach, dokumenty badawcze

Bada produkt leczniczy regulowany przez amerykańską FDA

Nie

Bada produkt urządzenia regulowany przez amerykańską FDA

Nie

Te informacje zostały pobrane bezpośrednio ze strony internetowej clinicaltrials.gov bez żadnych zmian. Jeśli chcesz zmienić, usunąć lub zaktualizować dane swojego badania, skontaktuj się z register@clinicaltrials.gov. Gdy tylko zmiana zostanie wprowadzona na stronie clinicaltrials.gov, zostanie ona automatycznie zaktualizowana również na naszej stronie internetowej .

Ustawienia plików cookie

Używamy plików cookie, aby zapewnić najlepszą jakość korzystania z naszej witryny. Aby uzyskać więcej informacji, przeczytaj uważnie naszą Politykę prywatności i pliki cookie. ...>>>Możesz zmienić swoje preferencje lub wycofać zgodę w dowolnym momencie, usuwając pliki cookie ze swojej strony internetowej lub komputera, zgodnie z opisem w polityce. Zaakceptuj go i wybierz swoje preferencje, zaznaczając odpowiednie pola w sekcji „Zarządzaj ustawieniami” poniżej. Przeczytaj uważnie nasze Warunki korzystania z usług, zanim zaczniesz korzystać z jakiejkolwiek części tej witryny.
«Zarządzaj ustawieniami