Previsão de Câncer Gástrico em Metaplasia Intestinal e Gastrite Atrófica (GIMA)
Predição de Câncer Gástrico em Metaplasia Intestinal e Gastrite Atrófica - Aplicação de Inteligência Artificial em Histologia e Dados Clínicos
Os objetivos primordiais deste estudo são:
- Identificar fatores clínicos ou histológicos associados ao desenvolvimento de câncer gástrico em pacientes com IM e AG
- Estabelecer um algoritmo de aprendizado de máquina para prever riscos futuros de câncer gástrico e estratificação de risco individual em pacientes com IM e AG
Visão geral do estudo
Status
Descrição detalhada
Este é um estudo retrospectivo em duas partes, incluindo uma parte de dados clínicos e uma parte de patologia. Uma coorte de treinamento será desenvolvida a partir de aproximadamente 70% dos casos incluídos. Seguir-se-á uma coorte de validação com os restantes casos.
Os dados clínicos serão coletados retrospectivamente usando o Sistema de Análise e Relatório de Dados Clínicos (CDARS) e o Sistema de Gerenciamento Clínico (CMS). Uma coorte de cluster (New Territories East Cluster, NTEC) consistindo de pacientes com história de IM e AG gástrica comprovada histologicamente será identificada e incluída para análise subsequente. O período de coleta de dados para os dados retrospectivos será 2000-2020.
As lâminas de histologia serão recuperadas retrospectivamente quando disponíveis (no NTEC). A técnica de imagem de lâmina inteira será utilizada para o desenvolvimento de coortes de treinamento e validação com algoritmos de aprendizado de máquina na parte de patologia.
Tipo de estudo
Inscrição (Estimado)
Contactos e Locais
Contato de estudo
- Nome: Felix Sia
- Número de telefone: +85226370428
- E-mail: felix.sia@cuhk.edu.hk
Estude backup de contato
- Nome: Thomas Lam
- Número de telefone: +85226370428
- E-mail: thomas.lam@cuhk.edu.hk
Locais de estudo
-
-
New Territories
-
Shatin, New Territories, Hong Kong
- Recrutamento
- Prince of Wales Hospital
-
-
Critérios de participação
Critérios de elegibilidade
Idades elegíveis para estudo
Aceita Voluntários Saudáveis
Método de amostragem
População do estudo
Os dados clínicos serão coletados retrospectivamente usando o Sistema de Análise e Relatório de Dados Clínicos (CDARS) e o Sistema de Gerenciamento Clínico (CMS). Uma coorte de cluster (New Territories East Cluster, NTEC) consistindo de pacientes com história de IM e AG gástrica comprovada histologicamente será identificada e incluída para análise subsequente. O período de coleta de dados para os dados retrospectivos será 2000-2020.
As lâminas de histologia serão recuperadas retrospectivamente quando disponíveis (no NTEC). A técnica de imagem de lâmina inteira será utilizada para o desenvolvimento de coortes de treinamento e validação com algoritmos de aprendizado de máquina na parte de patologia.
Descrição
Critério de inclusão:
- Adultos >= 18 anos de idade
- Gastrite atrófica comprovada histologicamente ou metaplasia intestinal (no antro e/ou corpo e/ou angular do estômago)
Critério de exclusão:
- nenhum
Plano de estudo
Como o estudo é projetado?
Detalhes do projeto
Coortes e Intervenções
Grupo / Coorte |
|---|
|
Metaplasia Intestinal
paciente com histórico de metaplasia intestinal gástrica comprovada histologicamente
|
|
Gastrite atrófica
paciente com histórico de gastrite atrófica comprovada histologicamente
|
O que o estudo está medindo?
Medidas de resultados primários
Medida de resultado |
Descrição da medida |
Prazo |
|---|---|---|
|
Câncer Gástrico e Displasia Gástrica
Prazo: 20 anos
|
O endpoint primário é a incidência de câncer gástrico (tipo intestinal) e displasia gástrica (displasia de baixo e alto grau).
|
20 anos
|
Medidas de resultados secundários
Medida de resultado |
Descrição da medida |
Prazo |
|---|---|---|
|
Precisão geral do modelo de aprendizado de máquina
Prazo: 20 anos
|
A precisão geral dos modelos de aprendizado de máquina será avaliada
|
20 anos
|
|
Sensibilidade do modelo de aprendizado de máquina
Prazo: 20 anos
|
A sensibilidade do modelo de aprendizado de máquina será avaliada
|
20 anos
|
|
Especificidade do modelo de aprendizado de máquina
Prazo: 20 anos
|
A especificidade do modelo de aprendizado de máquina será avaliada
|
20 anos
|
|
Valor preditivo positivo do modelo de aprendizado de máquina
Prazo: 20 anos
|
O valor preditivo positivo do modelo de aprendizado de máquina será avaliado
|
20 anos
|
|
Valor preditivo negativo do modelo de aprendizado de máquina
Prazo: 20 anos
|
O valor preditivo negativo do modelo de aprendizado de máquina será avaliado
|
20 anos
|
|
Área sob a curva característica de operação do receptor do modelo de aprendizado de máquina
Prazo: 20 anos
|
A área sob a curva característica de operação do receptor do modelo de aprendizado de máquina será avaliada
|
20 anos
|
Colaboradores e Investigadores
Patrocinador
Datas de registro do estudo
Datas Principais do Estudo
Início do estudo (Real)
Conclusão Primária (Estimado)
Conclusão do estudo (Estimado)
Datas de inscrição no estudo
Enviado pela primeira vez
Enviado pela primeira vez que atendeu aos critérios de CQ
Primeira postagem (Real)
Atualizações de registro de estudo
Última Atualização Postada (Real)
Última atualização enviada que atendeu aos critérios de controle de qualidade
Última verificação
Mais Informações
Termos relacionados a este estudo
Palavras-chave
Termos MeSH relevantes adicionais
- Doenças do aparelho digestivo
- Processos Patológicos
- Neoplasias
- Neoplasias por local
- Neoplasias gastrointestinais
- Neoplasias do Aparelho Digestivo
- Doenças Gastrointestinais
- Doenças do Estômago
- Gastroenterite
- Condições Patológicas, Anatômicas
- Neoplasias do Estômago
- Gastrite
- Atrofia
- Metaplasia
- Gastrite Atrófica
Outros números de identificação do estudo
- 2021.082
Plano para dados de participantes individuais (IPD)
Planeja compartilhar dados de participantes individuais (IPD)?
Descrição do plano IPD
Informações sobre medicamentos e dispositivos, documentos de estudo
Estuda um medicamento regulamentado pela FDA dos EUA
Estuda um produto de dispositivo regulamentado pela FDA dos EUA
Essas informações foram obtidas diretamente do site clinicaltrials.gov sem nenhuma alteração. Se você tiver alguma solicitação para alterar, remover ou atualizar os detalhes do seu estudo, entre em contato com register@clinicaltrials.gov. Assim que uma alteração for implementada em clinicaltrials.gov, ela também será atualizada automaticamente em nosso site .