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

Utveckling och tillämpning av en artificiell intelligens-driven exakt identifieringsmodell för magcancer lymfkörtelmetastaser

1 augusti 2024 uppdaterad av: Qun Zhao, Hebei Medical University

Hebei Medical University

Den kliniska prövningen med titeln "Utveckling och tillämpning av en artificiell intelligensdriven exakt identifieringsmodell för metastasering av gastric cancer lymfkörtlar" syftar till att förbättra upptäckten och behandlingen av magcancer genom användning av den senaste tekniken för artificiell intelligens (AI). Denna studie kommer att utveckla en AI-driven modell utformad för att exakt identifiera lymfkörtelmetastaser hos patienter med magcancer, vilket är avgörande för att iscensätta sjukdomen och planera effektiva behandlingsstrategier.

Försöket kommer att involvera ett tvärvetenskapligt team av onkologer, radiologer, datavetare och AI-experter som kommer att samarbeta för att skapa ett robust och exakt identifieringssystem. Deltagarna kommer att genomgå standarddiagnostiska procedurer, och AI-modellen kommer att analysera avbildning och patologiska data för att förutsäga lymfkörtelinblandning.

Genom att jämföra AI-modellens förutsägelser med traditionella diagnostiska metoder försöker studien validera modellens noggrannhet och effektivitet. Detta tillvägagångssätt förväntas förbättra tidig upptäcktshastighet, minska diagnostiska fel och i slutändan leda till bättre kliniska resultat för patienter med magcancer. Den framgångsrika implementeringen av denna AI-drivna modell skulle kunna revolutionera de nuvarande standarderna för vård och fungera som en plan för att integrera AI-teknik i andra cancerdiagnoser och behandlingar.

Studieöversikt

Studietyp

Observationell

Inskrivning (Beräknad)

300

Kontakter och platser

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

Studieorter

    • Hebei
      • Shijiazhuang, Hebei, Kina, 050011
        • Rekrytering
        • Department of General Surgery
        • Huvudutredare:
          • Qun Zhao, Doctor
        • 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

Studiepopulationen för den kliniska prövningen med titeln "Utveckling och tillämpning av en artificiell intelligensdriven exakt identifieringsmodell för gastrisk cancerlymfkörtelmetastas (AID-GLNM)" kommer att bestå av patienter som diagnostiserats med magcancer, med fokus på de som uppvisar lymfkörtel medverkan.

Beskrivning

Inklusionskriterier:

  1. Diagnos av magcancer: Bekräftad diagnos av magcancer, antingen nydiagnostiserad eller återkommande.
  2. Lymfkörtelinblandning: Misstänkt eller bekräftad involvering av lymfkörtlar, vilket indikeras av bildundersökningar eller patologirapporter.
  3. Ålder: Patienter som är 18 år eller äldre.
  4. Prestationsstatus: En Eastern Cooperative Oncology Group (ECOG) prestationsstatus på 0 till 2, vilket indikerar en funktionell status som tillåter deltagande i studien.
  5. Informerat samtycke: Möjlighet att ge skriftligt informerat samtycke för att delta i studien.

Exklusions kriterier:

  1. Graviditet eller amning: Gravida eller ammande kvinnor, på grund av potentiella risker för fostret eller spädbarnet.
  2. Allvarliga komorbida tillstånd: Förekomst av allvarliga komorbida medicinska tillstånd som kan störa studien eller utgöra ytterligare risker.
  3. Tidigare AI-driven diagnostisk intervention: Tidigare användning av alla AI-drivna diagnostiska modeller specifikt för lymfkörtelmetastaser i magcancer.
  4. Oförmåga att följa: Oförmåga eller ovilja att följa studieprocedurer, inklusive uppföljningsbesök och datainsamling.
  5. Mental eller kognitiv funktionsnedsättning: Tillstånd som försämrar förmågan att ge informerat samtycke eller delta effektivt i studien.

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
Identifiering av metastaserande lymfkörtlar
Tidsram: 2025-12-31
En prediktionsmodell baserad på artificiell intelligens-teknologi konstruerades för att noggrant identifiera metastaserande perigastriska lymfkörtlar före operation.
2025-12-31

Samarbetspartners och utredare

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

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 2024

Primärt slutförande (Beräknad)

31 december 2025

Avslutad studie (Beräknad)

30 juli 2030

Studieregistreringsdatum

Först inskickad

25 juli 2024

Först inskickad som uppfyllde QC-kriterierna

1 augusti 2024

Första postat (Faktisk)

2 augusti 2024

Uppdateringar av studier

Senaste uppdatering publicerad (Faktisk)

2 augusti 2024

Senaste inskickade uppdateringen som uppfyllde QC-kriterierna

1 augusti 2024

Senast verifierad

1 augusti 2024

Mer information

Termer relaterade till denna studie

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