Эта страница была переведена автоматически, точность перевода не гарантируется. Пожалуйста, обратитесь к английской версии для исходного текста.

Разработка и проспективная проверка модели мультимодального слияния искусственного интеллекта для прогнозирования эффективности неоадъювантного лечения рака мочевого пузыря

1 июня 2026 г. обновлено: Sun Yat-Sen Memorial Hospital of Sun Yat-Sen University
Это исследование представляет собой многоцентровое обсервационное исследование без вмешательств, включая построение диагностической модели ИИ и ретроспективное тестирование многоцентровой когорты. Участниками исследования являются пациенты с раком мочевого пузыря, которые прошли обследования визуализации, были патологически диагностированы и получали неоадъювантное лечение с полными клиническими и патологическими данными. Исследование планирует зарегистрировать 130 пациентов из нашего центра, собирать соответствующие изображения визуализации и собирать клинические и геномные данные для создания и внутренней проверки мультимодальной модели ИИ. Обобщение и надежность модели будут проверены для изучения связи между мультимодальными данными и эффективностью неоадъювантного лечения рака мочевого пузыря. Цель состоит в том, чтобы помочь клиницистам в прогнозировании и оценке эффективности неоадъювантного лечения рака мочевого пузыря с целью улучшения диагноза пациентов, результатов лечения и прогноза.

Обзор исследования

Статус

Завершенный

Условия

Вмешательство/лечение

Подробное описание

Рак мочевого пузыря является одним из наиболее распространенных злокачественных новообразований в мочевой системе во всем мире. Для мышц - инвазивного рака мочевого пузыря поддается радикальной резекции, стандартным лечением является неоадъювантная терапия в сочетании с радикальной цистэктомией, причем неоадъювантная терапия играет решающую роль. В настоящее время многочисленные исследования показали, что неоадъювантная химиотерапия на основе цисплатина может снизить опухоли, снизить риск смертности у пациентов с раком мочевого пузыря, улучшать уровень выживаемости и повысить прогноз. Другие подходы к лечению, такие как неоадъювантная иммунотерапия, целевая терапия и комбинированная терапия, также изучаются. Однако ответы на неоадъювантную терапию варьируются среди пациентов с раком мочевого пузыря, причем некоторые не достигают желаемых терапевтических целей. Следовательно, точное прогнозирование реакции участников на лечение может дать важную ссылку на персонализированное и точное лечение рака мочевого пузыря.

В последние годы, поскольку достижения в области вычислительной мощности и емкости хранения данных, искусственный интеллект (ИИ) широко применялся в области цифровой диагностики. Технологии ИИ могут извлекать и интегрировать большое количество функций из мультимодальных данных, таких как патология, визуализация и клинические записи, обеспечивая точную диагностику заболеваний, оценку прогноза и прогноз лечения. В области прогнозирования опухолевой обработки мультимодальные технологии ИИ достигли многочисленных прорывов, разработки моделей прогнозирования эффективности для опухолей, таких как прямая кишка и рак молочной железы на основе визуализации и патологических данных, и проверка возможностей обобщения моделей посредством внешней проверки.

Таким образом, исследователи планируют построить и проверить «модель прогнозирования эффективности лечения рака мочевого пузыря» на основе мультимодальных данных, таких как изображения МРТ, изображения цифровой патологии и клинические записи пациентов с раком мочевого пузыря, и разрабатывают программное обеспечение для прогнозирования в области неоадъювантного лечения при раке мочевого пузыря. Исследователи надеются, что эта модель диагностики искусственного интеллекта может служить вспомогательным инструментом для оказания помощи клиницистам в стратификации неоадъювантной эффективности лечения у пациентов с раком мочевого пузыря, тем самым формулируя точные планы лечения, снижая потребление человеческих и материальных ресурсов и воспользовавшись оптимальными возможностями лечения.

Тип исследования

Наблюдательный

Регистрация (Действительный)

469

Контакты и местонахождение

В этом разделе приведены контактные данные лиц, проводящих исследование, и информация о том, где проводится это исследование.

Места учебы

  • Китай
    • Guangdong
      • Guangzhou, Guangdong, Китай, 510080
        • Sun Yat-Sen Memorial Hospital of Sun Yat-Sen University

Критерии участия

Исследователи ищут людей, которые соответствуют определенному описанию, называемому критериям приемлемости. Некоторыми примерами этих критериев являются общее состояние здоровья человека или предшествующее лечение.

Критерии приемлемости

Возраст, подходящий для обучения

  • Ребенок
  • Взрослый
  • Пожилой взрослый

Принимает здоровых добровольцев

Нет

Метод выборки

Невероятностная выборка

Исследуемая популяция

Патологически подтвержденные рак мочевого пузыря, которые проходят неоадъювантную терапию и радикальную цистэктомию, должны быть включены в этот диагностический тест для оценки клинического применения модели.

Описание

Критерии включения:

  • Мочевой пузырь занимает поражения, с гистопатологическим подтверждением рака мочевого пузыря после резекции.
  • Запланированная неоадъювантная терапия и радикальная цистэктомия.

Критерии исключения:

  • Пациенты, которые не прошли стандартные обследования визуализации мочевого пузыря или не имели отсутствия визуализации или патологических данных.
  • Пациенты, которые получали локальное лечение (например, интервенционную эмболизацию) или системное лечение (такие как лучевая терапия, химиотерапия, иммунотерапия или целевая терапия).
  • Плохое качество визуализации или патологических изображений.

Учебный план

В этом разделе представлена ​​подробная информация о плане исследования, в том числе о том, как планируется исследование и что оно измеряет.

Как устроено исследование?

Детали дизайна

Когорты и вмешательства

Группа / когорта
Вмешательство/лечение
Пациенты с раком мочевого пузыря проходят неоадъювантную терапию
Патологические патологические диагностики рака мочевого пузыря, проходящего неоадъювантную терапию.
Диагностический тест: Artificial intelligence (AI)-based predictive model
Collect magnetic resonance imaging and pathological slides of resected tumor of the enrolled patients. Analyze the data using the AI model to generate predictive results (sensitive or insensitive to the neoadjavant therapy). No intervention to patients would be performed in this diagnostic test study.

Что измеряет исследование?

Первичные показатели результатов

Мера результата
Мера Описание
Временное ограничение
AUC (Area Under the Receiver Operating Characteristic Curve)
Временное ограничение: For each enrolled patient, the AI model's prediction results will be generated within several days after neoadjuvant therapy. The AUC of the model will be evaluated upon study completion, an average of 3 years.
A comprehensive metric reflecting the overall discriminative ability of the AI model, which integrates the model's sensitivity and specificity across all possible threshold values. It quantifies the probability that the model will correctly rank a randomly selected therapy-sensitive patient higher than a randomly selected therapy-insensitive patient.
For each enrolled patient, the AI model's prediction results will be generated within several days after neoadjuvant therapy. The AUC of the model will be evaluated upon study completion, an average of 3 years.

Вторичные показатели результатов

Мера результата
Мера Описание
Временное ограничение
sensitivity
Временное ограничение: For each enrolled patient, the predictive results of AI model will be obtained in several days after neoadjuvant therapy, and the sensitivity of the AI model will be evaluated through study completion, an average of 3 year.
the number of correctly diagnosed positive patient (sensitive to therapy), to be divided by the number of patients in total.
For each enrolled patient, the predictive results of AI model will be obtained in several days after neoadjuvant therapy, and the sensitivity of the AI model will be evaluated through study completion, an average of 3 year.
specificity
Временное ограничение: For each enrolled patient, the predictive results of AI model will be obtained in several days after neoadjuvant therapy, and the specificity of the AI model will be evaluated through study completion, an average of 3 year.
the number of correctly diagnosed negative patients (therapy insensitive), to be divided by the number of negative patients in total.
For each enrolled patient, the predictive results of AI model will be obtained in several days after neoadjuvant therapy, and the specificity of the AI model will be evaluated through study completion, an average of 3 year.

Соавторы и исследователи

Здесь вы найдете людей и организации, участвующие в этом исследовании.

Спонсор

Sun Yat-Sen Memorial Hospital of Sun Yat-Sen University

Даты записи исследования

Эти даты отслеживают ход отправки отчетов об исследованиях и сводных результатов на сайт ClinicalTrials.gov. Записи исследований и сообщаемые результаты проверяются Национальной медицинской библиотекой (NLM), чтобы убедиться, что они соответствуют определенным стандартам контроля качества, прежде чем публиковать их на общедоступном веб-сайте.

Изучение основных дат

Начало исследования (Действительный)

1 января 2022 г.

Первичное завершение (Действительный)

31 декабря 2025 г.

Завершение исследования (Действительный)

31 декабря 2025 г.

Даты регистрации исследования

Первый отправленный

19 марта 2025 г.

Впервые представлено, что соответствует критериям контроля качества

1 апреля 2025 г.

Первый опубликованный (Действительный)

3 апреля 2025 г.

Обновления учебных записей

Последнее опубликованное обновление (Действительный)

3 июня 2026 г.

Последнее отправленное обновление, отвечающее критериям контроля качества

1 июня 2026 г.

Последняя проверка

1 апреля 2025 г.

Дополнительная информация

Термины, связанные с этим исследованием

Ключевые слова

Дополнительные соответствующие термины MeSH

Другие идентификационные номера исследования

  • SYSKY-2024-738-01

Планирование данных отдельных участников (IPD)

Планируете делиться данными об отдельных участниках (IPD)?

НЕТ

Описание плана IPD

Для защиты конфиденциальности пациентов, магнитно-резонансная томография, патологические изображения слайдов и другие данные, связанные с пациентом, недоступны.

Информация о лекарствах и устройствах, исследовательские документы

Изучает лекарственный продукт, регулируемый FDA США.

Нет

Изучает продукт устройства, регулируемый Управлением по санитарному надзору за качеством пищевых продуктов и медикаментов США.

Нет

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. .

Подписаться