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

Opracowanie i prospektywna walidacja multimodalnego modelu sztucznej inteligencji fuzyjnej do przewidywania skuteczności leczenia neoadjuwantowego raka pęcherza pęcherza

1 czerwca 2026 zaktualizowane przez: Sun Yat-Sen Memorial Hospital of Sun Yat-Sen University
To badanie jest wieloośrodkowym badaniem obserwacyjnym bez interwencji, w tym konstrukcji modelu diagnostycznego AI i testowania retrospektywnego kohorty wieloośrodkowej. Uczestnikami badań są pacjenci z rakiem pęcherza, którzy przeszli badania obrazowania, zostali zdiagnozowani patologicznie i otrzymali leczenie neoadiuwantowe z pełnymi danymi klinicznymi i patologicznymi. Badanie planuje włączyć 130 pacjentów z naszego centrum, zbierając odpowiednie obrazy obrazowe oraz gromadzenie danych klinicznych i genomowych w celu budowy i wewnętrznej potwierdzenia multimodalnego modelu AI. Uogólnienie i niezawodność modelu zostaną przetestowane w celu zbadania związku między danymi multimodalnymi a skutecznością leczenia neoadjuwantowego raka pęcherza. Celem jest pomoc klinicystom w przewidywaniu i ocenie skuteczności leczenia neoadiuwantowego raka pęcherzacza, w celu poprawy diagnozy pacjenta, wyników leczenia i rokowania.

Przegląd badań

Status

Zakończony

Warunki

Interwencja / Leczenie

Szczegółowy opis

Rak pęcherza jest jednym z najczęstszych nowotworów nowotworowych układu płciowego na całym świecie. W przypadku mięśniowego raka pęcherza podbronnego do radykalnej resekcji standardowym leczeniem jest terapia neoadjuwantowa w połączeniu z radykalną cystektomią, a neoadjuwantowa terapia odgrywa kluczową rolę. Obecnie liczne badania wykazały, że chemioterapia neoadjuwantowa na bazie cisplatyny może na dół nowotworów, zmniejszyć ryzyko śmiertelności u pacjentów z rakiem pęcherza, poprawić wskaźniki przeżycia i zwiększają rokowanie. Badane są również inne podejścia do leczenia, takie jak immunoterapia neoadiuwantowa, terapia ukierunkowana i terapie skojarzone. Jednak odpowiedzi na terapię neoadjuwantową różnią się w zależności od pacjentów z rakiem pęcherza, a niektórzy nie osiągają pożądanych celów terapeutycznych. Dlatego dokładne przewidywanie odpowiedzi uczestników na leczenie może stanowić ważne odniesienie do spersonalizowanego i precyzyjnego leczenia raka pęcherza.

W ostatnich latach, jako postęp w mocy obliczeniowej i pojemności przechowywania danych, sztuczna inteligencja (AI) była szeroko stosowana w dziedzinie diagnostyki cyfrowej. Technologie AI mogą wyodrębnić i zintegrować wiele cech z danych multimodalnych, takich jak patologia, obrazowanie i zapisy kliniczne, umożliwiając precyzyjną diagnozę choroby, ocenę rokowania i prognozowanie leczenia. W dziedzinie prognozowania leczenia nowotworów multimodalne technologie AI osiągnęły wiele przełomów, opracowując modele prognozowania skuteczności dla guzów, takich jak rak odbytnicy i piersi w oparciu o obrazowanie i dane patologiczne oraz waliwając możliwości uogólnienia modeli poprzez walidację zewnętrzną.

Dlatego badacze planują skonstruować i potwierdzić „model prognozowania skuteczności leczenia neoadiuwantowego raka pęcherza pęcherza” opartego na danych multimodalnych, takich jak obrazy MRI, obrazy patologii cyfrowej i zapisy kliniczne pacjentów z rakiem pęcherza pęcherza i opracować oprogramowanie do prognozowania AI dla neoadjuwantowych skuteczności leczenia u raka pęcherza. Badacze mają nadzieję, że ten model diagnostyczny AI może służyć jako pomocnicze narzędzie pomagające klinicystom w stratyfikacji skuteczności leczenia neoadjuwantowego u pacjentów z rakiem pęcherzaczowym, formułując w ten sposób precyzyjne plany leczenia, zmniejszając spożycie zasobów ludzkich i materialnych oraz wykorzystanie optymalnych możliwości leczenia.

Typ studiów

Obserwacyjny

Zapisy (Rzeczywisty)

469

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, 510080
        • Sun Yat-Sen Memorial 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

Wiek uprawniający do nauki

  • Dziecko
  • Dorosły
  • Starszy dorosły

Akceptuje zdrowych ochotników

Nie

Metoda próbkowania

Próbka bez prawdopodobieństwa

Badana populacja

Pacjenci z patologicznie potwierdzonym rakiem pęcherza, którzy przechodzą terapię neoadiuwantową i radykalną cystektomię, zostaną włączeni do tego testu diagnostycznego w celu oceny zdolności zastosowania klinicznego modelu.

Opis

Kryteria włączenia:

  • Zmiany zajmujące pęcherza, z histopatologicznym potwierdzeniem raka pęcherza po resekcji.
  • Planowana terapia neoadjuwantowa i radykalna cystektomia.

Kryteria wykluczenia:

  • Pacjenci, którzy nie przeszli standardowych badań obrazowania pęcherza lub brakuje obrazów lub danych patologicznych.
  • Pacjenci, którzy otrzymali lokalne leczenie (takie jak embolizacja interwencyjna) lub leczenie ogólnoustrojowe (takie jak radioterapia, chemioterapia, immunoterapia lub terapia ukierunkowana).
  • Zła jakość obrazowania lub obrazów patologicznych.

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 rakiem pęcherza podlegającym terapii neoadjuwantowej
Pacjenci patologiczni zdiagnozowano raka pęcherza podlegającego terapii neoadjuwantowej.
Test diagnostyczny: Artificial intelligence (AI)-based predictive model
Collect magnetic resonance imaging and pathological slides of resected tumor of the enrolled patients. Analyze the data using the AI model to generate predictive results (sensitive or insensitive to the neoadjavant therapy). No intervention to patients would be performed in this diagnostic test study.

Co mierzy badanie?

Podstawowe miary wyniku

Miara wyniku
Opis środka
Ramy czasowe
AUC (Area Under the Receiver Operating Characteristic Curve)
Ramy czasowe: For each enrolled patient, the AI model's prediction results will be generated within several days after neoadjuvant therapy. The AUC of the model will be evaluated upon study completion, an average of 3 years.
A comprehensive metric reflecting the overall discriminative ability of the AI model, which integrates the model's sensitivity and specificity across all possible threshold values. It quantifies the probability that the model will correctly rank a randomly selected therapy-sensitive patient higher than a randomly selected therapy-insensitive patient.
For each enrolled patient, the AI model's prediction results will be generated within several days after neoadjuvant therapy. The AUC of the model will be evaluated upon study completion, an average of 3 years.

Miary wyników drugorzędnych

Miara wyniku
Opis środka
Ramy czasowe
sensitivity
Ramy czasowe: For each enrolled patient, the predictive results of AI model will be obtained in several days after neoadjuvant therapy, and the sensitivity of the AI model will be evaluated through study completion, an average of 3 year.
the number of correctly diagnosed positive patient (sensitive to therapy), to be divided by the number of patients in total.
For each enrolled patient, the predictive results of AI model will be obtained in several days after neoadjuvant therapy, and the sensitivity of the AI model will be evaluated through study completion, an average of 3 year.
specificity
Ramy czasowe: For each enrolled patient, the predictive results of AI model will be obtained in several days after neoadjuvant therapy, and the specificity of the AI model will be evaluated through study completion, an average of 3 year.
the number of correctly diagnosed negative patients (therapy insensitive), to be divided by the number of negative patients in total.
For each enrolled patient, the predictive results of AI model will be obtained in several days after neoadjuvant therapy, and the specificity of the AI model will be evaluated through study completion, an average of 3 year.

Współpracownicy i badacze

Tutaj znajdziesz osoby i organizacje zaangażowane w to badanie.

Sponsor

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)

1 stycznia 2022

Zakończenie podstawowe (Rzeczywisty)

31 grudnia 2025

Ukończenie studiów (Rzeczywisty)

31 grudnia 2025

Daty rejestracji na studia

Pierwszy przesłany

19 marca 2025

Pierwszy przesłany, który spełnia kryteria kontroli jakości

1 kwietnia 2025

Pierwszy wysłany (Rzeczywisty)

3 kwietnia 2025

Aktualizacje rekordów badań

Ostatnia wysłana aktualizacja (Rzeczywisty)

3 czerwca 2026

Ostatnia przesłana aktualizacja, która spełniała kryteria kontroli jakości

1 czerwca 2026

Ostatnia weryfikacja

1 kwietnia 2025

Więcej informacji

Terminy związane z tym badaniem

Słowa kluczowe

Dodatkowe istotne warunki MeSH

Inne numery identyfikacyjne badania

  • SYSKY-2024-738-01

Plan dla danych uczestnika indywidualnego (IPD)

Planujesz udostępniać dane poszczególnych uczestników (IPD)?

NIE

Opis planu IPD

Aby chronić prywatność pacjentów, obrazowanie rezonansu magnetycznego, patologiczne obrazy zjeżdżalni i inne dane związane z pacjentem nie są publicznie dostępne.

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 Nowotwór

Badania kliniczne na Artificial intelligence (AI)-based predictive model

Wyszukaj podobne próby

Sponsorzy i współpracownicy

Warunki medyczne

Interwencje lekowe

CROs by country

CROs in Moldova

Warunki

Rzadkie choroby

Interwencje lekowe

Suplementy diety

Sponsor / Współpracownicy

Lokalizacje

Subskrybuj