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

Differentiering av benigna och maligna lungknölar genom flyktiga organiska föreningar i mänsklig utandning

18 december 2025 uppdaterad av: ChromX Health

Utforskande studie om identifiering av benigna och maligna lungknölar med hjälp av flyktiga organiska föreningar i mänsklig utandning

Målet med denna observationsstudie är att utveckla en avancerad expiratorisk algoritmmodell som använder markörer för flyktiga organiska föreningar (VOC) utandningsluft. Denna modell syftar till att exakt skilja godartade från maligna knölar hos individer som hyser lungknölar. De primära mål som den strävar efter att uppnå är:

  1. För att bedöma den diagnostiska noggrannheten hos en utandningsandning VOC-assisterad diagnostisk artificiell intelligens (AI) modell för att skilja benigna och maligna lungknölar.
  2. För att utvärdera den diagnostiska effektiviteten av en AI-modell som använder VOC-biomakare i utandningsluft för att identifiera specifika typer av maligna knölar, inklusive lungadenokarcinom, lungskivepitelcancer och småcellig lungcancer.
  3. Att utforska och identifiera nyckelkarakteristiska VOC-kombinationer som är associerade med EGFR-ställemutationer i maligna knölar, vidare modellering och utvärdering av klassificeringsprestanda.

Genom att använda detta omfattande tillvägagångssätt hoppas studien kunna bidra väsentligt till tidig upptäckt och korrekt klassificering av lungknölar, vilket i slutändan leder till förbättrad patientvård och behandlingsresultat.

Studieöversikt

Detaljerad beskrivning

Detta är en prospektiv, tvärsnitts- och observationskohortstudie som syftar till att rekrytera 3000 deltagare med lungknölar som sträcker sig från 5 till 30 mm i diameter. Före invasiv kirurgi kommer utandningsprover att samlas in från dessa deltagare och analyseras med hjälp av gaskromatografi-masspektrometri (GC-MS) och mikrogaskromatografi-fotojoniseringsdetektor (μGC-PID) system. Efter förvärvet av μGC-PID-resultat kommer en omfattande utvärdering av den diagnostiska prestandan hos VOC-biotillverkare som skiljer mellan benigna och maligna lungknölar att genomföras, med utnyttjande av histopatologiska fynd, data från CT-undersökningar och kliniska data.

Studietyp

Observationell

Inskrivning (Beräknad)

3000

Kontakter och platser

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

Studiekontakt

Studieorter

    • Beijing Municipality
      • Beijing, Beijing Municipality, Kina
        • Rekrytering
        • Peking Union Medical College Hospital
        • Kontakt:
          • Qian Wang, MD
    • Guangdong
      • Foshan, Guangdong, Kina, 528000
        • Rekrytering
        • First People's Hospital of Foshan
        • Kontakt:
          • Zhuxing Chen
      • Guangzhou, Guangdong, Kina
        • Rekrytering
        • The Fifth Affiliated Hospital of Guangzhou Medical University
        • Kontakt:
          • Hengrui Liang, MD
      • Guangzhou, Guangdong, Kina, 510140
        • Rekrytering
        • The First Affiliated Hospital of Guangzhou Medical University
        • Kontakt:
      • Guangzhou, Guangdong, Kina, 510175
        • Rekrytering
        • Liwan District Central Hospital
        • Kontakt:
          • Hengrui Liang, MD
      • Guangzhou, Guangdong, Kina
        • Rekrytering
        • Guangzhou Development Zone Hospital
        • Kontakt:
          • Hengrui Liang, MD
      • Guangzhou, Guangdong, Kina
        • Rekrytering
        • Huangpu District Chinese Medicine Hospital
        • Kontakt:
          • Hengrui Liang, MD
      • Guangzhou, Guangdong, Kina
        • Rekrytering
        • Huangpu District Hongshan Street Community Health Service Center
        • Kontakt:
          • Hengrui Liang, MD
      • Guangzhou, Guangdong, Kina
        • Rekrytering
        • Huangpu District Jiufo Street Community Health Service Center
        • Kontakt:
          • Hengrui Liang, MD
      • Guangzhou, Guangdong, Kina
        • Rekrytering
        • Huangpu District Lianhe Street Second Community Health Service Center
        • Kontakt:
          • Hengrui Liang, MD
      • Guangzhou, Guangdong, Kina
        • Rekrytering
        • Huangpu District Xinlong Town Central Hospital
        • Kontakt:
          • Hengrui Liang, MD
      • Guangzhou, Guangdong, Kina
        • Rekrytering
        • Huangpu District Yonghe Street Community Health Service Center
        • Kontakt:
          • Hengrui Liang, MD
    • Hubei
      • Wuhan, Hubei, Kina
        • Rekrytering
        • Renmin Hospital of Wuhan University
        • Kontakt:
          • Huiqing Lin, MD
    • Shanghai Municipality
      • Shanghai, Shanghai Municipality, Kina
        • Rekrytering
        • Shanghai Chest Hospital
        • Kontakt:
          • Yanwei Zhang, MD
    • Sichuan
      • Chengdu, Sichuan, Kina, 610042
        • Rekrytering
        • Sichuan Cancer Hospital
        • Kontakt:
          • Bo Tian, MD
          • Telefonnummer: +86 18980053101

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

Ja

Testmetod

Sannolikhetsprov

Studera befolkning

Personer som har lungknölar med en stor diameter mellan 5 mm och 30 mm på en datortomografi inom sex månader.

Beskrivning

Inklusionskriterier:

  • 18-80 år gammal;
  • Lungknölar upptäcktes genom spiral-CT med låg dos, konventionell CT-skanning av bröstkorgen eller högupplöst tunnskikts-CT-undersökning, med en maximal diameter på 5-30 mm, inklusive solida knölar och slipade glasknölar;
  • Patienter kräver pulmonell nodulresektion för att definiera typen av nodulpatologi;
  • Patienterna har ännu inte använt några läkemedel för tumörbehandling;
  • Patienter och/eller familjemedlemmar kan förstå forskningsprotokollet och är villiga att delta i denna studie med skriftligt informerat samtycke.

Exklusions kriterier:

  • Den maximala diametern på lungknölarna är större än 30 mm;
  • Patienter kan inte fastställa den patologiska diagnosen av lungknölar efter kirurgisk resektion eller biopsi;
  • Patienter med återkommande lungcancer;
  • Patienter som har genomgått lungtransplantation eller lobektomi;
  • Individer som för närvarande eller har en historia av maligna tumörer;
  • Patienter i den akuta fasen av inflammation eller i behov av intensivvård i ovan utvalda sjukdomsgrupper;
  • Individer med svår lever- och njurfunktion;
  • Patienter med psykisk ohälsa (såsom svår demens, schizofreni, svår depression, manodepressiv psykos, etc.);
  • Bekräftade HIV-patienter;
  • Gravida eller ammande kvinnor;
  • Patienter eller familjemedlemmar kan inte förstå villkoren och syftena med denna studie.
  • Patienten är ovillig eller oförmögen att personligen underteckna formuläret för informerat samtycke.

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
Intervention / Behandling
Lungknölar
Vuxna patienter före operation med lungknöl som hittats med datortomografi.
Detektering av flyktiga organiska föreningsmolekyler i mänsklig utandning med GC-MS och μGC-PID

Vad mäter studien?

Primära resultatmått

Resultatmått
Åtgärdsbeskrivning
Tidsram
Den diagnostiska noggrannheten för en utandningsandning VOC-assisterad diagnostisk artificiell intelligens (AI) modell för att skilja benigna och maligna lungknölar.
Tidsram: 3 år
Den diagnostiska prestandan för modellen med VOC-assisterad diagnostisk artificiell intelligens (AI) med utandningsluft kommer att jämföras med patologisk diagnos och CT/LDCT-data, inklusive sensitivitet, specificitet, positivt prediktivt värde (PPV) och negativt prediktivt värde (NPV).
3 år

Sekundära resultatmått

Resultatmått
Åtgärdsbeskrivning
Tidsram
Den diagnostiska effektiviteten av en AI-modell för att identifiera specifika typer av maligna knölar, inklusive lungadenokarcinom, skivepitelcancer i lungor och småcellig lungcancer.
Tidsram: 3 år
Den diagnostiska prestandan hos modellen med VOC-assisterad diagnostisk artificiell intelligens (AI) med utandningsluft kommer att jämföras med patologisk diagnos, inklusive sensitivitet, specificitet, positivt prediktivt värde (PPV) och negativt prediktivt värde (NPV).
3 år

Andra resultatmått

Resultatmått
Åtgärdsbeskrivning
Tidsram
Upprätta en VOC-modell för utandningsluft för att förutsäga EGFR-mutationer i maligna lungknölar.
Tidsram: 3 år
Upprätta en VOC-modell för utandningsluft för att förutsäga EGFR-mutationer i patologiskt bekräftade maligna lungknölar. Och utvärdera prediktionsnoggrannheten genom att jämföra resultaten av EGFR-gentestning.
3 år

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

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)

30 juni 2024

Primärt slutförande (Beräknad)

30 december 2026

Avslutad studie (Beräknad)

30 juni 2027

Studieregistreringsdatum

Först inskickad

19 juli 2024

Först inskickad som uppfyllde QC-kriterierna

19 juli 2024

Första postat (Faktisk)

24 juli 2024

Uppdateringar av studier

Senaste uppdatering publicerad (Faktisk)

24 december 2025

Senaste inskickade uppdateringen som uppfyllde QC-kriterierna

18 december 2025

Senast verifierad

1 december 2025

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