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

Sztuczna inteligencja i radiomika do stratyfikacji guzków płucnych po radykalnie leczonym raku (AI-SONAR)

17 maja 2022 zaktualizowane przez: Royal Marsden NHS Foundation Trust

Sztuczna inteligencja i radiomika do stratyfikacji guzków w płucach po radykalnie leczonym raku (AI-SONAR)

W badaniu tym zostanie oceniona użyteczność metod radiomiki i sztucznej inteligencji w przypadku nowych guzków w płucach u pacjentów, którzy przeszli radykalne leczenie wcześniejszego nowotworu.

Przegląd badań

Status

Rekrutacyjny

Warunki

Interwencja / Leczenie

Szczegółowy opis

Ulepszenia w wykrywaniu i diagnostyce raka doprowadziły do ​​wzrostu liczby pacjentów, u których zdiagnozowano raka we wczesnym stadium i potencjalnie poddano terapii leczniczej z lepszymi wynikami przeżycia. Niedawne badania retrospektywne z udziałem osób, które przeżyły raka, wykazały, że tacy pacjenci mają zwiększone ryzyko dalszego raka w ciągu życia w porównaniu z populacją ogólną, częściowo potencjalnie ze względu na wspólne czynniki ryzyka związane ze stylem życia (np. palenie tytoniu), genetyczne predyspozycje do raka czy późniejsze onkogenne skutki uboczne terapii przeciwnowotworowych (np. radioterapia). Rak płuc pozostaje główną przyczyną zgonów związanych z rakiem na całym świecie, a płuca stanowią również częstą lokalizację przerzutów u pacjentów z nowotworami niezwiązanymi z płucami. Ponadto rak płuca jest jednym z najczęstszych drugich pierwotnych nowotworów złośliwych u pacjentów po wcześniejszym leczeniu raka. Dlatego rozpoznanie znaczenia guzka płucnego w kontekście wcześniejszego raka pozostaje wyzwaniem klinicznym, ponieważ może on potencjalnie reprezentować łagodną chorobę, nawrót przerzutów lub nowy pierwotny nowotwór złośliwy.

W badaniu tym zostanie oceniona użyteczność metod radiomiki i sztucznej inteligencji w przypadku nowych guzków w płucach u pacjentów, którzy przeszli radykalne leczenie wcześniejszego nowotworu. Będzie to wymagało zastosowania metod uczenia maszynowego (ML), a później eksploracji podejść opartych na głębokim uczeniu/konwolucyjnych sieciach neuronowych do interpretacji guzków w celu różnicowania łagodnych, przerzutowych i nowych pierwotnych guzków/zmian raka płuc. Opracowanie klasyfikatora ML lub narzędzia opartego na głębokim uczeniu się może pomóc w ustaleniu, którzy pacjenci odniosą korzyści z wcześniejszych badań, w tym dodatkowego obrazowania, pobierania próbek biopsyjnych i prowadzić do wcześniejszej diagnozy raka, co prowadzi do lepszych wyników pacjentów w tej wyjątkowej kohorcie. Jest to retrospektywne badanie analizujące dane już zebrane rutynowo w ramach opieki nad pacjentem. Wszystkie dane zostaną zanonimizowane przed jakąkolwiek analizą, nie będą stosowane żadne interwencje skierowane/związane z pacjentem, a zrzeczenie się zgody na włączenie do badania zostanie wykonane.

Typ studiów

Obserwacyjny

Zapisy (Oczekiwany)

1000

Kontakty i lokalizacje

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

Kontakt w sprawie studiów

Kopia zapasowa kontaktu do badania

Lokalizacje studiów

  • Zjednoczone Królestwo
      • London, Zjednoczone Królestwo, SW3 6JJ
        • Rekrutacyjny
        • The Royal Marsden NHS Foundation Trust (Chelsea Site)
        • Kontakt:
        • Kontakt:
      • London, Zjednoczone Królestwo, SW3 6NP
        • Rekrutacyjny
        • Royal Brompton Hospital
        • Kontakt:
        • Główny śledczy:
          • Anand Deveraj

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

Wiek uprawniający do nauki

18 lat i starsze (Dorosły, Starszy dorosły)

Akceptuje zdrowych ochotników

Nie

Płeć kwalifikująca się do nauki

Wszystko

Metoda próbkowania

Próbka bez prawdopodobieństwa

Badana populacja

Retrospektywne kohorty pacjentów z nowym guzkiem płucnym wykrytym w tomografii komputerowej klatki piersiowej i wcześniejszym rozpoznaniem raka (leczonego radykalnie) w ciągu ostatnich 10 lat (lub krócej).

Opis

Kryteria przyjęcia:

  • Potwierdzona historia wcześniejszego raka narządów miąższowych leczonego radykalnie lub z zamiarem wyleczenia w ciągu 10 lat od nowego badania tomografii komputerowej klatki piersiowej wykazującego nowy guzek płucny i jedno z poniższych:

    • Biopsja potwierdzająca wcześniejszą złośliwość z konsensusem MDT i pomyślne ustąpienie/remisja raka po leczeniu przeciwnowotworowym na podstawie obrazowania interwałowego lub analizy krwi
    • Jeżeli biopsja nie była możliwa/potwierdzona w przypadku wcześniejszego nowotworu złośliwego, uzgodniony wynik MDT potwierdzający raka (+/- obliczony wynik Herdera >80%, jeśli dotyczy) i decyzja o leczeniu jako nowotworu złośliwego z późniejszym ustąpieniem/remisją po leczeniu przeciwnowotworowym na podstawie obrazowania interwałowego lub badania krwi analiza testu

  • Radykalne leczenie wcześniejszego raka zdefiniowane jako jedno z poniższych:

    • Resekcja chirurgiczna
    • Radioterapia radykalna lub radioterapia wiązkami stereotaktycznymi
    • Chemioterapia radykalna
    • Radykalna chemio-radioterapia
    • Leczenie multimodalne z dowolnym z powyższych

  • Nowa prawda o guzku płucnym jest znana

    • Zeskanuj dane pokazujące 2-letnią stabilność (w oparciu o średnicę lub wolumetrię) lub rozdzielczość w przypadku łagodnej choroby
    • Dane skanu pokazujące postępujące powiększenie guzków lub wzrost liczby guzków w obrazowaniu interwałowym z konsensusem MDT (+/- PET z wynikiem Herdera >80%, jeśli dotyczy) określające chorobę przerzutową lub nowy pierwotny nowotwór złośliwy
    • Pobranie próbki biopsji potwierdzającej łagodną chorobę lub nowotwór złośliwy oraz w przypadku nowotworu złośliwego, przerzutów lub nowego pierwotnego raka płuca
  • Grubość warstwy tomografii komputerowej ≤ 2,5 mm
  • Wielkość guzka ≥ 5 mm

Kryteria wyłączenia:

  • Obrazowanie CT > 10 lat
  • Nielityczne nowotwory hematologiczne, w tym białaczka
  • Przypadki radykalnie leczonej pierwotnej choroby nowotworowej z wczesnym nawrotem skąpoprzerzutowym leczonym radykalnie

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

  • Modele obserwacyjne: Kohorta
  • Perspektywy czasowe: Z mocą wsteczną

Kohorty i interwencje

Grupa / Kohorta
Interwencja / Leczenie
Guzki łagodne
Skany tomografii komputerowej pacjentów z nowym guzkiem (nowymi guzkami) w płucach, które następnie potwierdzono jako łagodne oraz w kontekście wcześniejszej historii radykalnie leczonego raka, zostaną zidentyfikowane w uczestniczących ośrodkach NHS i zrekrutowane.
Inny: Badanie nieinterwencyjne
Pierwsze skany CT z wykrywaniem guzków zgodnie z kryteriami kwalifikacji zostaną wykorzystane jako dane wejściowe do wewnętrznego oprogramowania w celu wyodrębnienia wielu cech radiomicznych i wykorzystane do opracowania klasyfikatora opartego na uczeniu maszynowym w celu rozróżnienia etiologii guzków. Skany będą również wykorzystywane jako dane wejściowe do modeli głębokiego uczenia/splotowych sieci neuronowych w celu przeprowadzania automatycznej klasyfikacji obrazowania.
Guzki przerzutowe
Skany tomografii komputerowej pacjentów z nowym guzkiem (nowymi guzkami) w płucach, które później potwierdzono, że mają charakter przerzutowy oraz w kontekście wcześniejszej historii radykalnie leczonego raka, zostaną zidentyfikowane w uczestniczących ośrodkach NHS i zrekrutowane.
Inny: Badanie nieinterwencyjne
Pierwsze skany CT z wykrywaniem guzków zgodnie z kryteriami kwalifikacji zostaną wykorzystane jako dane wejściowe do wewnętrznego oprogramowania w celu wyodrębnienia wielu cech radiomicznych i wykorzystane do opracowania klasyfikatora opartego na uczeniu maszynowym w celu rozróżnienia etiologii guzków. Skany będą również wykorzystywane jako dane wejściowe do modeli głębokiego uczenia/splotowych sieci neuronowych w celu przeprowadzania automatycznej klasyfikacji obrazowania.
Drugi pierwotny rak płuca
Skany tomografii komputerowej pacjentów z nowym guzkiem (nowymi guzkami) w płucach, które następnie potwierdzono jako nowy drugi pierwotny rak płuca oraz w kontekście wcześniejszej historii radykalnie leczonego raka, zostaną zidentyfikowane w uczestniczących ośrodkach NHS i zrekrutowane.
Inny: Badanie nieinterwencyjne
Pierwsze skany CT z wykrywaniem guzków zgodnie z kryteriami kwalifikacji zostaną wykorzystane jako dane wejściowe do wewnętrznego oprogramowania w celu wyodrębnienia wielu cech radiomicznych i wykorzystane do opracowania klasyfikatora opartego na uczeniu maszynowym w celu rozróżnienia etiologii guzków. Skany będą również wykorzystywane jako dane wejściowe do modeli głębokiego uczenia/splotowych sieci neuronowych w celu przeprowadzania automatycznej klasyfikacji obrazowania.

Co mierzy badanie?

Podstawowe miary wyniku

Miara wyniku
Opis środka
Ramy czasowe
Opracowanie modelu klasyfikatora radiomiki ML opartego na tomografii komputerowej klatki piersiowej w celu przewidywania ryzyka raka w nowych guzkach płuc po wcześniejszym radykalnie leczonym raku.
Ramy czasowe: 2 lata
Badanie ma na celu zidentyfikowanie odrębnych klastrów zmiennych radiomicznych w celu wygenerowania wektora predykcyjnego radiomiki (RPV), który można wykorzystać do stratyfikacji łagodnych i złośliwych guzków u pacjentów, którzy wcześniej otrzymali radykalne leczenie nowotworu złośliwego. RPV zostanie wykorzystany w analizie wielowymiarowej i porównany z istniejącymi modelami ryzyka stosowanymi w praktyce klinicznej.
2 lata
Opracowanie modelu klasyfikatora ML opartego na tomografii komputerowej klatki piersiowej w celu przewidywania, czy nowy złośliwy guzek reprezentuje przerzutową chorobę płuc (nowy rak w porównaniu z poprzednim nawrotem raka), czy nowy pierwotny nowotwór złośliwy płuca.
Ramy czasowe: 2 lata
Badanie ma na celu zidentyfikowanie odrębnych klastrów zmiennych radiomicznych w celu wygenerowania wektora predykcyjnego radiomiki (RPV), który jest w stanie odróżnić guzki przerzutowe w płucach od nowego pierwotnego raka płuca u pacjentów, którzy wcześniej otrzymali radykalne leczenie raka. Obecnie w praktyce klinicznej nie istnieją żadne modele, które odpowiadałyby na to wyzwanie diagnostyczne.
2 lata

Miary wyników drugorzędnych

Miara wyniku
Opis środka
Ramy czasowe
Aby ocenić wydajność, opracowano model klasyfikatora ML oparty na tomografii komputerowej klatki piersiowej w niezależnej zewnętrznej kohorcie walidacyjnej.
Ramy czasowe: 2 lata
Badacze mają na celu ocenę wydajności wyprowadzonego wektora predykcyjnego radiomiki (RPV) na zewnętrznym niezależnym zbiorze danych dotyczących guzków płucnych po przebytym raku, aby ocenić możliwość uogólnienia i potencjalną wydajność w świecie rzeczywistym.
2 lata

Współpracownicy i badacze

Tutaj znajdziesz osoby i organizacje zaangażowane w to badanie.

Sponsor

Royal Marsden NHS Foundation Trust

Współpracownicy

Imperial College London
Royal Brompton & Harefield NHS Foundation Trust
Institute of Cancer Research, United Kingdom
National Institute for Health Research, United Kingdom
Oxford University Hospitals NHS Trust
Royal Marsden Partners Cancer Alliance
National Heart and Lung Institute

Śledczy

  • Główny śledczy: Richard Lee, The Royal Marsden Hospitals NHS Trust

Publikacje i pomocne linki

Osoba odpowiedzialna za wprowadzenie informacji o badaniu dobrowolnie udostępnia te publikacje. Mogą one dotyczyć wszystkiego, co jest związane z badaniem.

Publikacje ogólne

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)

13 października 2021

Zakończenie podstawowe (Oczekiwany)

1 listopada 2022

Ukończenie studiów (Oczekiwany)

1 listopada 2026

Daty rejestracji na studia

Pierwszy przesłany

27 stycznia 2022

Pierwszy przesłany, który spełnia kryteria kontroli jakości

10 maja 2022

Pierwszy wysłany (Rzeczywisty)

16 maja 2022

Aktualizacje rekordów badań

Ostatnia wysłana aktualizacja (Rzeczywisty)

24 maja 2022

Ostatnia przesłana aktualizacja, która spełniała kryteria kontroli jakości

17 maja 2022

Ostatnia weryfikacja

1 maja 2022

Więcej informacji

Terminy związane z tym badaniem

Dodatkowe istotne warunki MeSH

Inne numery identyfikacyjne badania

  • CCR5502

Plan dla danych uczestnika indywidualnego (IPD)

Planujesz udostępniać dane poszczególnych uczestników (IPD)?

Nie

Informacje o lekach i urządzeniach, dokumenty badawcze

Bada produkt leczniczy regulowany przez amerykańską FDA

Nie

Bada produkt urządzenia regulowany przez amerykańską FDA

Nie

produkt wyprodukowany i wyeksportowany z USA

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 .

Badania kliniczne na Rak płuc

Badania kliniczne na Badanie nieinterwencyjne

Wyszukaj podobne próby

Sponsorzy i współpracownicy

Warunki medyczne

Interwencje lekowe

CROs by country

CROs in Chile

Warunki

Rzadkie choroby

Interwencje lekowe

Suplementy diety

Sponsor / Współpracownicy

Lokalizacje

3
Subskrybuj