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

Optimering av njurtumörhantering genom artificiell intelligensmoduler

16 mars 2025 uppdaterad av: Shao Pengfei

Mutimodal artificiell intelligens för optimering av njurtumörhantering: diagnos, kirurgi och prognos

Målet med denna observationsstudie är att förbättra hanteringen av personer med njurtumör genom multimodal artificiell intelligens (AI). Det kommer också att mäta noggrannheten i förutsägelserna från AI-modeller. Huvudfrågorna som den syftar till att besvara är:

huruvida AI-modulen korrekt kan tillhandahålla tumörrelaterad information såsom benign eller maligna, subtyper, gradering, stadium, etc. genom att lära sig från preoperativa CT-bilder.
om AI-modulen kan hjälpa kliniker att ta reda på det mest lämpliga kirurgiska programmet för personer med njurtumör.
huruvida AI-modulen kan integrera CT-bilder och patologibilder, vilket ger kompletterande prognostisk information för att förbättra postoperativ överlevnad.

Deltagare som genomför en CT-undersökning (vanligtvis kontrastförstärkt CT, CECT) och genomgår radikal eller partiell nefrektomi kommer att utföra aktiv övervakning och registrera postoperativ överlevnadsdata i 5 år.

Studieöversikt

Status

Rekrytering

Betingelser

Detaljerad beskrivning

I denna studie kommer AI-modellen att utforska och klargöra egenskaper i CT-bilder av njurtumörer och patologiska bilder som är svåra att upptäcka manuellt, och sedan korrelera dem med kliniska resultat, och därigenom förbättra diagnosen och behandlingsprocessen för njurtumörer. För det första kan modellen exakt särskilja njurtumörsubtyper och förutsäga stadium, grad och komplexitet för att undvika feldiagnoser och hjälpa läkare att formulera behandlingsplaner. För det andra, genom att lära sig från kirurgiska videor, kan modellen ge ytterligare information under operationer, såsom viktiga anatomiska landmärken, lokalisering av tumörer. Slutligen, genom att kombinera radiomik och patomik, kan modellen skilja mellan högrisk- och lågriskpatienter efter operation, vilket ger personlig prognostisk vägledning.

Studietyp

Observationell

Inskrivning (Beräknad)

2100

Kontakter och platser

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

Studiekontakt

Namn: Shao Pengfei, Professor
Telefonnummer: +8613851925825
E-post: spf032@hotmail.com

Studera Kontakt Backup

Namn: Miao Haoqi, Postgraduate
Telefonnummer: +8613276636957
E-post: mhq@stu.njmu.edu.cn

Studieorter

Kina
- Jiangsu
  - Nanjing, Jiangsu, Kina, 210036
    - Rekrytering
    - The First Affiliated Hospital of Nanjing Medical University (Jiangsu Provincial People's Hospital)
    - Kontakt:
      
      Shao Pengfei, Professor
      
      Telefonnummer: +8613851925825
      
      E-post: spf032@hotmail.com
    - Kontakt:
      
      Miao Haoqi, Postgraduate
      
      Telefonnummer: +8613276636957
      
      E-post: mhq@stu.njmu.edu.cn

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

Nej

Testmetod

Icke-sannolikhetsprov

Studera befolkning

Patienter med njurtumörer på bildundersökningar som opererats

Beskrivning

Inklusionskriterier:

Patienter med njurtumör som kan behandlas genom kirurgi;
Slutför CECT inom 30 dagar före operationen;
Patienter som till fullo förstår denna studie och undertecknar det informerade samtycket;

Uteslutningskriterier:

Patienter med något föremål som saknas i baslinjens kliniska och patologiska information;
Patienter som redan har metastaserat när tumören upptäcks;
Tidigare behandling i någon form, inklusive kirurgi, riktad terapi och immunterapi;

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
Bedömning av AI-modellers prestanda genom den omfattande bedömningsmodellen "AUC". Tidsram: Från inskrivning till slutet av 5-års uppföljning	"AUC" avser området under ROC-kurvan (Receiver Operating Characteristic), som indikerar modellens prestanda när det gäller att förutsäga immunhistokemi-relaterad patologisk information om prostatacancer efter operation, och AUC varierar från 0-1, med det högre värdet indikerar den bättre prediktionseffekten.	Från inskrivning till slutet av 5-års uppföljning

Sekundära resultatmått

Resultatmått	Åtgärdsbeskrivning	Tidsram
Bedömning av modellens prestanda för att förutsäga deltagarnas prognos efter operation med Kaplan-Meier Survival Analysis Tidsram: Från inskrivning till slutet av 5-års uppföljning	Kaplan-Meier Survival Analysis är en icke-parametrisk statistik som främst används för att ta reda på faktorer som indikerar överlevnad.	Från inskrivning till slutet av 5-års uppföljning

Samarbetspartners och utredare

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

Sponsor

Shao Pengfei

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 2025

Primärt slutförande (Beräknad)

1 januari 2028

Avslutad studie (Beräknad)

31 december 2033

Studieregistreringsdatum

Först inskickad

2 december 2024

Först inskickad som uppfyllde QC-kriterierna