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

Narzędzie do przewidywania sztucznej inteligencji w guzach nabłonkowych grasicy (INTHYM)

26 marca 2024 zaktualizowane przez: Anna Salut Esteve Domínguez, Erasmus Medical Center

Sztuczna inteligencja do klasyfikacji histopatologicznej i przewidywania nawrotów guzów nabłonkowych grasicy

Celem tego wieloośrodkowego badania obserwacyjnego jest udoskonalenie klasyfikacji guzów nabłonkowych grasicy i przewidywanie ryzyka nawrotu przy użyciu modeli sztucznej inteligencji. Analizując patologię cyfrową i zmienne kliniczne, projekt ma na celu wyeliminowanie rozbieżności w obecnym systemie klasyfikacji WHO.

Główne pytania:

  • Czy modele AI mogą poprawić dokładność klasyfikacji guzów nabłonkowych grasicy?
  • Czy modele sztucznej inteligencji lepiej przewidują ryzyko nawrotu choroby w porównaniu z systemem klasyfikacji WHO?

Zadania uczestnika:

  • Cyfrowa analiza patologii.
  • Opracuj modele AI w celu precyzyjnej klasyfikacji i przewidywania ryzyka nawrotu choroby.

Grupa porównawcza:

Naukowcy porównają klasyfikację wzmocnioną sztuczną inteligencją z systemem WHO, aby ustalić, czy modele sztucznej inteligencji zapewniają bardziej precyzyjne podtypy i lepiej przewidują ryzyko nawrotu choroby.

Projekt badania:

W tym międzynarodowym projekcie wykorzystano trzy bazy danych z Rotterdamu, Maastricht i Lyonu, przy czym jedna baza danych służy do budowania modeli sztucznej inteligencji, a dwie pozostałe służą do zewnętrznej walidacji.

Ostateczny cel:

Opracuj modele sztucznej inteligencji wspierające patologów w dokładnym określaniu podtypów guzów nabłonkowych grasicy, zapobiegając niedostatecznemu lub nadmiernemu leczeniu uzupełniającą radioterapią w celu uzyskania bardziej spersonalizowanego i skutecznego leczenia.

Przegląd badań

Status

Rekrutacyjny

Warunki

Interwencja / Leczenie

Szczegółowy opis

Guzy nabłonkowe grasicy są rzadkimi nowotworami przedniego śródpiersia. Podstawą leczenia jest resekcja chirurgiczna. Zastosowanie radioterapii pooperacyjnej jest zwykle wskazane u pacjentów z bardziej rozległą chorobą miejscową, niepełną resekcją i/lub bardziej agresywnymi podtypami, zdefiniowanymi w klasyfikacji histopatologicznej WHO.

W tej klasyfikacji wyróżnia się grasiczaki typu A, AB, B1, B2, B3 oraz raka grasicy. Badania wykazały duże rozbieżności między patologami w zakresie podtypów tych nowotworów. Co więcej, sama klasyfikacja WHO nie pozwala dokładnie przewidzieć ryzyka nawrotu choroby, gdyż w obrębie podtypów rokowanie pacjentów jest rozbieżne.

Opracujemy modele AI wykorzystujące patologię cyfrową i odpowiednie zmienne kliniczne, aby poprawić dokładność klasyfikacji histopatologicznej guzów nabłonkowych grasicy i lepiej przewidywać ryzyko nawrotu.

W tym wieloośrodkowym i międzynarodowym projekcie wykorzystane zostaną trzy istniejące bazy danych z Rotterdamu, Maastricht i Lyonu. W przypadku wszystkich modeli jedna baza danych będzie wykorzystywana do budowy modeli AI, a dwie pozostałe do zewnętrznej walidacji.

Ostatecznym celem tego projektu jest opracowanie modeli sztucznej inteligencji, które pomogą patologowi w prawidłowym określaniu podtypów guzów nabłonkowych grasicy, aby zapobiec niedostatecznemu lub nadmiernemu leczeniu uzupełniającą radioterapią.

Typ studiów

Obserwacyjny

Zapisy (Szacowany)

1020

Kontakty i lokalizacje

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

Kontakt w sprawie studiów

Lokalizacje studiów

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

  • Dziecko
  • Dorosły
  • Starszy dorosły

Akceptuje zdrowych ochotników

Nie dotyczy

Metoda próbkowania

Próbka bez prawdopodobieństwa

Badana populacja

Badana populacja:

Badanie to koncentruje się na osobach, u których zdiagnozowano guzy nabłonkowe grasicy. W badaniu wzięli udział pacjenci z trzech zbiorów danych: Erasmus MC (710 pacjentów), Maastro (137 pacjentów) i Szpitala Uniwersyteckiego w Lyonie (181 pacjentów).

Dodatkowe informacje:

  • Erasmus MC (710 pacjentów): obejmuje informacje o wieku, płci i diagnozie; każdy pacjent może mieć wiele całych obrazów slajdów.
  • Maastro (137 pacjentów): Każdy pacjent może mieć wiele całych obrazów slajdów.
  • Szpital Uniwersytecki w Lyonie (181 pacjentów): Każdy pacjent może mieć wiele całych obrazów slajdów.

Opis

Kryteria przyjęcia:

Do badania kwalifikują się uczestnicy z określoną diagnozą. Kwalifikujące się diagnozy obejmują różne podtypy grasicy i raka grasicy, w szczególności:

  • Tymoma A
  • Tymoma AB
  • Grasiczak B1
  • Grasiczak B2
  • Grasiczak B3
  • Rak grasicy

Włączenie opiera się na konsensusowej diagnozie, przy poziomie zgodności mniejszym niż 70%. Kryterium to stosuje się na etapie uczenia modelu.

Kryteria nawrotu:

Uczestników, u których udokumentowano wynik nawrotu choroby w ciągu 5 lat, uznaje się za kwalifikujących się do tego aspektu badania. Kryterium to stosuje się przede wszystkim na etapie walidacji.

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
Interwencja / Leczenie
Pacjenci z TET

Pacjenci, u których zdiagnozowano następujące podtypy TET:

  • Grasiczak typu A
  • Grasiczak typu AB
  • Grasiczak typu B1
  • Grasiczak typu B2
  • Grasiczak typu B3
  • Rak grasicy
Test diagnostyczny: Diagnostyka Sztucznej Inteligencji
AI Diagnostics wykorzystuje zaawansowane algorytmy do precyzyjnej analizy obrazu histologicznego, aby pomóc w diagnozowaniu choroby, w tym podtypu.
Inne nazwy:
  • Diagnostyka AI, klasyfikacja AI
Nawrót
Pacjenci z guzami nabłonkowymi grasicy, u których doszło do nawrotu.
Test diagnostyczny: Narzędzie do przewidywania powtórzeń
To narzędzie AI ocenia dane dotyczące guza grasicy i inne dane kliniczne oraz oblicza ryzyko nawrotu w celu przeanalizowania, czy istnieje powiązanie z określonymi podtypami guzów nabłonkowych grasicy i danymi klinicznymi.

Co mierzy badanie?

Podstawowe miary wyniku

Miara wyniku
Opis środka
Ramy czasowe
WP1 - Bazy danych/Wstępne przetwarzanie danych
Ramy czasowe: M1-M18
Zbiór danych EMC obejmuje 179 pacjentów TET sklasyfikowanych przez doświadczonych patologów TET. Przypadki, w których patolodzy są zgodni, zostaną wykorzystane do szkolenia modeli sztucznej inteligencji. Ocena obejmuje cyfrowe slajdy patologiczne ocenione przez międzynarodowy panel ekspertów. Baza danych MUMC (137 pacjentów) i baza danych CHUL (181 pacjentów) dostarczają dodatkowych danych, w tym zmiennych klinicznych. Istotne czynniki obejmują wiek, płeć, objętość guza, stopień zaawansowania, kompletność resekcji, choroby autoimmunologiczne i szczegóły leczenia.
M1-M18

Miary wyników drugorzędnych

Miara wyniku
Opis środka
Ramy czasowe
WP2 – Model głębokiego uczenia się dla klasyfikacji TET i przewidywania powtarzalności
Ramy czasowe: M6-M32
Wynik ten ma na celu stworzenie struktury sztucznej inteligencji mającej dwa główne cele. Najpierw zbadaj podtypy TET, używając czterech różnych modeli kładących nacisk na typ komórki, struktury morfologiczne i ich kombinację. Po drugie, należy klasyfikować pacjentów na podstawie wyników nawrotu choroby w ciągu 5 lat. Badanie ablacji zostanie przeprowadzone z wykorzystaniem najnowocześniejszych klasyfikatorów głębokiego uczenia się (ResNet, Inception).
M6-M32

Inne miary wyników

Miara wyniku
Opis środka
Ramy czasowe
WP3: Ocena kliniczna
Ramy czasowe: M6-M36
Modele AI 1-3 zostaną zbudowane i sprawdzone w bazie danych EMC, natomiast model AI 4 zostanie zbudowany w bazie danych MUMC+ i zweryfikowany w obu przypadkach. Wydajność modelu zostanie oceniona przy użyciu czułości, swoistości i ujemnej/dodatniej wartości predykcyjnej. Krzywe analizy decyzyjnej pozwolą określić ilościowo korzyść kliniczną, identyfikując grupy pacjentów o największej użyteczności.
M6-M36

Współpracownicy i badacze

Tutaj znajdziesz osoby i organizacje zaangażowane w to badanie.

Sponsor

Erasmus Medical Center

Współpracownicy

Hospices Civils de Lyon
Maastro Clinic, The Netherlands

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)

1 sierpnia 2023

Zakończenie podstawowe (Szacowany)

1 sierpnia 2027

Ukończenie studiów (Szacowany)

1 sierpnia 2027

Daty rejestracji na studia

Pierwszy przesłany

4 marca 2024

Pierwszy przesłany, który spełnia kryteria kontroli jakości

4 marca 2024

Pierwszy wysłany (Rzeczywisty)

8 marca 2024

Aktualizacje rekordów badań

Ostatnia wysłana aktualizacja (Rzeczywisty)

27 marca 2024

Ostatnia przesłana aktualizacja, która spełniała kryteria kontroli jakości

26 marca 2024

Ostatnia weryfikacja

1 marca 2024

Więcej informacji

Terminy związane z tym badaniem

Słowa kluczowe

Dodatkowe istotne warunki MeSH

Inne numery identyfikacyjne badania

  • Maastro Clinic
  • 72725524 (Inny numer grantu/finansowania: Hanarth Fonds)

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

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 Diagnostyka Sztucznej Inteligencji

Wyszukaj podobne próby

Sponsorzy i współpracownicy

Warunki medyczne

Interwencje lekowe

CROs by country

CROs in Bangladesh

Warunki

Rzadkie choroby

Interwencje lekowe

Suplementy diety

Sponsor / Współpracownicy

Lokalizacje

3
Subskrybuj