Esta página foi traduzida automaticamente e a precisão da tradução não é garantida. Por favor, consulte o versão em inglês para um texto fonte.

Aprendizado de máquina para prever metástase de linfonodo no carcinoma espinocelular esofágico T1

9 de fevereiro de 2024 atualizado por: Shanghai Zhongshan Hospital

Aprendizado de máquina para prever metástase de linfonodo no carcinoma espinocelular esofágico T1: um estudo multicêntrico

Os modelos existentes têm um desempenho ruim quando se trata de quantificar o risco de metástases linfonodais (LNM). Este estudo gerou regressão líquida elástica (ELR), floresta aleatória (RF), reforço de gradiente extremo (XGB) e um modelo combinado (ensemble) destes para LNM em pacientes com carcinoma espinocelular de esôfago T1.

Visão geral do estudo

Status

Concluído

Intervenção / Tratamento

Descrição detalhada

As metástases linfonodais (LNM) são uma complicação relativamente incomum, mas possível, do carcinoma espinocelular do esôfago T1 (ESCC). Os modelos existentes têm um mau desempenho quando se trata de quantificar este risco. Este estudo teve como objetivo desenvolver um modelo de aprendizado de máquina para LNM em pacientes com carcinoma espinocelular de esôfago T1.

Pacientes com carcinoma espinocelular T1 tratados com cirurgia entre janeiro de 2010 e setembro de 2021 de 3 instituições foram incluídos neste estudo. Modelos de aprendizado de máquina foram desenvolvidos usando dados sobre idade e sexo dos pacientes, profundidade de invasão tumoral, tamanho do tumor, localização do tumor, tipo macroscópico de tumor, invasão linfática e vascular e grau histológico. Foi gerada regressão líquida elástica (ELR), floresta aleatória (RF), reforço de gradiente extremo (XGB) e um modelo combinado (conjunto). Use Area Under Curve (AUC) para avaliar a capacidade preditiva do modelo. Foi calculada a contribuição para o modelo de cada fator. Para melhor atender às necessidades clínicas, os investigadores desenvolveram o modelo como um site de fácil utilização.

Tipo de estudo

Intervencional

Inscrição (Real)

1267

Estágio

  • Não aplicável

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

    • Shanghai
      • Shanghai, Shanghai, China, 200032
        • Zhongshan Hospital affiliated to Fudan 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

Descrição

Critério de inclusão:

  • (I) ESCC torácico
  • (II) sem história de malignidade concomitante ou prévia
  • (III) tumor com estadiamento pT1
  • (IV) 15 ou mais linfonodos examinados

Critério de exclusão:

  • foi submetido a tratamento neoadjuvante ou dissecção endoscópica da submucosa antes da cirurgia

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

  • Finalidade Principal: Diagnóstico
  • Alocação: N / D
  • Modelo Intervencional: Atribuição de grupo único
  • Mascaramento: Nenhum (rótulo aberto)

Armas e Intervenções

Grupo de Participantes / Braço
Intervenção / Tratamento
Experimental: Braço usado para prever metástases linfonodais
Ressecção de tumor esofágico e dissecção de linfonodos

O que o estudo está medindo?

Medidas de resultados primários

Medida de resultado
Descrição da medida
Prazo
Desempenho do modelo: discriminação
Prazo: 8 semanas
Desenhe a curva ROC do modelo e obtenha seus valores de AUC, e selecione o melhor modelo de previsão com base nos resultados do conjunto de validação
8 semanas
Importância variável
Prazo: 6 semanas
Calcular o nível de importância das variáveis ​​utilizadas no modelo e classificá-las, além de analisar as razões das variáveis ​​mais importantes
6 semanas
Subanálise (modelo ML vs. modelo logístico vs. diretriz da NCCN)
Prazo: 8 semanas
Aplicar as diretrizes e modelos logísticos da NCCN para previsão e comparar seu desempenho com o modelo obtido neste estudo para determinar os benefícios reais da aplicação do modelo
8 semanas

Colaboradores e Investigadores

É aqui que você encontrará pessoas e organizações envolvidas com este estudo.

Publicações e links úteis

A pessoa responsável por inserir informações sobre o estudo fornece voluntariamente essas publicações. Estes podem ser sobre qualquer coisa relacionada ao estudo.

Publicações Gerais

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)

15 de janeiro de 2010

Conclusão Primária (Real)

15 de dezembro de 2019

Conclusão do estudo (Real)

15 de julho de 2023

Datas de inscrição no estudo

Enviado pela primeira vez

23 de janeiro de 2024

Enviado pela primeira vez que atendeu aos critérios de CQ

9 de fevereiro de 2024

Primeira postagem (Real)

13 de fevereiro de 2024

Atualizações de registro de estudo

Última Atualização Postada (Real)

13 de fevereiro de 2024

Última atualização enviada que atendeu aos critérios de controle de qualidade

9 de fevereiro de 2024

Última verificação

1 de fevereiro de 2024

Mais Informações

Termos relacionados a este estudo

Plano para dados de participantes individuais (IPD)

Planeja compartilhar dados de participantes individuais (IPD)?

NÃO

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 .

Se inscrever