- ICH GCP
- Registro de ensaios clínicos dos EUA
- Ensaio Clínico NCT06108310
RAdiogenômica baseada em inteligência artificial em tumores de cólon (ATTRACT)
ATTRACT - RAdiogenômica baseada em inteligência artificial em tumores de cólon
O objetivo deste ensaio clínico é desenvolver um modelo baseado em inteligência artificial para avaliar a assinatura radiogenômica do tumor de cólon em pacientes com câncer de cólon em estágio II-III. A principal questão que pretende responder é:
• Será que um algoritmo baseado em inteligência artificial de características radiômicas combinado com fatores clínicos, biomarcadores bioquímicos e dados genômicos pode reconhecer o comportamento, a agressividade e o prognóstico do tumor, identificando uma assinatura radiogenômica do tumor?
Os participantes irão
- submeter-se a um exame pré-operatório de tomografia computadorizada com contraste;
- submeter-se à excisão cirúrgica do câncer de cólon
- submeter-se a terapia adjuvante se considerado necessário com base nas diretrizes atuais
Visão geral do estudo
Status
Descrição detalhada
O estudo ATTRACT consiste em uma parte retrospectiva e uma parte prospectiva. Na parte retrospectiva do estudo, dados radiológicos, patológicos e genômicos de 300 pacientes com câncer de cólon em estágio II-III serão usados para identificar as características genéticas e radiômicas dos tumores de cólon e os desfechos clínicos como resultados do modelo preditivo.
Os tumores serão segmentados manualmente em imagens de tomografia computadorizada e utilizados para geração de modelo de IA (inteligência artificial). As anotações patológicas serão associadas aos perfis anonimizados correspondentes. A imunohistoquímica será usada para classificar as amostras nos 4 subtipos moleculares de acordo. Perfis de RNA-seq também serão gerados a partir de amostras de tecido por meio de transcriptômica direcionada usando painéis NGS (sequenciamento de próxima geração) personalizados projetados especificamente para avaliar a expressão gênica e avaliar a carga mutacional tumoral (TMB). Os dados brutos serão processados e modelados usando Análise de Via Topológica para estratificar os pacientes de acordo com as características moleculares relevantes e definir anotações moleculares que serão usadas para treinar o modelo para a identificação de grupos específicos clinicamente relevantes. Dados brutos juntamente com dados radiológicos serão usados para gerar e treinar os modelos de IA para a segmentação automatizada e a extração da assinatura radiogenômica.
As características radiômicas serão extraídas de tumores segmentados manualmente. Serão usadas ferramentas PyRadiomics padrão, bem como ferramentas personalizadas. A robustez dos recursos será garantida selecionando apenas aqueles com alta correlação estatística entre observadores. Serão geradas duas famílias de modelos de IA, uma família dedicada à segmentação e outra dedicada à fenotipagem baseada em radiogenômica de acordo com os dados clínicos, de biologia molecular e patológicos disponíveis. As duas famílias serão fundidas para a criação do modelo ATTRACT AI. Para a geração desses modelos serão aplicadas arquiteturas específicas de redes neurais convolucionais (CNN) baseadas em aprendizagem profunda (DL) e Inteligência Artificial como UNet e MaskNet. O treinamento será realizado utilizando segmentações manuais de ROI (região de interesse) como base. Para a geração de modelos de análise radiogenômica, as características radiômicas e genômicas serão combinadas usando diferentes algoritmos multivariados. O classificatório será treinado para reconhecer os subtipos de câncer e desfechos clínicos.
Na parte prospectiva do estudo, pacientes com câncer de cólon em estágio II-III serão recrutados e serão submetidos a um exame de tomografia computadorizada com contraste pré-operatório. A taxa de recrutamento será de 70 pacientes por ano, para um total de 210 pacientes. Após a TC pré-operatória, a cirurgia será realizada de acordo com protocolos padrão internacionais. Eventualmente, a terapia adjuvante será considerada seguindo as diretrizes atuais. A amostra patológica da inscrição prospectiva será analisada. Primeiro, com dados de RNA-seq, TMB (de genes codificadores) e dados clínicos, os pacientes serão agrupados fazendo uso de duas técnicas diferentes, algoritmo Markov Cluster (MCL) e t-SNE (incorporação estocástica de vizinho distribuída em t), Multi- Clustering de rede em camadas. Os pacientes serão representados como nós de uma rede, as arestas entre os nós serão ponderadas e delimitadas de acordo com a Similaridade de Jaccard. A similaridade será calculada com base na expressão gênica, TMB e informações de perturbação provenientes da análise de vias topológicas. Os resultados do agrupamento serão comparados com os provenientes da imunohistoquímica. Dados de acompanhamento clínico (ou seja, resultado da terapia, etc...) serão, uma vez disponíveis, também conectados ao fluxo de trabalho para reforçar o aprendizado. O conhecimento extraído será utilizado para anotar o conjunto de dados utilizado para treinar e validar a classificação radiômica. A amostra bruta será analisada a fim de extrair diferentes subtipos moleculares transcriptômicos (CMS1, CMS2, CMS3, CMS4) de acordo com o Consórcio de Subtipagem de Câncer Colorretal (CRC) (CRCSC) avaliando a presença ou ausência de padrões de subtipos centrais entre os genes existentes expressão- algoritmos de subtipagem CRC baseados. A conformidade entre o perfil molecular patológico e a análise de ctDNA durante o protocolo estará relacionada à classificação radiômica, a fim de fornecer um novo modelo de abordagem diagnóstica completa no tratamento e vigilância do CRC.
Dados prospectivos serão usados para validar os modelos de IA. Para os modelos de segmentação, o Coeficiente de Dados será utilizado como indicador para medir o grau de sobreposição entre a segmentação automatizada e a segmentação especializada. Para o modelo radiogenômico, o desempenho será avaliado por meio de precisão, integral sob a curva do operador do receptor (ROC-AUC) e curva de decisão clínica. Os investigadores também levarão em consideração, para selecionar os melhores modelos de IA, a resposta à variação das características de entrada e produzirão mapas de saliência onde serão destacadas as características da imagem de entrada que mais contribuíram para a classificação.
A avaliação clínica será realizada a cada 6 meses durante 2 anos, incluindo testes séricos regulares de CEA (antígeno carcinoembrionário) e TC de corpo inteiro a cada 6-12 meses em pacientes com maior risco de recorrência nos primeiros 3 anos após ESMO (Europeia). Diretrizes da Society for Medical Oncology). A sobrevida livre de doença (DFS) e a sobrevida livre de recidiva (RFS) serão calculadas.
Tipo de estudo
Inscrição (Estimado)
Contactos e Locais
Contato de estudo
- Nome: Andrea Laghi, MD
- Número de telefone: +390633775285
- E-mail: andrea.laghi@uniroma1.it
Locais de estudo
-
-
RM
-
Roma, RM, Itália, 00189
- Recrutamento
- AOU Sant'Andrea
-
Contato:
- Andrea Laghi, MD
- Número de telefone: +390633775285
- E-mail: andrea.laghi@uniroma1.it
-
-
Critérios de participação
Critérios de elegibilidade
Idades elegíveis para estudo
- Adulto
- Adulto mais velho
Aceita Voluntários Saudáveis
Método de amostragem
População do estudo
A fase de treinamento consistirá em uma seleção retrospectiva de trezentos pacientes com câncer de cólon em estágio II e III patologicamente comprovado de um banco de dados institucional.
O teste e a validação consistirão em uma coleta prospectiva de dados de uma nova população de pacientes. O recrutamento dos pacientes será realizado pela Unidade Oncológica e Unidade de Cirurgia do Hospital Sant'Andrea - Universidade Sapienza de Roma. A patologia e a genômica serão extraídas da amostra obtida durante a cirurgia e amostras de sangue para análise de ctDNA serão coletadas antes e durante visitas de quimioterapia/acompanhamento (dentro de 30 dias após a cirurgia colorretal, após 3 e depois a cada 6 meses)
Descrição
Critério de inclusão:
- pacientes com câncer de cólon em estágio II e III patologicamente comprovado;
- disponibilidade de tomografia computadorizada com fase portal-venosa no momento do diagnóstico;
- disponibilidade de painel imuno-histoquímico
Critério de exclusão:
- pacientes sem imagens de TC antes da ressecção cirúrgica;
- pacientes com tomografia computadorizada caracterizada por artefatos de movimento que impedem a análise radiômica
Plano de estudo
Como o estudo é projetado?
Detalhes do projeto
O que o estudo está medindo?
Medidas de resultados primários
Medida de resultado |
Prazo |
---|---|
Identificação da assinatura radiogenômica (modelo ATTRACT AI) de tumores de cólon em estágio II-III
Prazo: De janeiro de 2021 a dezembro de 2023
|
De janeiro de 2021 a dezembro de 2023
|
Medidas de resultados secundários
Medida de resultado |
Prazo |
---|---|
Correlação da assinatura radiogenômica (modelo ATTRACT AI) do câncer de cólon com resultados clínicos (DFS e RFS)
Prazo: De janeiro de 2024 a dezembro de 2025
|
De janeiro de 2024 a dezembro de 2025
|
Colaboradores e Investigadores
Patrocinador
Colaboradores
Investigadores
- Investigador principal: Andrea Laghi, MD, University of Roma La Sapienza
Publicações e links úteis
Publicações Gerais
- Bettegowda C, Sausen M, Leary RJ, Kinde I, Wang Y, Agrawal N, Bartlett BR, Wang H, Luber B, Alani RM, Antonarakis ES, Azad NS, Bardelli A, Brem H, Cameron JL, Lee CC, Fecher LA, Gallia GL, Gibbs P, Le D, Giuntoli RL, Goggins M, Hogarty MD, Holdhoff M, Hong SM, Jiao Y, Juhl HH, Kim JJ, Siravegna G, Laheru DA, Lauricella C, Lim M, Lipson EJ, Marie SK, Netto GJ, Oliner KS, Olivi A, Olsson L, Riggins GJ, Sartore-Bianchi A, Schmidt K, Shih lM, Oba-Shinjo SM, Siena S, Theodorescu D, Tie J, Harkins TT, Veronese S, Wang TL, Weingart JD, Wolfgang CL, Wood LD, Xing D, Hruban RH, Wu J, Allen PJ, Schmidt CM, Choti MA, Velculescu VE, Kinzler KW, Vogelstein B, Papadopoulos N, Diaz LA Jr. Detection of circulating tumor DNA in early- and late-stage human malignancies. Sci Transl Med. 2014 Feb 19;6(224):224ra24. doi: 10.1126/scitranslmed.3007094.
- Shen TL, Fu XL. [Application and prospect of artificial intelligence in cancer diagnosis and treatment]. Zhonghua Zhong Liu Za Zhi. 2018 Dec 23;40(12):881-884. doi: 10.3760/cma.j.issn.0253-3766.2018.12.001. Chinese.
- Kantarjian H, Yu PP. Artificial Intelligence, Big Data, and Cancer. JAMA Oncol. 2015 Aug;1(5):573-4. doi: 10.1001/jamaoncol.2015.1203. No abstract available.
- Miller KD, Siegel RL, Lin CC, Mariotto AB, Kramer JL, Rowland JH, Stein KD, Alteri R, Jemal A. Cancer treatment and survivorship statistics, 2016. CA Cancer J Clin. 2016 Jul;66(4):271-89. doi: 10.3322/caac.21349. Epub 2016 Jun 2.
- Guinney J, Dienstmann R, Wang X, de Reynies A, Schlicker A, Soneson C, Marisa L, Roepman P, Nyamundanda G, Angelino P, Bot BM, Morris JS, Simon IM, Gerster S, Fessler E, De Sousa E Melo F, Missiaglia E, Ramay H, Barras D, Homicsko K, Maru D, Manyam GC, Broom B, Boige V, Perez-Villamil B, Laderas T, Salazar R, Gray JW, Hanahan D, Tabernero J, Bernards R, Friend SH, Laurent-Puig P, Medema JP, Sadanandam A, Wessels L, Delorenzi M, Kopetz S, Vermeulen L, Tejpar S. The consensus molecular subtypes of colorectal cancer. Nat Med. 2015 Nov;21(11):1350-6. doi: 10.1038/nm.3967. Epub 2015 Oct 12.
- Gillies RJ, Kinahan PE, Hricak H. Radiomics: Images Are More than Pictures, They Are Data. Radiology. 2016 Feb;278(2):563-77. doi: 10.1148/radiol.2015151169. Epub 2015 Nov 18.
- Sun R, Limkin EJ, Vakalopoulou M, Dercle L, Champiat S, Han SR, Verlingue L, Brandao D, Lancia A, Ammari S, Hollebecque A, Scoazec JY, Marabelle A, Massard C, Soria JC, Robert C, Paragios N, Deutsch E, Ferte C. A radiomics approach to assess tumour-infiltrating CD8 cells and response to anti-PD-1 or anti-PD-L1 immunotherapy: an imaging biomarker, retrospective multicohort study. Lancet Oncol. 2018 Sep;19(9):1180-1191. doi: 10.1016/S1470-2045(18)30413-3. Epub 2018 Aug 14.
- Lambin P, Leijenaar RTH, Deist TM, Peerlings J, de Jong EEC, van Timmeren J, Sanduleanu S, Larue RTHM, Even AJG, Jochems A, van Wijk Y, Woodruff H, van Soest J, Lustberg T, Roelofs E, van Elmpt W, Dekker A, Mottaghy FM, Wildberger JE, Walsh S. Radiomics: the bridge between medical imaging and personalized medicine. Nat Rev Clin Oncol. 2017 Dec;14(12):749-762. doi: 10.1038/nrclinonc.2017.141. Epub 2017 Oct 4.
- Glynne-Jones R, Wyrwicz L, Tiret E, Brown G, Rodel C, Cervantes A, Arnold D; ESMO Guidelines Committee. Rectal cancer: ESMO Clinical Practice Guidelines for diagnosis, treatment and follow-up. Ann Oncol. 2017 Jul 1;28(suppl_4):iv22-iv40. doi: 10.1093/annonc/mdx224. No abstract available. Erratum In: Ann Oncol. 2018 Oct 1;29(Suppl 4):iv263.
- Merker JD, Oxnard GR, Compton C, Diehn M, Hurley P, Lazar AJ, Lindeman N, Lockwood CM, Rai AJ, Schilsky RL, Tsimberidou AM, Vasalos P, Billman BL, Oliver TK, Bruinooge SS, Hayes DF, Turner NC. Circulating Tumor DNA Analysis in Patients With Cancer: American Society of Clinical Oncology and College of American Pathologists Joint Review. J Clin Oncol. 2018 Jun 1;36(16):1631-1641. doi: 10.1200/JCO.2017.76.8671. Epub 2018 Mar 5.
- Bosman FT. Tumor Heterogeneity: Will It Change What Pathologists Do. Pathobiology. 2018;85(1-2):18-22. doi: 10.1159/000469664. Epub 2017 May 9.
- Chakraborty S, Hosen MI, Ahmed M, Shekhar HU. Onco-Multi-OMICS Approach: A New Frontier in Cancer Research. Biomed Res Int. 2018 Oct 3;2018:9836256. doi: 10.1155/2018/9836256. eCollection 2018.
- Chen S, Zhang N, Shao J, Wang T, Wang X. Multi-omics Perspective on the Tumor Microenvironment based on PD-L1 and CD8 T-Cell Infiltration in Urothelial Cancer. J Cancer. 2019 Jan 1;10(3):697-707. doi: 10.7150/jca.28494. eCollection 2019.
- Hondermarck, H., Cancer Omics: A Special Issue to Highlight Where We Are Heading. Proteomics, 2018. 18(24): p. e180038
- Huang L, Brunell D, Stephan C, Mancuso J, Yu X, He B, Thompson TC, Zinner R, Kim J, Davies P, Wong STC. Driver network as a biomarker: systematic integration and network modeling of multi-omics data to derive driver signaling pathways for drug combination prediction. Bioinformatics. 2019 Oct 1;35(19):3709-3717. doi: 10.1093/bioinformatics/btz109.
- Long NP, Jung KH, Anh NH, Yan HH, Nghi TD, Park S, Yoon SJ, Min JE, Kim HM, Lim JH, Kim JM, Lim J, Lee S, Hong SS, Kwon SW. An Integrative Data Mining and Omics-Based Translational Model for the Identification and Validation of Oncogenic Biomarkers of Pancreatic Cancer. Cancers (Basel). 2019 Jan 29;11(2):155. doi: 10.3390/cancers11020155.
- Dienstmann R, Vermeulen L, Guinney J, Kopetz S, Tejpar S, Tabernero J. Consensus molecular subtypes and the evolution of precision medicine in colorectal cancer. Nat Rev Cancer. 2017 Feb;17(2):79-92. doi: 10.1038/nrc.2016.126. Epub 2017 Jan 4. Erratum In: Nat Rev Cancer. 2017 Mar 23;17 (4):268.
- Dunne PD, O'Reilly PG, Coleman HG, Gray RT, Longley DB, Johnston PG, Salto-Tellez M, Lawler M, McArt DG. Stratified analysis reveals chemokine-like factor (CKLF) as a potential prognostic marker in the MSI-immune consensus molecular subtype CMS1 of colorectal cancer. Oncotarget. 2016 Jun 14;7(24):36632-36644. doi: 10.18632/oncotarget.9126.
- Roseweir AK, McMillan DC, Horgan PG, Edwards J. Colorectal cancer subtypes: Translation to routine clinical pathology. Cancer Treat Rev. 2017 Jun;57:1-7. doi: 10.1016/j.ctrv.2017.04.006. Epub 2017 May 4.
- Thanki K, Nicholls ME, Gajjar A, Senagore AJ, Qiu S, Szabo C, Hellmich MR, Chao C. Consensus Molecular Subtypes of Colorectal Cancer and their Clinical Implications. Int Biol Biomed J. 2017 Summer;3(3):105-111. Epub 2017 Jun 13.
- Wang W, Kandimalla R, Huang H, Zhu L, Li Y, Gao F, Goel A, Wang X. Molecular subtyping of colorectal cancer: Recent progress, new challenges and emerging opportunities. Semin Cancer Biol. 2019 Apr;55:37-52. doi: 10.1016/j.semcancer.2018.05.002. Epub 2018 May 18.
- Horvat N, Veeraraghavan H, Khan M, Blazic I, Zheng J, Capanu M, Sala E, Garcia-Aguilar J, Gollub MJ, Petkovska I. MR Imaging of Rectal Cancer: Radiomics Analysis to Assess Treatment Response after Neoadjuvant Therapy. Radiology. 2018 Jun;287(3):833-843. doi: 10.1148/radiol.2018172300. Epub 2018 Mar 7.
- Pinker K, Chin J, Melsaether AN, Morris EA, Moy L. Precision Medicine and Radiogenomics in Breast Cancer: New Approaches toward Diagnosis and Treatment. Radiology. 2018 Jun;287(3):732-747. doi: 10.1148/radiol.2018172171.
- Cozzi L, Comito T, Fogliata A, Franzese C, Franceschini D, Bonifacio C, Tozzi A, Di Brina L, Clerici E, Tomatis S, Reggiori G, Lobefalo F, Stravato A, Mancosu P, Zerbi A, Sollini M, Kirienko M, Chiti A, Scorsetti M. Computed tomography based radiomic signature as predictive of survival and local control after stereotactic body radiation therapy in pancreatic carcinoma. PLoS One. 2019 Jan 18;14(1):e0210758. doi: 10.1371/journal.pone.0210758. eCollection 2019.
- Diamant A, Chatterjee A, Vallieres M, Shenouda G, Seuntjens J. Deep learning in head & neck cancer outcome prediction. Sci Rep. 2019 Feb 26;9(1):2764. doi: 10.1038/s41598-019-39206-1.
- Li S, Wang K, Hou Z, Yang J, Ren W, Gao S, Meng F, Wu P, Liu B, Liu J, Yan J. Use of Radiomics Combined With Machine Learning Method in the Recurrence Patterns After Intensity-Modulated Radiotherapy for Nasopharyngeal Carcinoma: A Preliminary Study. Front Oncol. 2018 Dec 21;8:648. doi: 10.3389/fonc.2018.00648. eCollection 2018.
- Neri E, Del Re M, Paiar F, Erba P, Cocuzza P, Regge D, Danesi R. Radiomics and liquid biopsy in oncology: the holons of systems medicine. Insights Imaging. 2018 Dec;9(6):915-924. doi: 10.1007/s13244-018-0657-7. Epub 2018 Nov 14.
- Rizzo S, Botta F, Raimondi S, Origgi D, Fanciullo C, Morganti AG, Bellomi M. Radiomics: the facts and the challenges of image analysis. Eur Radiol Exp. 2018 Nov 14;2(1):36. doi: 10.1186/s41747-018-0068-z.
- Lo CM, Iqbal U, Li YJ. Cancer quantification from data mining to artificial intelligence. Comput Methods Programs Biomed. 2017 Jul;145:A1. doi: 10.1016/S0169-2607(17)30594-1. No abstract available.
- Mayo RC, Leung J. Artificial intelligence and deep learning - Radiology's next frontier? Clin Imaging. 2018 May-Jun;49:87-88. doi: 10.1016/j.clinimag.2017.11.007. Epub 2017 Nov 16.
- Azuaje F. Artificial intelligence for precision oncology: beyond patient stratification. NPJ Precis Oncol. 2019 Feb 25;3:6. doi: 10.1038/s41698-019-0078-1. eCollection 2019.
- Liang C, Huang Y, He L, Chen X, Ma Z, Dong D, Tian J, Liang C, Liu Z. The development and validation of a CT-based radiomics signature for the preoperative discrimination of stage I-II and stage III-IV colorectal cancer. Oncotarget. 2016 May 24;7(21):31401-12. doi: 10.18632/oncotarget.8919.
- Bibault JE, Giraud P, Housset M, Durdux C, Taieb J, Berger A, Coriat R, Chaussade S, Dousset B, Nordlinger B, Burgun A. Deep Learning and Radiomics predict complete response after neo-adjuvant chemoradiation for locally advanced rectal cancer. Sci Rep. 2018 Aug 22;8(1):12611. doi: 10.1038/s41598-018-30657-6. Erratum In: Sci Rep. 2018 Nov 12;8(1):16914.
- Park BW, Kim JK, Heo C, Park KJ. Reliability of CT radiomic features reflecting tumour heterogeneity according to image quality and image processing parameters. Sci Rep. 2020 Mar 2;10(1):3852. doi: 10.1038/s41598-020-60868-9.
- Soomro MH, Coppotelli M, Conforto S, Schmid M, Giunta G, Del Secco L, Neri E, Caruso D, Rengo M, Laghi A. Automated Segmentation of Colorectal Tumor in 3D MRI Using 3D Multiscale Densely Connected Convolutional Neural Network. J Healthc Eng. 2019 Jan 31;2019:1075434. doi: 10.1155/2019/1075434. eCollection 2019.
- Lenchik L, Heacock L, Weaver AA, Boutin RD, Cook TS, Itri J, Filippi CG, Gullapalli RP, Lee J, Zagurovskaya M, Retson T, Godwin K, Nicholson J, Narayana PA. Automated Segmentation of Tissues Using CT and MRI: A Systematic Review. Acad Radiol. 2019 Dec;26(12):1695-1706. doi: 10.1016/j.acra.2019.07.006. Epub 2019 Aug 10.
- Caruso D, Zerunian M, Ciolina M, de Santis D, Rengo M, Soomro MH, Giunta G, Conforto S, Schmid M, Neri E, Laghi A. Haralick's texture features for the prediction of response to therapy in colorectal cancer: a preliminary study. Radiol Med. 2018 Mar;123(3):161-167. doi: 10.1007/s11547-017-0833-8. Epub 2017 Nov 8.
- Ferrari R, Mancini-Terracciano C, Voena C, Rengo M, Zerunian M, Ciardiello A, Grasso S, Mare' V, Paramatti R, Russomando A, Santacesaria R, Satta A, Solfaroli Camillocci E, Faccini R, Laghi A. MR-based artificial intelligence model to assess response to therapy in locally advanced rectal cancer. Eur J Radiol. 2019 Sep;118:1-9. doi: 10.1016/j.ejrad.2019.06.013. Epub 2019 Jun 22.
- Horvat N, Bates DDB, Petkovska I. Novel imaging techniques of rectal cancer: what do radiomics and radiogenomics have to offer? A literature review. Abdom Radiol (NY). 2019 Nov;44(11):3764-3774. doi: 10.1007/s00261-019-02042-y.
- Trinh A, Trumpi K, De Sousa E Melo F, Wang X, de Jong JH, Fessler E, Kuppen PJ, Reimers MS, Swets M, Koopman M, Nagtegaal ID, Jansen M, Hooijer GK, Offerhaus GJ, Kranenburg O, Punt CJ, Medema JP, Markowetz F, Vermeulen L. Practical and Robust Identification of Molecular Subtypes in Colorectal Cancer by Immunohistochemistry. Clin Cancer Res. 2017 Jan 15;23(2):387-398. doi: 10.1158/1078-0432.CCR-16-0680. Epub 2016 Jul 26.
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
Termos MeSH relevantes adicionais
Outros números de identificação do estudo
- IG24974
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 .
Ensaios clínicos em Câncer de cólon estágio II
-
City of Hope Medical CenterNational Cancer Institute (NCI); Hope FoundationConcluídoSobrevivente de cancer | Câncer retossigmóide estágio I | Câncer retossigmóide estágio II | Câncer retossigmóide estágio IIIEstados Unidos
-
Technische Universität DresdenRecrutamentoCâncer de cólon estágio IIAlemanha
-
Vaccinogen IncDesconhecidoCâncer de cólon estágio IIEstados Unidos
-
Austrian Breast & Colorectal Cancer Study GroupConcluídoCâncer de cólon estágio IIÁustria
-
National Cancer Institute, NaplesConcluídoCâncer de cólon estágio II/IIIItália
-
Asahi Kasei Pharma CorporationConcluídoCâncer de cólon pós-operatório estágio II/IIIJapão
-
Shanghai General Hospital, Shanghai Jiao Tong University...Ainda não está recrutandoQuimioterapia Adjuvante | Câncer de cólon estágio II
-
Centre Hospitalier Universitaire DijonRecrutamentoPacientes com câncer de cólon em estágio II ressecadoFrança
-
Sohag UniversityAtivo, não recrutandoCâncer de cólon estágio II | Câncer de cólon estágio IEgito
-
National Cancer Institute (NCI)ConcluídoCâncer de cólon estágio II | Câncer de cólon estágio IIIEstados Unidos