Opracowanie i prospektywna walidacja multimodalnego modelu sztucznej inteligencji fuzyjnej do przewidywania skuteczności leczenia neoadjuwantowego raka pęcherza pęcherza
Przegląd badań
Status
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
Zapisy (Rzeczywisty)
Kontakty i lokalizacje
Lokalizacje studiów
-
-
Guangdong
-
Guangzhou, Guangdong, Chiny, 510080
- Sun Yat-Sen Memorial Hospital of Sun Yat-Sen University
-
-
Kryteria uczestnictwa
Kryteria kwalifikacji
Wiek uprawniający do nauki
- Dziecko
- Dorosły
- Starszy dorosły
Akceptuje zdrowych ochotników
Metoda próbkowania
Badana populacja
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
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.
|
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
Daty zapisu na studia
Główne daty studiów
Rozpoczęcie studiów (Rzeczywisty)
Zakończenie podstawowe (Rzeczywisty)
Ukończenie studiów (Rzeczywisty)
Daty rejestracji na studia
Pierwszy przesłany
Pierwszy przesłany, który spełnia kryteria kontroli jakości
Pierwszy wysłany (Rzeczywisty)
Aktualizacje rekordów badań
Ostatnia wysłana aktualizacja (Rzeczywisty)
Ostatnia przesłana aktualizacja, która spełniała kryteria kontroli jakości
Ostatnia weryfikacja
Więcej informacji
Terminy związane z tym badaniem
Słowa kluczowe
Dodatkowe istotne warunki MeSH
- Choroby układu moczowo-płciowego
- Nowotwory układu moczowo-płciowego
- Nowotwory według lokalizacji
- Nowotwory
- Choroby układu moczowo-płciowego u mężczyzn
- Choroby Urologiczne
- Choroby układu moczowo-płciowego kobiet
- Choroby układu moczowo-płciowego kobiet i powikłania ciąży
- Nowotwory urologiczne
- Choroby Pęcherza Moczowego
- Nowotwory
- Algorytmy
- Koncepcje matematyczne
- Sztuczna inteligencja
Inne numery identyfikacyjne badania
- SYSKY-2024-738-01
Plan dla danych uczestnika indywidualnego (IPD)
Planujesz udostępniać dane poszczególnych uczestników (IPD)?
Opis planu 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 .