- ICH GCP
- Registro de ensaios clínicos dos EUA
- Ensaio Clínico NCT06463756
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
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
Visão geral do estudo
Status
Condições
Intervenção / Tratamento
Descrição detalhada
Tipo de estudo
Inscrição (Estimado)
Contactos e Locais
Locais de estudo
-
-
-
Chongqing, China
- Recrutamento
- The First Affiliated Hospital of Chongqing Medical University
-
Contato:
- Peng juan
- Número de telefone: +86 189 8328 0171
- E-mail: pengjuan1209@126.com
-
-
Critérios de participação
Critérios de elegibilidade
Idades elegíveis para estudo
- Adulto
- Adulto mais velho
Aceita Voluntários Saudáveis
Método de amostragem
População do estudo
Descrição
Critério de inclusão:
- Disponibilidade de dados clínicos completos
- Diagnóstico comprovado por cirurgia ou biópsia de carcinoma espinocelular de laringe
- Exame de tomografia computadorizada realizado dentro de 2 semanas antes da cirurgia
Critério de exclusão:
- Pacientes que receberam quimioterapia ou radioterapia pré-operatória
- Imagens de tomografia computadorizada com artefatos significativos
- Pacientes com recorrência tumoral
- Pacientes com diâmetro máximo do tumor inferior a 5 mm
Plano de estudo
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:
|
|
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:
|
|
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:
|
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
Colaboradores
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 Respiratórias
- Neoplasias por Tipo Histológico
- Neoplasias
- Neoplasias por local
- Neoplasias Glandulares e Epiteliais
- Doenças do Sistema Endócrino
- Neoplasias do Trato Respiratório
- Neoplasias Otorrinolaringológicas
- Neoplasias de Cabeça e Pescoço
- Doenças Otorrinolaringológicas
- Doenças da Laringe
- Carcinoma
- Doenças da Tireoide
- Neoplasias Laríngeas
Outros números de identificação do estudo
- 2024-Chenx
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 .