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

Zewnętrzna, wieloośrodkowa walidacja modelu uczenia maszynowego do przewidywania gruczolaka jelita grubego u dorosłych Hindusów

9 stycznia 2026 zaktualizowane przez: Mohan Ramchandani, Asian Institute of Gastroenterology, India

Zewnętrzna, wieloośrodkowa walidacja modelu uczenia maszynowego do przewidywania gruczolaka okrężnicy u dorosłych Hindusów – prospektywne, obserwacyjne, wieloośrodkowe badanie.

Gruczolaki jelita grubego są prekursorami raka jelita grubego (CRC). Dokładna stratyfikacja ryzyka przed zabiegiem mogłaby zoptymalizować skuteczność kolonoskopii i alokację zasobów w Indiach, gdzie częstość występowania gruczolaków różni się w zależności od wieku, płci oraz czynników stylu życia/metabolicznych. Modele uczenia maszynowego mogą integrować wiele predyktorów w celu oszacowania indywidualnego ryzyka.

Istniejące skale ryzyka są w większości zachodnie; ich działanie i kalibracja mogą nie być odpowiednie w populacjach indyjskich o różnych profilach społeczno-demograficznych i metabolicznych. Zewnętrzna, prospektywna, wieloośrodkowa walidacja jest niezbędna przed wdrożeniem klinicznym.

Przegląd badań

Status

Jeszcze nie rekrutacja

Warunki

Typ studiów

Obserwacyjny

Zapisy (Szacowany)

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

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

  • Dorosły
  • Starszy dorosły

Akceptuje zdrowych ochotników

Nie

Metoda próbkowania

Próbka prawdopodobieństwa

Badana populacja

1000

Opis

Kryteria włączenia:

  • Dorośli ≥18 lat poddawani diagnostycznej kolonoskopii.
  • Odpowiednie przygotowanie jelita (całkowity wynik w Skali Przygotowania Jelita wg Boston ≥6 z każdym segmentem ≥2).
  • Pełne badanie (intubacja kątnicza; czas wycofania ≥6 min przy braku terapii).
  • Dostępność wszystkich predyktorów modelu zgodnie z CRF.

Kryteria wykluczenia:

  • • Znany rak jelita grubego lub polip, wcześniejsza kolektomia, zespoły polipowatości, znana IBD lub silne dziedziczne zespoły raka jelita grubego (np. zespół Lyncha) jeśli wykluczone w wyprowadzeniu.

    • Niewystarczające przygotowanie, niekompletna kolonoskopia, zmiany niedrożnościowe uniemożliwiające diagnozę optyczną poza przeszkodą.
    • Kolonoskopie w trybie nagłym, procedury wyłącznie terapeutyczne bez intencji diagnostycznej.

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
Pojedyncza prospektywna kohorta obserwacyjna

Uczestnicy przechodzą standardową kolonoskopię

Brak przydziału do ramion leczenia lub porównania

Nie jest podawane żadne interwencje specyficzne dla badania. Uczestnicy przechodzą standardową diagnostyczną kolonoskopię i ocenę histopatologiczną. Zablokowany model uczenia maszynowego jest stosowany do rutynowo zbieranych danych klinicznych i demograficznych wyjściowych wyłącznie w celu przewidywania ryzyka, bez wpływu na postępowanie kliniczne.

Co mierzy badanie?

Podstawowe miary wyniku

Miara wyniku
Opis środka
Ramy czasowe
Pole pod krzywą charakterystyki odbiorczej (AUROC) modelu uczenia maszynowego
Ramy czasowe: 1 ROK
Obszar pod krzywą charakterystyki odbiorczej (AUROC) modelu predykcyjnego opartego na uczeniu maszynowym do identyfikacji obecności histologicznie potwierdzonego gruczolaka okrężnicy
1 ROK

Miary wyników drugorzędnych

Miara wyniku
Opis środka
Ramy czasowe
Walidacja Wydajności Modelu Predykcyjnego Uczenia Maszynowego
Ramy czasowe: 1 ROK
Ocena skuteczności walidacyjnej modelu uczenia maszynowego do przewidywania gruczolaka jelita grubego, oceniana za pomocą AUROC, metryk kalibracji (wynik Briera) i wykresów kalibracji w niezależnej kohorcie walidacyjnej.
1 ROK

Współpracownicy i badacze

Tutaj znajdziesz osoby i organizacje zaangażowane w to badanie.

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 (Szacowany)

1 lutego 2026

Zakończenie podstawowe (Szacowany)

30 marca 2027

Ukończenie studiów (Szacowany)

30 marca 2027

Daty rejestracji na studia

Pierwszy przesłany

26 grudnia 2025

Pierwszy przesłany, który spełnia kryteria kontroli jakości

27 grudnia 2025

Pierwszy wysłany (Szacowany)

9 stycznia 2026

Aktualizacje rekordów badań

Ostatnia wysłana aktualizacja (Szacowany)

12 stycznia 2026

Ostatnia przesłana aktualizacja, która spełniała kryteria kontroli jakości

9 stycznia 2026

Ostatnia weryfikacja

1 stycznia 2026

Więcej informacji

Terminy związane z tym badaniem

Dodatkowe istotne warunki MeSH

Inne numery identyfikacyjne badania

  • VALID-ADENOMA-IN

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 .

Subskrybuj