Prognostic Prediction of NPC Based on MR Diffusion-weighted Imaging
27 de outubro de 2021 atualizado por: Fifth Affiliated Hospital, Sun Yat-Sen University
Prognostic Prediction of Nasopharyngeal Carcinoma Based on Radiomics Features of MR Diffusion-weighted Imaging
The purpose of this study is to explore whether the imaging model based on RESOLVE-DWI sequence can exploiting the heterogeneity of nasopharyngeal carcinoma and indicate the prognosis, so as to provide intervention information for clinical decision-making.
All patients were randomly divided into the training group and the validation group.
Radiomics features extracted from T2-weighted, DWI, apparent diffusion coefficient (ADC), and contrast- enhanced T1-weighted were used to build a radiomics model.
Patients'clinical variables were also obtained to build a clinical model.
Model of training cohort was established using cross-validation for nasopharyngeal carcinoma prognosis by machine learning, including Logistics Regression, SVM, KNN, Decision Tree, Random Forest, XGBoost, and then, the model will be verified in the validation cohort.
Area under the curve (AUC) of the Machine learning model was used as the main evaluation metric.
Visão geral do estudo
Status
Ativo, não recrutando
Condições
Intervenção / Tratamento
Tipo de estudo
Observacional
Inscrição (Antecipado)
125
Contactos e Locais
Esta seção fornece os detalhes de contato para aqueles que conduzem o estudo e informações sobre onde este estudo está sendo realizado.
Locais de estudo
-
-
Guangdong
-
Zhuhai, Guangdong, China, 519000
- The Fifth Affiliated Hospital of Sun Yat-sen University
-
-
Critérios de participação
Os pesquisadores procuram pessoas que se encaixem em uma determinada descrição, chamada de critérios de elegibilidade. Alguns exemplos desses critérios são a condição geral de saúde de uma pessoa ou tratamentos anteriores.
Critérios de elegibilidade
Idades elegíveis para estudo
- Filho
- Adulto
- Adulto mais velho
Aceita Voluntários Saudáveis
Não
Gêneros Elegíveis para o Estudo
Tudo
Método de amostragem
Amostra Não Probabilística
População do estudo
patient with nasopharyngeal carcinoma
Descrição
Inclusion Criteria:
- patients with nasopharyngeal carcinoma diagnosed by pathology;
- complete clinical data and MR imaging data;
- without radiotherapy, chemotherapy or operation before MR examination.
Exclusion Criteria:
- incomplete follow-up data;
- poor image quality and can not be used for analysis;
- patients with other tumors in the past or at the same time.
Plano de estudo
Esta seção fornece detalhes do plano de estudo, incluindo como o estudo é projetado e o que o estudo está medindo.
Como o estudo é projetado?
Detalhes do projeto
Coortes e Intervenções
Grupo / Coorte |
Intervenção / Tratamento |
|---|---|
|
event group
The patients with nasopharyngeal carcinoma developed distant metastasis or recurrence after standard treatment.
|
The study is a observational study and has no intervention.
|
|
non-event group
The patients with nasopharyngeal carcinoma did not develop distant metastasis or recurrence after standard treatment.
|
The study is a observational study and has no intervention.
|
O que o estudo está medindo?
Medidas de resultados primários
Medida de resultado |
Descrição da medida |
Prazo |
|---|---|---|
|
Calculating AUC of machine learning model based on MR diffusion-weighted imaging to evaluate efficacy for prognosis
Prazo: Before January 2022
|
After building machine learning model based on the features extracted by MR diffusion-weighted imaging of patients with nasopharyngeal carcinoma.
Some measurements will be output from machine learning model such as AUC、F1、Accuracy and so on.
Area under the curve (AUC) of the Machine learning model will be used as the main evaluation metric to evaluate the efficacy of a machine learning model which is used to predict the prognosis of patients with nasopharyngeal carcinoma (NPC).
|
Before January 2022
|
Medidas de resultados secundários
Medida de resultado |
Descrição da medida |
Prazo |
|---|---|---|
|
Comparing AUC of machine learning model based on MR diffusion-weighted imaging and conventional MR sequences for prognosis
Prazo: Before January 2022
|
After separately building machine learning model based on the highly correlated features extracted by MR diffusion-weighted imaging and conventional MR sequences of patients with nasopharyngeal carcinoma.
Some measurements will be output from the machine learning models such as AUC、F1、Accuracy and so on.
Area under the curve (AUC) of the Machine learning model will be used as the main evaluation metric to study if the prediction efficiency of the machine learning model based on the highly correlated features extracted by MR diffusion weighted imaging imaging is better than that of conventional MR sequences.
|
Before January 2022
|
|
Calculating AUC of machine learning model based on MR diffusion-weighted imaging combinated with conventional MR sequence to evaluate efficacy for prognosis
Prazo: Before January 2022
|
Fianlly, we build a machine learning model based on MR diffusion-weighted imaging combinated with conventional MR sequences from patients with nasopharyngeal carcinoma.
Some measurements will be output from the machine learning models such as AUC、F1、Accuracy and so on.
Area under the curve (AUC) of the Machine learning model will be used as the main evaluation metric to explore whether the machine learning model established by imaging features of MR diffusion-weighted imaging and conventional MR sequence has best prediction efficiency comparing with the models mentioned above.
|
Before January 2022
|
Colaboradores e Investigadores
É aqui que você encontrará pessoas e organizações envolvidas com este estudo.
Patrocinador
Datas de registro do estudo
Essas datas acompanham o progresso do registro do estudo e os envios de resumo dos resultados para ClinicalTrials.gov. Os registros do estudo e os resultados relatados são revisados pela National Library of Medicine (NLM) para garantir que atendam aos padrões específicos de controle de qualidade antes de serem publicados no site público.
Datas Principais do Estudo
Início do estudo (Real)
1 de junho de 2021
Conclusão Primária (Antecipado)
1 de março de 2022
Conclusão do estudo (Antecipado)
1 de junho de 2022
Datas de inscrição no estudo
Enviado pela primeira vez
17 de outubro de 2021
Enviado pela primeira vez que atendeu aos critérios de CQ
27 de outubro de 2021
Primeira postagem (Real)
9 de novembro de 2021
Atualizações de registro de estudo
Última Atualização Postada (Real)
9 de novembro de 2021
Última atualização enviada que atendeu aos critérios de controle de qualidade
27 de outubro de 2021
Última verificação
1 de outubro de 2021
Mais Informações
Termos relacionados a este estudo
Termos MeSH relevantes adicionais
- Neoplasias por Tipo Histológico
- Neoplasias
- Neoplasias por local
- Neoplasias Glandulares e Epiteliais
- Neoplasias faríngeas
- Neoplasias Otorrinolaringológicas
- Neoplasias de Cabeça e Pescoço
- Doenças Nasofaríngeas
- Doenças Faríngeas
- Doenças estomatognáticas
- Doenças Otorrinolaringológicas
- Neoplasias Nasofaríngeas
- Carcinoma
- Carcinoma nasofaringeal
Outros números de identificação do estudo
- ZDWY.HYXK.003
Informações sobre medicamentos e dispositivos, documentos de estudo
Estuda um medicamento regulamentado pela FDA dos EUA
Não
Estuda um produto de dispositivo regulamentado pela FDA dos EUA
Não
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 .