- ICH GCP
- Amerikanska kliniska prövningsregistret
- Klinisk prövning NCT05096533
Tillämpningsvärdet för artificiell intelligens vid MRT-precisionsdiagnostik och behandling av blåscancer
19 oktober 2021 uppdaterad av: The First Affiliated Hospital with Nanjing Medical University
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:
- Qiang Lu
- Telefonnummer: 13505196501
- E-post: dxhlvqiang@163.com
-
-
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:
- Preoperativ undersökning uppmanar patienten att vara cancer i urinblåsan;
- Det finns ingen gräns för kön;
- 18 år eller äldre;
- Kan ge preoperativa MR-bilder;
- Gå med på att tillhandahålla personlig grundläggande klinisk information och patologiska data och bilddata för vetenskaplig forskning, och underteckna informerat samtycke;
- Gå med på att tillhandahålla övervakningsresultat under uppföljande övervakning för återfall.
Exklusions kriterier:
- Patienten kunde inte tillhandahålla preoperativa MR-bilder, inklusive MR-bilder efter neoadjuvant terapi och före operation;
- Patienter med ofullständig patologisk information om prover kunde inte tillhandahålla korrekt stadie- och graderingsinformation;
- 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;
- Patienter som nyligen genomgått operation (t.ex. TURBT) före MRT-undersökning;
- Forskaren tror att det finns några förhållanden som kan försämra försökspersonen eller göra att försökspersonen inte uppfyller eller utför studiekraven;
- 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.
Allmänna publikationer
- Panebianco V, Narumi Y, Altun E, Bochner BH, Efstathiou JA, Hafeez S, Huddart R, Kennish S, Lerner S, Montironi R, Muglia VF, Salomon G, Thomas S, Vargas HA, Witjes JA, Takeuchi M, Barentsz J, Catto JWF. Multiparametric Magnetic Resonance Imaging for Bladder Cancer: Development of VI-RADS (Vesical Imaging-Reporting And Data System). Eur Urol. 2018 Sep;74(3):294-306. doi: 10.1016/j.eururo.2018.04.029. Epub 2018 May 10.
- Wang H, Luo C, Zhang F, Guan J, Li S, Yao H, Chen J, Luo J, Chen L, Guo Y. Multiparametric MRI for Bladder Cancer: Validation of VI-RADS for the Detection of Detrusor Muscle Invasion. Radiology. 2019 Jun;291(3):668-674. doi: 10.1148/radiol.2019182506. Epub 2019 Apr 23.
- Suarez-Ibarrola R, Hein S, Reis G, Gratzke C, Miernik A. Current and future applications of machine and deep learning in urology: a review of the literature on urolithiasis, renal cell carcinoma, and bladder and prostate cancer. World J Urol. 2020 Oct;38(10):2329-2347. doi: 10.1007/s00345-019-03000-5. Epub 2019 Nov 5.
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
Nyckelord
Ytterligare relevanta MeSH-villkor
Andra studie-ID-nummer
- 2021-SR-409
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 .