Denna sida har översatts automatiskt och översättningens korrekthet kan inte garanteras. Vänligen se engelsk version för en källtext.

Prediktionsmodell av CP-EBUS vid diagnos av lymfkörtlar

31 mars 2020 uppdaterad av: Jiayuan Sun, Shanghai Chest Hospital

Prediktionsmodell baserad på djupinlärning av CP-EBUS multimodal bild vid diagnos av benigna och maligna lymfkörtlar

Endobronkial ultraljud (EBUS) multimodal bild inklusive gråskala, blodflödesdoppler och elastografi, kan användas som icke-invasiv diagnos och komplettera det patologiska resultatet, som har ett viktigt kliniskt tillämpningsvärde. I den här studien kommer EBUS multimodal bilddatabas med 1000 inthoracic benigna och maligna lymfkörtlar (LNs) att konstrueras för att träna djupinlärning neurala nätverk, som automatiskt kan välja representativa bilder och diagnostisera LNs. Utredarna kommer att upprätta en förutsägelsemodell för artificiell intelligens baserad på djupinlärning av intratorakala LN, och verifiera modellen i andra 300 LN.

Studieöversikt

Status

Okänd

Betingelser

Detaljerad beskrivning

Intratorakala LNs förstoring har ett brett spektrum av sjukdomar, bland vilka intrathorax LNs metastasering av lungcancer är den vanligaste maligna sjukdomen. Godartade lesioner, inklusive inflammation, tuberkulos och sarkoidos, behöver också differentieras för riktad behandling.

EBUS multimodal bild inklusive gråskala, blodflödesdoppler och elastografi, kan användas som icke-invasiv diagnos och komplettera det patologiska resultatet, vilket har ett viktigt kliniskt tillämpningsvärde. Denna studie inkluderar två delar: retrospektiv konstruktion av EBUS artificiell intelligens prediktionsmodell och multicenter prospektiv validering av prediktionsmodellen. Totalt 1300 LN kommer att registreras i studien.

Under lagring av videor undersöks mål-LN och perifera kärl med hjälp av ultraljudsvärdar (EU-ME2, Olympus eller Hi-vision Avius, Hitachi) utrustade med elastografi och dopplerfunktioner och ultraljudsbronkoskopi (BF-UC260FW, Olympus eller EB1970UK, Pentax) . Multimodala bilddata för mål-LN samlas in.

Utredarna kommer att konstruera en prediktionsmodell för artificiell intelligens baserad på djupinlärning med hjälp av bilder från 1000 LN först och verifiera modellen i andra 300 LN. Denna modell kommer att jämföras med traditionella kvalitativa och kvantitativa utvärderingsmetoder för att verifiera den diagnostiska effektiviteten.

Studietyp

Observationell

Inskrivning (Förväntat)

1300

Kontakter och platser

Det här avsnittet innehåller kontaktuppgifter för dem som genomför studien och information om var denna studie genomförs.

Studieorter

  • Kina
    • Shanghai
      • Shanghai, Shanghai, Kina, 200030
        • Rekrytering
        • Shanghai Chest Hospital
        • Kontakt:

Deltagandekriterier

Forskare letar efter personer som passar en viss beskrivning, så kallade behörighetskriterier. Några exempel på dessa kriterier är en persons allmänna hälsotillstånd eller tidigare behandlingar.

Urvalskriterier

Åldrar som är berättigade till studier

18 år och äldre (Vuxen, Äldre vuxen)

Tar emot friska volontärer

N/A

Kön som är behöriga för studier

Allt

Testmetod

Icke-sannolikhetsprov

Studera befolkning

Patienter med förstorade intratorakala LNs som behöver diagnostiseras med EBUS-TBNA ingår i denna studie.

Beskrivning

Inklusionskriterier:

  1. CT av bröstkorgen visar förstorade intratorakala LN (kort diameter > 1 cm) eller PET/CT visar patienter med ökat FDG-upptag (SUV ≧ 2,0) i intratorakala LN;
  2. Operationsläkare anser att EBUS-TBNA bör utföras på LN för diagnos eller preoperativ stadieindelning av lungcancer;
  3. Patienter samtycker till att genomgå EBUS-TBNA, underteckna informerat samtycke och har inga kontraindikationer.

Exklusions kriterier:

- Patienter som har andra situationer som inte är lämpliga för EBUS-TBNA.

Studieplan

Det här avsnittet ger detaljer om studieplanen, inklusive hur studien är utformad och vad studien mäter.

Hur är studien utformad?

Designdetaljer

Kohorter och interventioner

Grupp / Kohort
Prospektiv valideringsgrupp
Två diagnosmetoder kommer att användas i den framtida valideringssektionen, den ena är traditionell kvalitativ och kvantitativ metod, den andra är en prediktionsmodell för artificiell intelligens baserad på videor för att jämföra den diagnostiska effektiviteten.

Vad mäter studien?

Primära resultatmått

Resultatmått
Åtgärdsbeskrivning
Tidsram
Diagnostisk effektivitet av EBUS multimodal artificiell intelligens förutsägelsemodell baserad på videor
Tidsram: 6 månader efter ingreppet
Diagnostisk effektivitet inkluderar sensitivitet, specificitet, positivt prediktivt värde, negativt prediktivt värde och diagnostisk noggrannhet.
6 månader efter ingreppet

Sekundära resultatmått

Resultatmått
Åtgärdsbeskrivning
Tidsram
Diagnostisk effektivitet av traditionella kvalitativa och kvantitativa metoder
Tidsram: 6 månader efter ingreppet
Diagnostisk effektivitet inkluderar sensitivitet, specificitet, positivt prediktivt värde, negativt prediktivt värde och diagnostisk noggrannhet.
6 månader efter ingreppet
Diagnostisk effektivitet av multimodal djupinlärningsmodell baserad på bilder
Tidsram: 6 månader efter ingreppet
Diagnostisk effektivitet inkluderar sensitivitet, specificitet, positivt prediktivt värde, negativt prediktivt värde och diagnostisk noggrannhet.
6 månader efter ingreppet
Jämförelse av prediktionsmodell baserad på fördjupad inlärning med traditionella kvalitativa och kvantitativa metoder
Tidsram: 6 månader efter ingreppet
Diagnostisk effektivitet inkluderar sensitivitet, specificitet, positivt prediktivt värde, negativt prediktivt värde och diagnostisk noggrannhet.
6 månader efter ingreppet

Samarbetspartners och utredare

Det är här du hittar personer och organisationer som är involverade i denna studie.

Sponsor

Shanghai Chest Hospital

Publikationer och användbara länkar

Den som ansvarar för att lägga in information om studien tillhandahåller frivilligt dessa publikationer. Dessa kan handla om allt som har med studien att göra.

Allmänna publikationer

Studieavstämningsdatum

Dessa datum spårar framstegen för inlämningar av studieposter och sammanfattande resultat till ClinicalTrials.gov. Studieposter och rapporterade resultat granskas av National Library of Medicine (NLM) för att säkerställa att de uppfyller specifika kvalitetskontrollstandarder innan de publiceras på den offentliga webbplatsen.

Studera stora datum

Studiestart (Faktisk)

1 juli 2018

Primärt slutförande (Förväntat)

30 juni 2020

Avslutad studie (Förväntat)

31 december 2020

Studieregistreringsdatum

Först inskickad

2 december 2019

Först inskickad som uppfyllde QC-kriterierna

29 mars 2020

Första postat (Faktisk)

31 mars 2020

Uppdateringar av studier

Senaste uppdatering publicerad (Faktisk)

2 april 2020

Senaste inskickade uppdateringen som uppfyllde QC-kriterierna

31 mars 2020

Senast verifierad

1 mars 2020

Mer information

Termer relaterade till denna studie

Nyckelord

Andra studie-ID-nummer

  • SHCHE201906

Plan för individuella deltagardata (IPD)

Planerar du att dela individuella deltagardata (IPD)?

OBESLUTSAM

IPD-planbeskrivning

Utredarna kan släppa databasen efter studien, men inget beslut har fattats ännu.

Läkemedels- och apparatinformation, studiedokument

Studerar en amerikansk FDA-reglerad läkemedelsprodukt

Nej

Studerar en amerikansk FDA-reglerad produktprodukt

Nej

Denna information hämtades direkt från webbplatsen clinicaltrials.gov utan några ändringar. Om du har några önskemål om att ändra, ta bort eller uppdatera dina studieuppgifter, vänligen kontakta register@clinicaltrials.gov. Så snart en ändring har implementerats på clinicaltrials.gov, kommer denna att uppdateras automatiskt även på vår webbplats .

Kliniska prövningar på Lymfkörtelsjukdom

Sök liknande försök

Sponsorer och medarbetare

Medicinska tillstånd

Läkemedelsinterventioner

CROs by country

CROs in Panama

Betingelser

Sällsynta sjukdomar

Läkemedelsinterventioner

Kosttillskott

Sponsor / medarbetare

Platser

3
Prenumerera