- ICH GCP
- Реестр клинических исследований США
- Клиническое испытание NCT04840056
Прогнозирование рака желудка при кишечной метаплазии и атрофическом гастрите (GIMA)
Прогнозирование рака желудка при кишечной метаплазии и атрофическом гастрите — применение искусственного интеллекта в гистологии и клинических данных
The primary objectives of this study are:
- To identify clinical or histological factors associated with gastric cancer development in patients with IM and AG
- To establish a machine learning algorithm for prediction of future gastric cancer risks and individual risk stratification in patient with IM and AG
Обзор исследования
Статус
Подробное описание
This is a two-part retrospective study including a clinical data part and a pathology part. A training cohort will be developed from approximately 70% of included cases. It will be followed by a validation cohort with the remaining cases.
Clinical data will be collected retrospectively using the Clinical Data Analysis and Reporting System (CDARS) and Clinical management System (CMS). A cluster-wide cohort (New Territories East Cluster, NTEC) consisting of patients with history of histologically-proven gastric IM and AG will be identified and included for subsequent analysis. The data collection period for the retrospective data will be 2000-2020.
Histology slides will be retrieved retrospectively when available (within NTEC). Whole slide imaging technique will be utilized for the development of training and validation cohorts with machine learning algorithms in the pathology part.
Тип исследования
Регистрация (Оцененный)
Контакты и местонахождение
Контакты исследования
- Имя: Felix Sia
- Номер телефона: +85226370428
- Электронная почта: felix.sia@cuhk.edu.hk
Учебное резервное копирование контактов
- Имя: Thomas Lam
- Номер телефона: +85226370428
- Электронная почта: thomas.lam@cuhk.edu.hk
Места учебы
-
-
New Territories
-
Shatin, New Territories, Гонконг
- Рекрутинг
- Prince of Wales Hospital
-
-
Критерии участия
Критерии приемлемости
Возраст, подходящий для обучения
Принимает здоровых добровольцев
Полы, имеющие право на обучение
Метод выборки
Исследуемая популяция
Clinical data will be collected retrospectively using the Clinical Data Analysis and Reporting System (CDARS) and Clinical management System (CMS). A cluster-wide cohort (New Territories East Cluster, NTEC) consisting of patients with history of histologically-proven gastric IM and AG will be identified and included for subsequent analysis. The data collection period for the retrospective data will be 2000-2020.
Histology slides will be retrieved retrospectively when available (within NTEC). Whole slide imaging technique will be utilized for the development of training and validation cohorts with machine learning algorithms in the pathology part.
Описание
Inclusion Criteria:
- Adults >= 18 years of age
- Histologically proven atrophic gastritis or intestinal metaplasia (at antrum and/or body and/or angular of stomach)
Exclusion Criteria:
- none
Учебный план
Как устроено исследование?
Детали дизайна
- Наблюдательные модели: COHORT
- Временные перспективы: RETROSPECTIVE
Когорты и вмешательства
Группа / когорта |
|---|
|
Intestinal Metaplasia
patient with history of histologically proven gastric intestinal metaplasia |
|
Atrophic gastritis
patient with history of histologically proven atrophic gastritis |
Что измеряет исследование?
Первичные показатели результатов
Мера результата |
Мера Описание |
Временное ограничение |
|---|---|---|
|
Gastric cancer and gastric dysplasia
Временное ограничение: 20 years
|
The primary endpoint is the incidence of gastric cancer (intestinal-type) and gastric dysplasia (low grade and high grade dysplasia). |
20 years
|
Вторичные показатели результатов
Мера результата |
Мера Описание |
Временное ограничение |
|---|---|---|
|
Overall accuracy of machine learning model
Временное ограничение: 20 years
|
Overall accuracy of machine learning models will be evaluated |
20 years
|
|
Sensitivity of machine learning model
Временное ограничение: 20 years
|
Sensitivity of machine learning model will be evaluated |
20 years
|
|
Specificity of machine learning model
Временное ограничение: 20 years
|
Specificity of machine learning model will be evaluated |
20 years
|
|
Positive predictive value of machine learning model
Временное ограничение: 20 years
|
Positive predictive value of machine learning model will be evaluated |
20 years
|
|
Negative predictive value of machine learning model
Временное ограничение: 20 years
|
Negative predictive value of machine learning model will be evaluated |
20 years
|
|
Area under the receiver operating characteristic curve of machine learning model
Временное ограничение: 20 years
|
Area under the receiver operating characteristic curve of machine learning model will be evaluated |
20 years
|
Соавторы и исследователи
Спонсор
Даты записи исследования
Изучение основных дат
Начало исследования (Действительный)
Первичное завершение (Оцененный)
Завершение исследования (Оцененный)
Даты регистрации исследования
Первый отправленный
Впервые представлено, что соответствует критериям контроля качества
Первый опубликованный (Действительный)
Обновления учебных записей
Последнее опубликованное обновление (Действительный)
Последнее отправленное обновление, отвечающее критериям контроля качества
Последняя проверка
Дополнительная информация
Термины, связанные с этим исследованием
Ключевые слова
Дополнительные соответствующие термины MeSH
Другие идентификационные номера исследования
- 2021.082
Планирование данных отдельных участников (IPD)
Планируете делиться данными об отдельных участниках (IPD)?
Описание плана IPD
There is no plan to share IPD with other researchers
Информация о лекарствах и устройствах, исследовательские документы
Изучает лекарственный продукт, регулируемый FDA США.
Изучает продукт устройства, регулируемый Управлением по санитарному надзору за качеством пищевых продуктов и медикаментов США.
Эта информация была получена непосредственно с веб-сайта clinicaltrials.gov без каких-либо изменений. Если у вас есть запросы на изменение, удаление или обновление сведений об исследовании, обращайтесь по адресу register@clinicaltrials.gov. Как только изменение будет реализовано на clinicaltrials.gov, оно будет автоматически обновлено и на нашем веб-сайте. .