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

Tillämpningsvärdet för artificiell intelligens vid MRT-precisionsdiagnostik och behandling av blåscancer

Prospektiv multicenter klinisk studie om tillämpningsvärdet av artificiell intelligens vid MRT-precisionsdiagnostik och behandling av blåscancer

Denna studie var en prospektiv, multicenter observationell klinisk studie. Totalt 150 patienter med elakartad tumör i urinblåsan som lades in på urologiska avdelningen på varje center för behandling och genomgick elektrisk resektion eller radikal cystektomi planerades att inskrivas. För att analysera sensitiviteten, specificiteten och noggrannheten hos artificiell intelligens vid förutsägelse av postoperativ patologisk stadieindelning, följdes patienter som gick in i gruppen upp i 3 år, sedan analyserade vi korrelationen mellan artificiell intelligens förutsägelseresultat och patientens OS PFS RFS. Det var preliminärt verifierat att resultaten av modellen med artificiell intelligens har potential att förutsäga prognosen för patienter med cancer i urinblåsan.

Studieöversikt

Status

Rekrytering

Betingelser

Detaljerad beskrivning

Preliminär forskning: Denna forskning är multidisciplinär gemensam forskning genom att kombinera artificiell intelligens med magnetisk resonans, den kan göra den preoperativa bestämningen av blåscancerstadiet mer exakt och vägleder läkarens behandlingsplan. För närvarande har det konstruerats att en artificiell intelligensmodell baserad på preoperativa magnetiska resonansbilder för att förutsäga stadieindelning och patientprognos. Vi byggde en iscensättningsförutsägelsemodell genom ett nätverk för djupinlärning av artificiell intelligens, och samlade in magnetisk resonansbilddata och relaterade postoperativa patologiska data från patienter, efteråt följde vi 576 patienter på basis av iscensättningsmodellkonstruktion. Genom att erhålla OS, PFS och RFS för patienter valdes en del slumpmässigt ut som en träningsuppsättning för att träna nätverksmodellen för djupinlärning. Den andra delen används som ett testset för att verifiera dess noggrannhet. Denna studie var en prospektiv, multicenter observationell klinisk studie. Totalt 150 patienter med elakartad tumör i urinblåsan som lades in på urologiska avdelningen på varje center för behandling och genomgick elektrisk resektion eller radikal cystektomi planerades att inskrivas. För att analysera sensitiviteten, specificiteten och noggrannheten hos artificiell intelligens vid förutsägelse av postoperativ patologisk stadieindelning, följdes patienter som gick in i gruppen upp i 3 år, sedan analyserade vi korrelationen mellan artificiell intelligens förutsägelseresultat och patientens OS PFS RFS. Det var preliminärt verifierat att resultaten av modellen med artificiell intelligens har potential att förutsäga prognosen för patienter med cancer i urinblåsan.

Studietyp

Observationell

Inskrivning (Förväntat)

150

Kontakter och platser

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

Studieorter

    • Jiangsu
      • Nanjing, Jiangsu, Kina, 210000
        • Rekrytering
        • The First Affiliated Hospital of Nanjing Medical University
        • 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

  • Barn
  • Vuxen
  • Äldre vuxen

Tar emot friska volontärer

Nej

Kön som är behöriga för studier

Allt

Testmetod

Icke-sannolikhetsprov

Studera befolkning

Patienterna får MRT på varje studiecentrum och genomgår operationen.

Beskrivning

Inklusionskriterier:

  1. Preoperativ undersökning uppmanar patienten att vara cancer i urinblåsan;
  2. Det finns ingen gräns för kön;
  3. 18 år eller äldre;
  4. Kan ge preoperativa MR-bilder;
  5. Gå med på att tillhandahålla personlig grundläggande klinisk information och patologiska data och bilddata för vetenskaplig forskning, och underteckna informerat samtycke;
  6. Gå med på att tillhandahålla övervakningsresultat under uppföljande övervakning för återfall.

Exklusions kriterier:

  1. Patienten kunde inte tillhandahålla preoperativa MR-bilder, inklusive MR-bilder efter neoadjuvant terapi och före operation;
  2. Patienter med ofullständig patologisk information om prover kunde inte tillhandahålla korrekt stadie- och graderingsinformation;
  3. Patienter kan inte opereras på grund av sina egna orsaker: allvarlig hjärtsvikt, akut hjärtinfarkt, svåra hjärt- och lungsjukdomar etc., de tål inte normal kirurgisk behandling;
  4. Patienter som nyligen genomgått operation (t.ex. TURBT) före MRT-undersökning;
  5. Forskaren tror att det finns några förhållanden som kan försämra försökspersonen eller göra att försökspersonen inte uppfyller eller utför studiekraven;
  6. Patienter som inte kan ge skriftligt informerat samtycke.

Studieplan

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

Hur är studien utformad?

Designdetaljer

Vad mäter studien?

Primära resultatmått

Resultatmått
Åtgärdsbeskrivning
Tidsram
Att utforska tillämpningsvärdet av artificiell intelligens i den exakta diagnosen och behandlingen av blåstumör, och för att förbättra noggrannheten för MRT-diagnostik av blåscancerstadium och -grad genom artificiell intelligens.
Tidsram: 1 år
2、Genom konkordansanalys av artificiell intelligens-diagnosanalysresultat med gyllene standardresultat från kirurgi, känsligheten, specificiteten, positivt prediktivt värde (PPV), negativt prediktivt värde (NPV) för artificiell intelligensdiagnos före operationen.
1 år

Sekundära resultatmått

Resultatmått
Åtgärdsbeskrivning
Tidsram
Total överlevnad
Tidsram: 3 år efter operationen
Korrelationen mellan artificiell intelligensmodell och OS hos patienter med blåscancer analyserades för att preliminärt verifiera den potentiella förmågan hos artificiell intelligensmodell för att förutsäga prognosen för patienter med blåscancer.
3 år efter operationen

Andra resultatmått

Resultatmått
Åtgärdsbeskrivning
Tidsram
återfallsfri överlevnad
Tidsram: 3 år efter operationen
Korrelationen mellan artificiell intelligensmodell och RFS hos patienter med blåscancer analyserades för att preliminärt verifiera den potentiella förmågan hos artificiell intelligensmodell för att förutsäga prognosen för patienter med blåscancer.
3 år efter operationen
Progressionsfri överlevnad
Tidsram: 3 år efter operationen
Korrelationen mellan artificiell intelligensmodell och PFS hos patienter med blåscancer analyserades för att preliminärt verifiera den potentiella förmågan hos artificiell intelligensmodell för att förutsäga prognosen för patienter med blåscancer.
3 år efter operationen

Samarbetspartners och utredare

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

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.

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 januari 2021

Primärt slutförande (Förväntat)

1 maj 2022

Avslutad studie (Förväntat)

1 januari 2023

Studieregistreringsdatum

Först inskickad

7 oktober 2021

Först inskickad som uppfyllde QC-kriterierna

19 oktober 2021

Första postat (Faktisk)

27 oktober 2021

Uppdateringar av studier

Senaste uppdatering publicerad (Faktisk)

27 oktober 2021

Senaste inskickade uppdateringen som uppfyllde QC-kriterierna

19 oktober 2021

Senast verifierad

1 oktober 2021

Mer information

Termer relaterade till denna studie

Plan för individuella deltagardata (IPD)

Planerar du att dela individuella deltagardata (IPD)?

NEJ

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 .

Prenumerera