- ICH GCP
- Rejestr badań klinicznych w USA
- Badanie kliniczne NCT04802954
Stratyfikacja ryzyka hepatokarcynogenezy przy użyciu modelu klinicznego, biologicznego i ultrasonograficznego opartego na głębokim uczeniu się u pacjentów wysokiego ryzyka (STARHE)
Według Światowej Organizacji Zdrowia do 2030 roku rak wątrobowokomórkowy (HCC) stanie się drugą najczęstszą przyczyną zgonów związanych z rakiem, odpowiadając za ponad milion zgonów rocznie.
Do tej pory badania przesiewowe w kierunku raka wątrobowokomórkowego we Francji są jednolite dla wszystkich pacjentów i opierają się wyłącznie na badaniu ultrasonograficznym wątroby co 6 miesięcy. Strategia ta ma trzy główne ograniczenia: brak personalizacji, niska podatność, relatywnie słaba wydajność USG.
Opracowano modele stratyfikacji ryzyka dla przewlekłego wirusowego zapalenia wątroby typu C, alkoholowej marskości wątroby i niealkoholowego stłuszczeniowego zapalenia wątroby (NASH), uwzględniające parametry kliniczne i biologiczne, ale bez analizy miąższu wątroby, który jest fizjopatologicznym podłożem hepatokarcynogenezy.
Pojawienie się nowych technik sztucznej inteligencji może zrewolucjonizować podejście i doprowadzić do spersonalizowanej strategii badań radiologicznych.
Głębokie uczenie się, podklasa uczenia maszynowego, to popularny obszar badań, który może pomóc ludziom w wykonywaniu określonych zadań poprzez automatyczne identyfikowanie nowych cech obrazu, które nie są zdefiniowane przez ludzi.
Hipotezą tego badania jest to, że nienowotworowy miąższ wątroby z marskością wątroby jest bogaty w informacje strukturalne odzwierciedlające nasilenie hepatopatii, jej ryzyko rakotwórcze i proces hepatokarcynogenezy. Jego analiza w połączeniu z danymi klinicznymi i biologicznymi, które zostały już zbadane w celu stratyfikowania ryzyka hepatokarcynogenezy, pozwoli zdefiniować populację bardzo wysokiego ryzyka, szczególnie w kontekście eradykacji wirusa zapalenia wątroby typu C (HCV) i wirusa zapalenia wątroby typu B (HBV ) kontrola.
W związku z tym w tym badaniu proponuje się prospektywne zaprojektowanie modelu głębokiego uczenia się do stratyfikacji ryzyka hepatokarcynogenezy poprzez włączenie klinicznych, biologicznych i radiologicznych parametrów ultrasonograficznych.
Przegląd badań
Status
Interwencja / Leczenie
Szczegółowy opis
Według Światowej Organizacji Zdrowia do 2030 roku rak wątrobowokomórkowy (HCC) stanie się drugą najczęstszą przyczyną zgonów związanych z rakiem, odpowiadając za ponad milion zgonów rocznie.
Do tej pory badania przesiewowe w kierunku raka wątrobowokomórkowego we Francji są jednolite dla wszystkich pacjentów i opierają się wyłącznie na badaniu ultrasonograficznym wątroby co 6 miesięcy. Zaletą tego schematu jest powiązanie akceptowalnego stosunku kosztów do efektywności, a przede wszystkim uzyskanie zwiększonego całkowitego przeżycia. Strategia ta ma jednak trzy główne ograniczenia: brak personalizacji, niska podatność, relatywnie słabe działanie ultrasonografii.
Opracowano modele stratyfikacji ryzyka dla przewlekłego wirusowego zapalenia wątroby typu C, alkoholowej marskości wątroby i niealkoholowego stłuszczeniowego zapalenia wątroby (NASH), uwzględniając parametry kliniczne (wiek, płeć, wskaźnik masy ciała i cukrzyca) i biologiczne (AsAT/AlAT, płytki krwi, albumina). Nie obejmowały one jednak analizy miąższu wątroby, który jest fizjopatologicznym podłożem hepatokarcynogenezy. W latach 90. kilku autorów badało częstość występowania raka wątrobowokomórkowego na podstawie echostruktury wątroby. Zgodzili się co do nadmiernego ryzyka reprezentowanego przez guzkową heterogeniczną echostrukturę z szacowanym współczynnikiem częstości do 20.
Jednak wszystkie te wyniki nie doprowadziły jeszcze do stworzenia spersonalizowanej strategii badań radiologicznych. Pojawienie się nowych technik sztucznej inteligencji może zrewolucjonizować to podejście.
Głębokie uczenie się, podklasa uczenia maszynowego, to popularny obszar badań, który może pomóc ludziom w wykonywaniu określonych zadań. W przeciwieństwie do radiomiki głębokie uczenie może automatycznie identyfikować nowe cechy obrazu, które nie zostały zdefiniowane przez ludzi.
Hipotezą tego badania jest to, że nienowotworowy miąższ wątroby z marskością wątroby jest bogaty w informacje strukturalne odzwierciedlające nasilenie hepatopatii, jej ryzyko rakotwórcze i proces hepatokarcynogenezy. Jego analiza w połączeniu z danymi klinicznymi i biologicznymi, które zostały już zbadane w celu stratyfikowania ryzyka hepatokarcynogenezy, pozwoli zdefiniować populację bardzo wysokiego ryzyka, szczególnie w kontekście eradykacji wirusa zapalenia wątroby typu C (HCV) i wirusa zapalenia wątroby typu B (HBV ) kontrola.
W związku z tym w tym badaniu proponuje się prospektywne zaprojektowanie modelu głębokiego uczenia się do stratyfikacji ryzyka hepatokarcynogenezy poprzez włączenie klinicznych, biologicznych i radiologicznych parametrów ultrasonograficznych. Głównym celem badania jest identyfikacja populacji o bardzo wysokim ryzyku zachorowania na raka wątrobowokomórkowego w celu zaproponowania różnych metod badań przesiewowych najbardziej zagrożonym pacjentom.
To badanie kliniczne obejmie pacjentów w wieku powyżej 18 lat skierowanych przez swojego hepatologa w ramach przesiewowego badania ultrasonograficznego zgodnie z zaleceniami Europejskiego Stowarzyszenia Badań nad Wątrobą (EASL) dotyczącymi badań przesiewowych w kierunku raka wątrobowokomórkowego, z wyjątkiem choroby wątroby HBV bez marskości: nie -marskość wątroby w stadium F3 z dowolnej przyczyny na podstawie indywidualnej oceny ryzyka raka wątroby; marskość wątroby z jakiejkolwiek przyczyny, niewirusowa lub wyleczona wirusologicznie (HCV) lub kontrolowana (HBV). Pacjenci z historią leczonego raka wątrobowokomórkowego zostaną wykluczeni.
Prospektywnie zostaną utworzone dwie grupy pacjentów: grupa 1 obejmie pacjentów z rozpoznaniem raka wątrobowokomórkowego powyżej 1 cm (referencyjne standardy diagnostyczne: radiologiczne lub histologiczne). Pacjenci ci będą zatem odpowiadać bardzo wysokiemu ryzyku; Grupa 2 będzie obejmowała pacjentów bez raka wątrobowokomórkowego, co odpowiada niższemu ryzyku. U pacjentów z grupy 2 zostanie wykonane badanie ultrasonograficzne w odstępie 1 roku w celu potwierdzenia braku nowego guzka w roku następującym po włączeniu. Odsetek nowych raków wątrobowokomórkowych nie powinien przekraczać 3%.
Zbierane dane będą parametrami klinicznymi, biologicznymi, elastograficznymi i ultradźwiękowymi.
Model Deep Learning wykorzystujący głęboką splotową architekturę sieci neuronowej zostanie opracowany w języku Python przy użyciu tych danych.
W sumie w 7 ośrodkach badawczych 300 pacjentów (sprawiedliwie rozdzielonych między dwie grupy) zostanie włączonych do kohorty szkoleniowej/walidacyjnej i 100 pacjentów (sprawiedliwie rozdzielonych między dwie grupy) do kohorty testowej. Liczby te są obliczane na podstawie badań ultrasonograficznych wykazujących współczynnik ryzyka HCC wynoszący do 20 w przypadku ultrasonografii makroguzkowej i wymagań dotyczących głębokiego uczenia (wymagane są duże liczby).
Kohorty szkoleniowe/walidacyjne i testowe będą pochodzić z zewnętrznych i niezależnych ośrodków.
Wydajność diagnostyczna modelu zostanie oszacowana na podstawie pola pod krzywą (AUC), czułości, swoistości i wyniku F1 (95% przedziały ufności) w kohorcie testowej.
Typ studiów
Zapisy (Szacowany)
Faza
- Nie dotyczy
Kontakty i lokalizacje
Kontakt w sprawie studiów
- Nazwa: Armelle TAKEDA, PhD
- Numer telefonu: +33 390413608
- E-mail: armelle.takeda@ihu-strasbourg.eu
Lokalizacje studiów
-
-
-
Angers, Francja, 49100
- Rekrutacyjny
- CHU Angers
-
Kontakt:
- Anita PAISANT
-
Pod-śledczy:
- Clémence CANIVET
-
Bobigny, Francja, 93000
- Rekrutacyjny
- Hopital Avicenne
-
Kontakt:
- Olivier SEROR
-
Pod-śledczy:
- Pierre NAHON
-
Clichy, Francja, 92110
- Rekrutacyjny
- Hopital Beaujon
-
Kontakt:
- Riccardo SARTORIS
-
Pod-śledczy:
- Pierre-Emmanuel RAUTOU
-
Lyon, Francja, 69003
- Rekrutacyjny
- Hospices Civils de Lyon, Hôpital Edouard Herriot
-
Kontakt:
- Laurent MILOT
-
Lyon, Francja, 69317
- Rekrutacyjny
- Groupement Hospitalier Nord, Hôpital de la Croix-Rousse
-
Kontakt:
- Agnès RODE
-
Pod-śledczy:
- Philippe MERLE
-
Montpellier, Francja, 34090
- Rekrutacyjny
- CHU Montpellier
-
Kontakt:
- Christophe CASSINOTTO
-
Pod-śledczy:
- José URSIC-BEDOYA
-
-
Kryteria uczestnictwa
Kryteria kwalifikacji
Wiek uprawniający do nauki
Akceptuje zdrowych ochotników
Opis
Kryteria przyjęcia:
- Mężczyźni lub kobiety powyżej 18 roku życia.
- Chorzy skierowani przez hepatologa w ramach skriningu USG zgodnie z zaleceniami skriningowymi raka wątrobowokomórkowego EASL.
- Hepatopatia F3 niezwiązana z marskością wątroby o dowolnej przyczynie według indywidualnej oceny ryzyka raka wątroby.
- Marskość wątroby z jakiejkolwiek przyczyny, niewirusowa lub wyleczona wirusologicznie (HCV) lub kontrolowana (HBV).
- Pacjent z hepatopatią potwierdzoną dowodami histologicznymi lub potwierdzoną przez komisję ekspertów na podstawie kryteriów klinicznych, biologicznych, ultrasonograficznych (niewydolność wątrobowokomórkowa, nadciśnienie wrotne) i elastograficznych.
- Pacjent jest w stanie otrzymać i zrozumieć informacje dotyczące badania oraz wyrazić pisemną świadomą zgodę.
- Pacjent objęty francuskim systemem ubezpieczeń społecznych.
Kryteria wyłączenia:
- Historia raka wątroby
- Pacjent z wirusową hepatopatią typu B niezwiązaną z marskością wątroby lub niekontrolowaną (HBV) lub niewyleczoną (HCV) wirusową marskością wątroby.
- Pacjent pod ochroną wymiaru sprawiedliwości, kurateli lub kurateli.
- Pacjent w sytuacji niestabilności społecznej.
- Pacjent podlegający ochronie prawnej lub niezdolny do wyrażenia zgody
Plan studiów
Jak projektuje się badanie?
Szczegóły projektu
- Główny cel: Diagnostyczny
- Przydział: Nielosowe
- Model interwencyjny: Przydział równoległy
- Maskowanie: Brak (otwarta etykieta)
Broń i interwencje
Grupa uczestników / Arm |
Interwencja / Leczenie |
---|---|
Eksperymentalny: Grupa wysokiego ryzyka
Pacjenci z rakiem wątrobowokomórkowym większym niż 1 cm.
Do tej grupy zostaną zaliczeni wszyscy pacjenci z przesiewowego badania ultrasonograficznego, u których wykryto guzek większy niż 1 cm i skierowani do naszych ośrodków.
Zostaną wtedy wykluczeni z tej grupy, jeśli rozpoznanie raka wątrobowokomórkowego nie zostanie utrzymane zgodnie z radiologicznymi lub histologicznymi referencyjnymi standardami diagnostycznymi (złoty standard).
|
Drogą międzyżebrową zostanie przeprowadzona jedna do trzech akwizycji wideo trwających 10 sekund.
Akwizycja danych będzie standaryzowana zgodnie z obowiązującym protokołem i wcześniej rejestrowana w każdym aparacie ultrasonograficznym (zdjęcia krzyżowe, harmoniczne, filtr, głębokość, ogniskowa, indeks mechaniczny itp.).
|
Eksperymentalny: Grupa niskiego ryzyka
Pacjenci bez raka wątrobowokomórkowego.
Zostanie wykonane badanie ultrasonograficzne w odstępie 1 roku, aby potwierdzić brak nowego guzka w roku następującym po włączeniu.
|
Drogą międzyżebrową zostanie przeprowadzona jedna do trzech akwizycji wideo trwających 10 sekund.
Akwizycja danych będzie standaryzowana zgodnie z obowiązującym protokołem i wcześniej rejestrowana w każdym aparacie ultrasonograficznym (zdjęcia krzyżowe, harmoniczne, filtr, głębokość, ogniskowa, indeks mechaniczny itp.).
|
Co mierzy badanie?
Podstawowe miary wyniku
Miara wyniku |
Opis środka |
Ramy czasowe |
---|---|---|
Stratyfikacja ryzyka hepatocarcinogenezy u pacjentów wysokiego ryzyka za pomocą analizy krzyżowej opartej na głębokim uczeniu się.
Ramy czasowe: 12 miesięcy
|
Oparta na głębokim uczeniu analiza krzyżowa parametrów klinicznych, biologicznych, elastograficznych i ultradźwiękowych (miąższ wątroby nienowotworowy)
|
12 miesięcy
|
Miary wyników drugorzędnych
Miara wyniku |
Opis środka |
Ramy czasowe |
---|---|---|
Opracowanie nowej strategii przesiewowej poprzez analizę krzyżową opartą na głębokim uczeniu się
Ramy czasowe: 12 miesięcy
|
Oparta na głębokim uczeniu analiza krzyżowa parametrów klinicznych, biologicznych, elastograficznych i ultradźwiękowych (miąższ wątroby nienowotworowy)
|
12 miesięcy
|
Opracowanie algorytmu identyfikacji pacjentów zagrożonych postaciami wieloogniskowymi i rozsianymi poprzez analizę krzyżową opartą na głębokim uczeniu się
Ramy czasowe: 12 miesięcy
|
Oparta na głębokim uczeniu analiza krzyżowa parametrów klinicznych, biologicznych, elastograficznych i ultradźwiękowych (miąższ wątroby nienowotworowy)
|
12 miesięcy
|
Charakterystyka guzków wykrytych w USG za pomocą analizy krzyżowej opartej na głębokim uczeniu się
Ramy czasowe: 12 miesięcy
|
Oparta na głębokim uczeniu analiza krzyżowa parametrów klinicznych, biologicznych, elastograficznych i ultradźwiękowych (miąższ wątroby nienowotworowy)
|
12 miesięcy
|
Charakterystyka interfejsu guzków z przylegającym miąższem wątroby za pomocą analizy krzyżowej opartej na głębokim uczeniu się
Ramy czasowe: 12 miesięcy
|
Oparta na głębokim uczeniu analiza krzyżowa parametrów klinicznych, biologicznych, elastograficznych i ultradźwiękowych (miąższ wątroby nienowotworowy)
|
12 miesięcy
|
Współpracownicy i badacze
Sponsor
Śledczy
- Główny śledczy: Jérémy DANA, MD, IHU Strasbourg
Publikacje i pomocne linki
Publikacje ogólne
- European Association for the Study of the Liver. Electronic address: easloffice@easloffice.eu. Corrigendum to "EASL Clinical Practice Guidelines: Management of hepatocellular carcinoma" [J Hepatol 69 (2018) 182-236]. J Hepatol. 2019 Apr;70(4):817. doi: 10.1016/j.jhep.2019.01.020. Epub 2019 Feb 7. No abstract available.
- Cadier B, Bulsei J, Nahon P, Seror O, Laurent A, Rosa I, Layese R, Costentin C, Cagnot C, Durand-Zaleski I, Chevreul K; ANRS CO12 CirVir and CHANGH groups. Early detection and curative treatment of hepatocellular carcinoma: A cost-effectiveness analysis in France and in the United States. Hepatology. 2017 Apr;65(4):1237-1248. doi: 10.1002/hep.28961. Epub 2017 Feb 8.
- Yala A, Schuster T, Miles R, Barzilay R, Lehman C. A Deep Learning Model to Triage Screening Mammograms: A Simulation Study. Radiology. 2019 Oct;293(1):38-46. doi: 10.1148/radiol.2019182908. Epub 2019 Aug 6.
- Costentin CE, Layese R, Bourcier V, Cagnot C, Marcellin P, Guyader D, Pol S, Larrey D, De Ledinghen V, Ouzan D, Zoulim F, Roulot D, Tran A, Bronowicki JP, Zarski JP, Riachi G, Cales P, Peron JM, Alric L, Bourliere M, Mathurin P, Blanc JF, Abergel A, Serfaty L, Mallat A, Grange JD, Attali P, Bacq Y, Wartelle C, Dao T, Thabut D, Pilette C, Silvain C, Christidis C, Nguyen-Khac E, Bernard-Chabert B, Zucman D, Di Martino V, Sutton A, Letouze E, Imbeaud S, Zucman-Rossi J, Audureau E, Roudot-Thoraval F, Nahon P; ANRS CO12 CirVir Group. Compliance With Hepatocellular Carcinoma Surveillance Guidelines Associated With Increased Lead-Time Adjusted Survival of Patients With Compensated Viral Cirrhosis: A Multi-Center Cohort Study. Gastroenterology. 2018 Aug;155(2):431-442.e10. doi: 10.1053/j.gastro.2018.04.027. Epub 2018 May 3.
- Ioannou GN, Green P, Kerr KF, Berry K. Models estimating risk of hepatocellular carcinoma in patients with alcohol or NAFLD-related cirrhosis for risk stratification. J Hepatol. 2019 Sep;71(3):523-533. doi: 10.1016/j.jhep.2019.05.008. Epub 2019 May 28.
- Audureau E, Carrat F, Layese R, Cagnot C, Asselah T, Guyader D, Larrey D, De Ledinghen V, Ouzan D, Zoulim F, Roulot D, Tran A, Bronowicki JP, Zarski JP, Riachi G, Cales P, Peron JM, Alric L, Bourliere M, Mathurin P, Blanc JF, Abergel A, Chazouilleres O, Mallat A, Grange JD, Attali P, d'Alteroche L, Wartelle C, Dao T, Thabut D, Pilette C, Silvain C, Christidis C, Nguyen-Khac E, Bernard-Chabert B, Zucman D, Di Martino V, Sutton A, Pol S, Nahon P; ANRS CO12 CirVir group. Personalized surveillance for hepatocellular carcinoma in cirrhosis - using machine learning adapted to HCV status. J Hepatol. 2020 Dec;73(6):1434-1445. doi: 10.1016/j.jhep.2020.05.052. Epub 2020 Jun 29.
- Kitamura S, Iishi H, Tatsuta M, Ishikawa H, Hiyama T, Tsukuma H, Kasugai H, Tanaka S, Kitamura T, Ishiguro S. Liver with hypoechoic nodular pattern as a risk factor for hepatocellular carcinoma. Gastroenterology. 1995 Jun;108(6):1778-84. doi: 10.1016/0016-5085(95)90140-x.
- Tarao K, Hoshino H, Shimizu A, Ohkawa S, Harada M, Nakamura Y, Ito Y, Tamai S, Okamoto N. Patients with ultrasonic coarse-nodular cirrhosis who are anti-hepatitis C virus-positive are at high risk for hepatocellular carcinoma. Cancer. 1995 Mar 15;75(6):1255-62. doi: 10.1002/1097-0142(19950315)75:63.0.co;2-q.
- Caturelli E, Castellano L, Fusilli S, Palmentieri B, Niro GA, del Vecchio-Blanco C, Andriulli A, de Sio I. Coarse nodular US pattern in hepatic cirrhosis: risk for hepatocellular carcinoma. Radiology. 2003 Mar;226(3):691-7. doi: 10.1148/radiol.2263011737. Epub 2003 Jan 24.
- Dana J, Agnus V, Ouhmich F, Gallix B. Multimodality Imaging and Artificial Intelligence for Tumor Characterization: Current Status and Future Perspective. Semin Nucl Med. 2020 Nov;50(6):541-548. doi: 10.1053/j.semnuclmed.2020.07.003. Epub 2020 Aug 2.
- Dohan A, Gallix B, Guiu B, Le Malicot K, Reinhold C, Soyer P, Bennouna J, Ghiringhelli F, Barbier E, Boige V, Taieb J, Bouche O, Francois E, Phelip JM, Borel C, Faroux R, Seitz JF, Jacquot S, Ben Abdelghani M, Khemissa-Akouz F, Genet D, Jouve JL, Rinaldi Y, Desseigne F, Texereau P, Suc E, Lepage C, Aparicio T, Hoeffel C; PRODIGE 9 Investigators and PRODIGE 20 Investigators. Early evaluation using a radiomic signature of unresectable hepatic metastases to predict outcome in patients with colorectal cancer treated with FOLFIRI and bevacizumab. Gut. 2020 Mar;69(3):531-539. doi: 10.1136/gutjnl-2018-316407. Epub 2019 May 17.
- Savadjiev P, Chong J, Dohan A, Agnus V, Forghani R, Reinhold C, Gallix B. Image-based biomarkers for solid tumor quantification. Eur Radiol. 2019 Oct;29(10):5431-5440. doi: 10.1007/s00330-019-06169-w. Epub 2019 Apr 8.
- LeCun Y, Bengio Y, Hinton G. Deep learning. Nature. 2015 May 28;521(7553):436-44. doi: 10.1038/nature14539.
Daty zapisu na studia
Główne daty studiów
Rozpoczęcie studiów (Rzeczywisty)
Zakończenie podstawowe (Szacowany)
Ukończenie studiów (Szacowany)
Daty rejestracji na studia
Pierwszy przesłany
Pierwszy przesłany, który spełnia kryteria kontroli jakości
Pierwszy wysłany (Rzeczywisty)
Aktualizacje rekordów badań
Ostatnia wysłana aktualizacja (Szacowany)
Ostatnia przesłana aktualizacja, która spełniała kryteria kontroli jakości
Ostatnia weryfikacja
Więcej informacji
Terminy związane z tym badaniem
Słowa kluczowe
Dodatkowe istotne warunki MeSH
Inne numery identyfikacyjne badania
- 20-008
Plan dla danych uczestnika indywidualnego (IPD)
Planujesz udostępniać dane poszczególnych uczestników (IPD)?
Informacje o lekach i urządzeniach, dokumenty badawcze
Bada produkt leczniczy regulowany przez amerykańską FDA
Bada produkt urządzenia regulowany przez amerykańską FDA
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 .
Badania kliniczne na Pozyskiwanie wideo
-
University Hospital Inselspital, BerneWycofaneObjawy dolnych dróg moczowych | Pęcherz neurogenny | Urodynamika
-
Radboud University Medical CenterZonMw: The Netherlands Organisation for Health Research and DevelopmentRekrutacyjnyDemencja | Zachowanie stanowiące wyzwanie | Rezydent Domu Pomocy SpołecznejHolandia
-
University of MiamiSociety of Critical Care MedicineZakończonyŚmiertelna choroba | Syndrom Oddziału Intensywnej TerapiiStany Zjednoczone
-
University of California, San FranciscoSan Francisco Veterans Affairs Medical Center; Tobacco Related Disease Research...ZakończonyZaprzestanie paleniaStany Zjednoczone
-
VA Office of Research and DevelopmentZakończony
-
Chang Gung Memorial HospitalZakończonyZnieczulenie, generale | Intubacja, dotchawicza | LaryngoskopyTajwan
-
Kaohsiung Medical University Chung-Ho Memorial...NieznanyPowikłanie intubacji znieczuleniaTajwan
-
Montefiore Medical CenterM.D. Anderson Cancer Center; The University of Texas Health Science Center,...Wycofane