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

Radiômica baseada em TC e modelos de aprendizado profundo para prever a invasão da cartilagem tireoidiana e o prognóstico do paciente no carcinoma de laringe

20 de agosto de 2024 atualizado por: xinwei Chen, First Affiliated Hospital of Chongqing Medical University

Radiômica baseada em TC, modelos de aprendizagem profunda bidimensionais e tridimensionais para prever a invasão da cartilagem tireoidiana e o prognóstico do paciente no carcinoma de laringe: um estudo multicêntrico

Este estudo retrospectivo teve como objetivo desenvolver e verificar um modelo radiômico baseado em TC, um modelo de aprendizagem profunda 2D e um modelo de aprendizagem profunda 3D para prever no pré-operatório a invasão da cartilagem tireoidiana de pacientes com câncer de laringe, de modo a fornecer diagnóstico mais preciso e base de tratamento para os médicos. E o desempenho dos modelos citados foi comparado com o de dois radiologistas. Além disso, os pesquisadores investigaram a previsão dos resultados de sobrevivência dos pacientes pelos modelos ideais acima.

Visão geral do estudo

Status

Recrutamento

Intervenção / Tratamento

Descrição detalhada

O carcinoma espinocelular de laringe (LSCC), como um dos tumores mais comuns de cabeça e pescoço, é a oitava principal causa de morte associada ao câncer em todo o mundo. As decisões de tratamento têm um impacto profundo no controle do tumor e no prognóstico funcional dos pacientes com LSCC. E estas decisões baseiam-se principalmente no estadiamento do tumor, sendo a invasão da cartilagem tiroideia um determinante crucial. Consequentemente, a presença de invasão da cartilagem tireoide indica um diagnóstico em estágio avançado (T3 ou T4) para os pacientes com CEC. Para pacientes sem invasão da cartilagem tireoide, a laringectomia parcial pode ser considerada para preservar a função laríngea. No entanto, para pacientes com carcinoma laríngeo avançado e invasão da cartilagem tireóidea que se estende além da laringe, a laringectomia total é frequentemente necessária para remover completamente o tumor e prolongar o tempo de sobrevivência. Portanto, uma avaliação precisa da invasão da cartilagem tireoidiana é vital para a tomada de decisão sobre o tratamento e avaliação do prognóstico para pacientes com CEC. Recentemente, a inteligência artificial, na forma de aprendizado de máquina e aprendizado profundo (DL), tem sido amplamente aplicada em imagens médicas. A radiômica, um papel proeminente no aprendizado de máquina, pode extrair dados de características de alta dimensão e fornecer quantitativamente informações valiosas para o estadiamento e prognóstico do tumor. Além disso, o DL pode capturar e aprender automaticamente recursos discriminativos de ponta a ponta para uma previsão precisa. Coletivamente, os objetivos deste estudo multicêntrico foram desenvolver e validar um modelo radiômico, um modelo DL 2D e um modelo DL 3D com base nas imagens de TC de fase venosa e comparar o desempenho desses modelos com dois radiologistas na previsão da cartilagem tireoidiana. invasão. Além disso, os pesquisadores investigaram o valor prognóstico do modelo ideal previsto de invasão da cartilagem tireoide.

Tipo de estudo

Observacional

Inscrição (Estimado)

400

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

      • Chongqing, China
        • Recrutamento
        • The First Affiliated Hospital of Chongqing Medical University
        • Contato:

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

  • Adulto
  • Adulto mais velho

Aceita Voluntários Saudáveis

Não

Método de amostragem

Amostra de Probabilidade

População do estudo

Os investigadores coletaram pacientes com carcinoma de laringe em dois centros. Os pacientes do centro 1 foram divididos aleatoriamente em coorte de treinamento e coorte de validação interna em uma proporção de 7:3. Além disso, os pacientes do centro 2 foram inscritos como coorte de validação externa.

Descrição

Critério de inclusão:

  1. Disponibilidade de dados clínicos completos
  2. Diagnóstico comprovado por cirurgia ou biópsia de carcinoma espinocelular de laringe
  3. Exame de tomografia computadorizada realizado dentro de 2 semanas antes da cirurgia

Critério de exclusão:

  1. Pacientes que receberam quimioterapia ou radioterapia pré-operatória
  2. Imagens de tomografia computadorizada com artefatos significativos
  3. Pacientes com recorrência tumoral
  4. Pacientes com diâmetro máximo do tumor inferior a 5 mm

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
coorte de treinamento
Sem intervenções

A Radiomics extrai informações quantitativas de imagens médicas para gerar vetores de características de alta dimensão para análise. Seu objetivo é fornecer insights sobre os processos da doença e melhorar o diagnóstico.

O aprendizado profundo utiliza redes neurais com múltiplas camadas para aprender padrões complexos a partir de dados. Em imagens médicas, permite análises precisas e eficientes para detecção e diagnóstico de doenças.

Outros nomes:
  • radiômica
  • aprendizagem profunda
coorte de validação interna
Sem intervenções

A Radiomics extrai informações quantitativas de imagens médicas para gerar vetores de características de alta dimensão para análise. Seu objetivo é fornecer insights sobre os processos da doença e melhorar o diagnóstico.

O aprendizado profundo utiliza redes neurais com múltiplas camadas para aprender padrões complexos a partir de dados. Em imagens médicas, permite análises precisas e eficientes para detecção e diagnóstico de doenças.

Outros nomes:
  • radiômica
  • aprendizagem profunda
coorte de validação externa
Sem intervenções

A Radiomics extrai informações quantitativas de imagens médicas para gerar vetores de características de alta dimensão para análise. Seu objetivo é fornecer insights sobre os processos da doença e melhorar o diagnóstico.

O aprendizado profundo utiliza redes neurais com múltiplas camadas para aprender padrões complexos a partir de dados. Em imagens médicas, permite análises precisas e eficientes para detecção e diagnóstico de doenças.

Outros nomes:
  • radiômica
  • aprendizagem profunda

O que o estudo está medindo?

Medidas de resultados primários

Medida de resultado
Descrição da medida
Prazo
Área sob a curva, AUC
Prazo: Até a conclusão do estudo, uma média de 6 meses
A área sob a curva (AUC) é uma métrica amplamente utilizada em aprendizado de máquina e pesquisa médica para avaliar o desempenho de modelos em problemas de classificação binária. Ele reflete a capacidade de um modelo de identificar verdadeiros positivos (verdadeiros positivos), evitando classificar falsamente exemplos negativos como positivos (falsos positivos).
Até a conclusão do estudo, uma média de 6 meses

Medidas de resultados secundários

Medida de resultado
Descrição da medida
Prazo
Sobrevivência Livre de Doenças, DFS
Prazo: A data da cirurgia e a ocorrência de eventos como progressão da doença, a data do último acompanhamento ou óbito por qualquer causa, e o tempo de acompanhamento foi de pelo menos 3 anos
A Sobrevivência Livre de Doença (SLD) refere-se ao tempo desde o início da randomização (geralmente o ponto de partida de um ensaio clínico) até a recorrência da doença ou morte do paciente devido à progressão da doença. A SLD é um importante indicador clínico e estatístico utilizado para avaliar os efeitos a longo prazo do tratamento do cancro.
A data da cirurgia e a ocorrência de eventos como progressão da doença, a data do último acompanhamento ou óbito por qualquer causa, e o tempo de acompanhamento foi de pelo menos 3 anos

Colaboradores e Investigadores

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

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)

13 de agosto de 2023

Conclusão Primária (Estimado)

13 de setembro de 2024

Conclusão do estudo (Estimado)

13 de outubro de 2024

Datas de inscrição no estudo

Enviado pela primeira vez

12 de junho de 2024

Enviado pela primeira vez que atendeu aos critérios de CQ

17 de junho de 2024

Primeira postagem (Real)

18 de junho de 2024

Atualizações de registro de estudo

Última Atualização Postada (Real)

22 de agosto de 2024

Última atualização enviada que atendeu aos critérios de controle de qualidade

20 de agosto de 2024

Última verificação

1 de agosto de 2024

Mais Informações

Termos relacionados a este estudo

Plano para dados de participantes individuais (IPD)

Planeja compartilhar dados de participantes individuais (IPD)?

NÃO

Descrição do plano IPD

Os dados clínicos são coletados manualmente no sistema de casos clínicos; os dados da imagem CT são exportados do sistema PACS e armazenados anonimamente em um disco de dados separado; e os materiais de imagem são coletados e armazenados anonimamente em um disco de dados separado.

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