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

Hela bilden för att förutsäga det nya betygssystemet för resekerat lungadenokarcinom

17 oktober 2024 uppdaterad av: Chang Chen, Shanghai Pulmonary Hospital, Shanghai, China

Deep Learning Signatur baserad på hela diabilder för att förutsäga det nya betygssystemet för resekerat lungadenokarcinom

Syftet med denna studie är att utvärdera prestandan hos en hel diabildsbaserad djupinlärningssignatur för att förutsäga det nya betygssystemet i resekerat lungadenokarcinom baserat på en multicenter prospektiv kohort.

Studieöversikt

Status

Rekrytering

Betingelser

Intervention / Behandling

Studietyp

Observationell

Inskrivning (Beräknad)

200

Kontakter och platser

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

Studieorter

  • Kina
    • Guizhou
      • Zunyi, Guizhou, Kina
        • Rekrytering
        • Affiliated Hospital of Zunyi Medical University
        • Kontakt:
    • Jiangxi
      • Nanchang, Jiangxi, Kina
        • Rekrytering
        • The First Affiliated Hospital of Nanchang University
        • Kontakt:
    • Zhejiang
      • Ningbo, Zhejiang, Kina
        • Rekrytering
        • Ningbo HwaMei 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

  • Vuxen
  • Äldre vuxen

Tar emot friska volontärer

N/A

Testmetod

Icke-sannolikhetsprov

Studera befolkning

Resekerat lungadenokarcinom

Beskrivning

Inklusionskriterier:

  1. Patologisk bekräftelse av primärt lungadenokarcinom;
  2. Ålder från 20-75 år;
  3. Erhöll skriftligt informerat samtycke.

Exklusions kriterier:

  1. Flera lungskador;
  2. Dålig kvalitet på hela diabilder;
  3. Deltagare med ofullständig klinisk information;
  4. Mucinösa adenokarcinom och varianter;
  5. Deltagare som fått neoadjuvant terapi.

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
Överensstämmelsegrad för IASLC-betygssystemet
Tidsram: 2024.11.01-2024.12.31
Överensstämmelsegrad mellan djupinlärningsmodellen och patologer vid diagnos av IASLC-graden av lungadenokarcinom.
2024.11.01-2024.12.31

Sekundära resultatmått

Resultatmått
Åtgärdsbeskrivning
Tidsram
Överensstämmelsegrad för de dominerande undertyperna
Tidsram: 2024.11.01-2024.12.31
Överensstämmelsehastighet mellan djupinlärningsmodellen och patologer vid diagnostisering av de dominerande tillväxtmönstren för lungadenokarcinom.
2024.11.01-2024.12.31

Andra resultatmått

Resultatmått
Åtgärdsbeskrivning
Tidsram
Specificitet
Tidsram: 2023.5.1-2023.10.31
Specificiteten för den djupa inlärningsmodellen baserad på hela bildbilden för att förutsäga det nya betygssystemet för resekerat lungadenokarcinom. Det nya graderingssystemet för lungadenokarcinom inkluderar grad I, grad II och grad III. Och modellen kommer att mata ut de prediktiva värdena (grad I/grad II/grad III) av graden för varje patient med resekerat lungadenokarcinom.
2023.5.1-2023.10.31
Positivt prediktivt värde
Tidsram: 2023.5.1-2023.10.31
Det positiva prediktiva värdet av den djupa inlärningsmodellen baserad på hela bildbilden för att förutsäga det nya betygssystemet för resekerat lungadenokarcinom. Det nya graderingssystemet för lungadenokarcinom inkluderar grad I, grad II och grad III. Och modellen kommer att mata ut de prediktiva värdena (grad I/grad II/grad III) av graden för varje patient med resekerat lungadenokarcinom.
2023.5.1-2023.10.31
Negativt prediktivt värde
Tidsram: 2023.5.1-2023.10.31
Det negativa prediktiva värdet av den djupa inlärningsmodellen baserad på hela bildbilden för att förutsäga det nya betygssystemet för resekerat lungadenokarcinom. Det nya graderingssystemet för lungadenokarcinom inkluderar grad I, grad II och grad III. Och modellen kommer att mata ut de prediktiva värdena (grad I/grad II/grad III) av graden för varje patient med resekerat lungadenokarcinom.
2023.5.1-2023.10.31
Noggrannhet
Tidsram: 2023.5.1-2023.10.31
Noggrannheten hos den djupa inlärningsmodellen baserad på hela bildbilden för att förutsäga det nya betygssystemet för resekerat lungadenokarcinom. Det nya graderingssystemet för lungadenokarcinom inkluderar grad I, grad II och grad III. Och modellen kommer att mata ut de prediktiva värdena (grad I/grad II/grad III) av graden för varje patient med resekerat lungadenokarcinom.
2023.5.1-2023.10.31

Samarbetspartners och utredare

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

Sponsor

Shanghai Pulmonary Hospital, Shanghai, China

Samarbetspartners

Zunyi Medical College
Ningbo HwaMei Hospital, Zhejiang, China
The First Affiliated Hospital of Nanchang University, Jiangxi, China

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)

15 oktober 2024

Primärt slutförande (Beräknad)

31 december 2024

Avslutad studie (Beräknad)

31 december 2024

Studieregistreringsdatum

Först inskickad

12 maj 2023

Först inskickad som uppfyllde QC-kriterierna

27 juni 2023

Första postat (Faktisk)

29 juni 2023

Uppdateringar av studier

Senaste uppdatering publicerad (Faktisk)

21 oktober 2024

Senaste inskickade uppdateringen som uppfyllde QC-kriterierna

17 oktober 2024

Senast verifierad

1 oktober 2024

Mer information

Termer relaterade till denna studie

Ytterligare relevanta MeSH-villkor

Andra studie-ID-nummer

  • WSIGS

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