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

Zarządzanie torbielowatymi zmianami trzustki przy użyciu sztucznej inteligencji na podstawie EUS i danych multimodalnych

5 marca 2026 zaktualizowane przez: Bin Cheng, Huazhong University of Science and Technology

Wielomodalny model sztucznej inteligencji do diagnostyki podtypów i postępowania klinicznego w zmianach torbielowatych trzustki w oparciu o ultrasonografię endoskopową i informacje kliniczne

Głównym celem jest opracowanie multimodalnego modelu sztucznej inteligencji (Cyst-AI) na podstawie obrazów EUS oraz danych klinicznych, takich jak cechy obrazowe (TK lub MRI) i badania laboratoryjne, w celu wsparcia endoskopistów w diagnozowaniu zmian torbielowatych trzustki (PCLs), głównie w różnicowaniu zmian śluzowych od nieszluzowych.

Celem dodatkowym jest ocena skuteczności modelu w stratyfikacji ryzyka i postępowaniu klinicznym u pacjentów z PCLs.

Przegląd badań

Status

Rekrutacyjny

Warunki

Interwencja / Leczenie

Szczegółowy opis

Wraz z rozwojem technologii obrazowania medycznego, wskaźnik wykrywania torbielowatych zmian trzustkowych (PCL) znacząco wzrasta. Chociaż większość torbieli jest łagodna, znaczna ich część ma potencjał do transformacji nowotworowej. Postępowanie kliniczne opiera się na diagnozie i stratyfikacji ryzyka. W przypadku PCL, różne diagnozy i stratyfikacja ryzyka prowadzą do całkowicie odmiennych strategii klinicznych i wyników, które są ściśle związane z jakością życia, obciążeniem ekonomicznym i stresem psychicznym pacjentów. Endoskopowe badanie ultrasonograficzne (EUS) odegrało kluczową rolę w dalszej diagnostyce różnicowej PCL. Sztuczna inteligencja (AI) również wykazała ogromny potencjał w diagnostyce klinicznej i zarządzaniu. Dlatego planujemy retrospektywnie zebrać dane obrazowe EUS pacjentów, badania radiologiczne i laboratoryjne oraz inne informacje kliniczne, aby skonstruować model o nazwie Cyst-AI, który integruje funkcję diagnozy i zarządzania klinicznego, aby wspomagać podejmowanie decyzji klinicznych.

Typ studiów

Obserwacyjny

Zapisy (Szacowany)

500

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

  • Chiny
    • Hubei
      • Wuhan, Hubei, Chiny, 430030
        • Rekrutacyjny
        • Tongji Hospital, Tongji Medical College, Huazhong University of Science and Technology
        • Kontakt:
      • Wuhan, Hubei, Chiny, 430030
        • Jeszcze nie rekrutacja
        • Tongji Hospital, Tongji Medical College, Huazhong University of Science and Technology
        • Kontakt:

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 bez prawdopodobieństwa

Badana populacja

Kohorta zostanie wybrana z kilku szpitali w Chinach, w tym z Szpitala Tongji, Tongji Medical College, HUST.

Opis

Kryteria włączenia:

  • Pacjenci, u których wyniki badania EUS wskazują na torbielowate lub cystoidalne zmiany trzustki;
  • Zmiany śluzowe: w tym śluzowy guz torbielowaty (MCN), śródprzewodowy brodawkowaty guz śluzowy (IPMN);
  • Zmiany nienależące do śluzowych: w tym rzekoma torbiel trzustki, surowiczy guz torbielowaty (SCN), torbielowaty guz neuroendokrynny (cNET).

Kryteria wyłączenia:

  • Pacjenci w wieku poniżej 18 lat;
  • Pacjenci, którzy przeszli operację trzustki przed badaniem EUS;
  • Pacjenci, którzy otrzymali chemioterapię i radioterapię z powodu guzów trzustki przed badaniem EUS;
  • Wyniki patologiczne wskazują, że zmiany trzustki są przerzutami z innych miejsc;
  • Pacjenci, u których brakuje obrazów lub raportów z badania EUS;
  • Jakość obrazu EUS nie spełnia wymagań do przeglądu, np. niewyraźny obraz lub zawierający artefakty, igły biopsyjne, skale pomiarowe lub inne dodatkowe adnotacje, które nie są częścią oryginalnego obrazu EUS;
  • Pacjenci, u których ostateczna diagnoza jest niejasna.

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
Cyst-EUS
Do tej kohorty włączono pacjentów przed 2026 rokiem z obrazami EUS torbielowatych zmian trzustkowych lub zmian o charakterze torbielowatym.
Test diagnostyczny: Model Cyst-AI
Dane zebrane wieloośrodkowo zostaną podzielone na zbiór treningowy, walidacyjny i testowy do opracowania i testowania modelu cyst-AI.

Co mierzy badanie?

Podstawowe miary wyniku

Miara wyniku
Opis środka
Ramy czasowe
Wydajność modelu diagnostycznego w różnicowaniu torbieli rzekomych trzustki śluzowych od nienucynowych
Ramy czasowe: W ciągu 3 miesięcy od zakończenia treningu modelu diagnostycznego.
Wydajność modelu diagnostycznego Cyst-AI zostanie oceniona za pomocą pola pod krzywą charakterystyki odbiorczej (AUC-ROC), przy czym czułość, swoistość, dokładność, wartość predykcyjna dodatnia (PPV) i wartość predykcyjna ujemna (NPV) zostaną obliczone na podstawie predykcji modelu na niezależnym zbiorze danych walidacyjnych. PCLs: torbielowate zmiany trzustkowe.
W ciągu 3 miesięcy od zakończenia treningu modelu diagnostycznego.
Wydajność stratyfikacji ryzyka klinicznego modelu zarządzania śluzowatymi PCL
Ramy czasowe: W ciągu 3 miesięcy od zakończenia szkolenia modelu stratyfikacji ryzyka.
Wydajność modelu stratyfikacji ryzyka Cyst-AI w prawidłowej klasyfikacji zmian na "niskie ryzyko", "średnie ryzyko" i "wysokie ryzyko" będzie oceniana za pomocą pola pod krzywą charakterystyki pracy odbiornika (AUC-ROC), z czułością, swoistością, dokładnością, wartością predykcyjną dodatnią (PPV) i wartością predykcyjną ujemną (NPV) obliczonymi na podstawie prognoz modelu na niezależnym zbiorze danych walidacyjnych. PCLs: torbielowate zmiany trzustkowe.
W ciągu 3 miesięcy od zakończenia szkolenia modelu stratyfikacji ryzyka.

Miary wyników drugorzędnych

Miara wyniku
Opis środka
Ramy czasowe
Wydajność modelu diagnostycznego w różnicowaniu określonych typów PCLs
Ramy czasowe: W ciągu 3 miesięcy od zakończenia szkolenia modelu diagnostycznego.
Wydajność modelu diagnostycznego Cyst-AI zostanie oceniona za pomocą pola pod krzywą charakterystyki pracy odbiornika (AUC-ROC), z czułością, swoistością, dokładnością, wartością predykcyjną dodatnią (PPV) i wartością predykcyjną ujemną (NPV) obliczonymi na podstawie prognoz modelu na niezależnym zbiorze danych walidacyjnych. PCLs: torbielowate zmiany trzustkowe.
W ciągu 3 miesięcy od zakończenia szkolenia modelu diagnostycznego.
Wydajność zarządzania klinicznego modelu zarządzania klinicznego dla śluzowatych PCLs
Ramy czasowe: W ciągu 3 miesięcy od zakończenia szkolenia z modelu zarządzania klinicznego.
Wydajność modelu klinicznego Cyst-AI w zakresie dostarczania dokładnych zaleceń klinicznych będzie oceniana przy użyciu pola pod krzywą charakterystyki pracy odbiornika (AUC-ROC), z czułością, swoistością, dokładnością, dodatnią wartością predykcyjną (PPV) i ujemną wartością predykcyjną (NPV) obliczonymi na podstawie prognoz modelu na niezależnym zbiorze danych walidacyjnych. PCLs: zmiany torbielowate trzustki.
W ciągu 3 miesięcy od zakończenia szkolenia z modelu zarządzania klinicznego.
Wydajność modelu w asystowaniu endoskopistom o różnym poziomie doświadczenia w diagnozowaniu i zarządzaniu PCL
Ramy czasowe: W ciągu 1 miesiąca od zakończenia krzyżowego badania konfrontacyjnego człowiek-maszyna
Wydajność modelu Cyst-AI w asystowaniu endoskopistom będzie oceniana przy użyciu pola pod krzywą charakterystyki odbiorczej (AUC-ROC), z czułością, swoistością, dokładnością, wartością predykcyjną dodatnią (PPV) i wartością predykcyjną ujemną (NPV) obliczonymi na podstawie prognoz modelu na niezależnym zbiorze danych walidacyjnych. PCLs: zmiany torbielowate trzustki.
W ciągu 1 miesiąca od zakończenia krzyżowego badania konfrontacyjnego człowiek-maszyna
Wpływ modelu na proces podejmowania decyzji przez endoskopistów
Ramy czasowe: W ciągu 1 miesiąca od zakończenia badania krzyżowego konfrontacyjnego człowiek-maszyna.
Kwestionariusz dla endoskopistów po ocenie zostanie wykorzystany do oceny stopnia wpływu.
W ciągu 1 miesiąca od zakończenia badania krzyżowego konfrontacyjnego człowiek-maszyna.

Współpracownicy i badacze

Tutaj znajdziesz osoby i organizacje zaangażowane w to badanie.

Sponsor

Huazhong University of Science and Technology

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 2025

Zakończenie podstawowe (Szacowany)

1 kwietnia 2026

Ukończenie studiów (Szacowany)

1 czerwca 2026

Daty rejestracji na studia

Pierwszy przesłany

9 grudnia 2025

Pierwszy przesłany, który spełnia kryteria kontroli jakości

5 marca 2026

Pierwszy wysłany (Rzeczywisty)

11 marca 2026

Aktualizacje rekordów badań

Ostatnia wysłana aktualizacja (Rzeczywisty)

11 marca 2026

Ostatnia przesłana aktualizacja, która spełniała kryteria kontroli jakości

5 marca 2026

Ostatnia weryfikacja

1 marca 2026

Więcej informacji

Terminy związane z tym badaniem

Słowa kluczowe

Dodatkowe istotne warunki MeSH

Inne numery identyfikacyjne badania

  • Cyst-AI 2024

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 Model Cyst-AI

Wyszukaj podobne próby

Sponsorzy i współpracownicy

Warunki medyczne

Interwencje lekowe

CROs by country

CROs in Philippines

Warunki

Rzadkie choroby

Interwencje lekowe

Suplementy diety

Sponsor / Współpracownicy

Lokalizacje

Subskrybuj