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

SERS-baserad serummolekylär spektral screening för benigna och maligna pulmonella proliferativa knölar (SERS on lung)

26 mars 2025 uppdaterad av: Fuzhou General Hospital

SERS-baserad serum molekylär spektral screening för benigna och maligna pulmonella proliferativa knölar: en multicenter, öppen, dubbelblind, oberoende dataanalys klinisk prövning

Lungknölar är ofta en tidig indikator på lungcancer. Med den utbredda användningen av CT-skanningar av bröstkorgen i rutinmässiga fysiska undersökningar upptäcks ett ökande antal lungknölar, inklusive en mängd små knölar som inflammatoriska lesioner, godartade tumörer och maligna tumörer. För närvarande finns det ingen enhetlig internationell konsensus om diagnostiska och behandlingsstrategier för pulmonella knölar, som beskrivs i olika globala riktlinjer. Att utveckla och implementera ett omfattande screeningprogram för lungknutor och lungcancer inom folkhälsoledningssystem är fortfarande en komplex och utmanande strävan. Att avancera forskning och föreslå tekniker för lungcancerscreening som är mycket känsliga, mycket specifika, enkla, tillgängliga och kostnadseffektiva är en viktig och brådskande prioritet inom modern sjukvård.

Ramanspektroskopi (RS), som en icke-invasiv och mycket specifik molekylär detektionsteknik, kan erhållas på molekylär nivå för att känsligt detektera förändringar i biomolekyler som består av proteiner, nukleinsyror, lipider och socker relaterade till tumörmetabolism i biologiska prover. Den ytförstärkta Raman-spektroskopin (SERS) som utvecklats baserat på denna teknologi är en av de möjliga metoderna för högkänslig biomolekylanalys. Även om SERS-teknologi har visat god diagnostisk effekt i många prekliniska studier på flera tumörer, är den begränsad till en generellt liten provstorlek och saknar extern validering. Därför behövs en klinisk studie av Raman-spektra för tumördiagnos, som uppfyller följande krav: 1. En objektiv, snabb och praktisk tillämpning av Raman-spektraldatabehandling behövs och djupinlärningsmetoden kan vara den bästa klassificeringsmetoden; 2. Det kräver multicenter och stora kliniska prover för att träna diagnostisk modell för djupinlärning och verifiera dess verkliga effektivitet genom externa data från prospektiv studie.

I vår preliminära forskning samlade vi serum Raman-spektroskopidata från en kohort av 191 patienter med lungknölar och utvecklade ett intelligent diagnossystem för att skilja mellan godartade och maligna lungknölar med hjälp av en maskininlärningsmodell. Systemet uppnådde en noggrannhet på 89,7 %. För att erhålla den högsta nivån av kliniska bevis och verkligen förverkliga klinisk transformation, är denna prospektiva, multicenter kliniska studie utformad för att verifiera det intelligenta diagnostiska systemet för tidig diagnos av prostatacancer.

Studieöversikt

Detaljerad beskrivning

År 2020 fanns det cirka 19,3 miljoner nya cancerfall och nästan 10 miljoner dödsfall i cancer världen över. Bland dem var antalet nya fall av lungcancer cirka 2,21 miljoner, vilket motsvarar 11,4 % av det totala antalet nya cancerfall. Det var cirka 1,8 miljoner dödsfall i lungcancer, rankad först bland cancerdödsfall. Under det året var antalet nya fall av lungcancer i Kina 816 000, vilket motsvarar 37 % av den globala totalen. År 2022 ökade det senaste antalet fall av lungcancer i Kina till 1,0606 miljoner, och antalet dödsfall i lungcancer var 733 000. När det gäller 5-årsöverlevnaden för lungcancerpatienter var uppgifterna som släpptes 2018 i Kina (2012-2015) 19,7 %, vilket fortfarande är en stor skillnad från den totala 5-årsöverlevnaden för cancer på 46,6 % till 2030 föreslås i "Healthy China Action-Cancer Prevention and Control Action Implementation Plan (2023-2030)". Prognosen för lungcancer i olika stadier är ganska olika. Femårsöverlevnaden för lungcancer i stadium I är 77%~92%, och 5-årsöverlevnaden för lungcancer i stadium IIIA~IVB är 0~36%. Därför är tidig diagnos och behandling av lungcancer nyckeln till att förbättra 5-årsöverlevnaden för lungcancer och förbättra prognosen för patienter. De flesta lungcancerpatienter är dock redan i det sena stadiet av lungcancer när de får diagnosen, och de har missat möjligheten till radikal behandling. Det främsta skälet är att det primära och sekundära förebyggande arbetet inte görs tillräckligt. Det är nödvändigt att utveckla avancerad teknik och integrera dem i konsensusriktlinjerna för bred marknadsföring.

Lungknölar är tidiga manifestationer av lungcancer. Med populariseringen av CT-screening av bröstet i fysiska undersökningsartiklar, hittas fler och fler lungknölar vid fysiska undersökningar, inklusive olika typer av små knölar, såsom inflammatoriska lesioner, godartade tumörskador och maligna tumörlesioner. För att identifiera dessa typer av knölar bedömer läkare ofta de tvådimensionella avbildningsegenskaperna hos knölar baserat på deras personliga erfarenhet, såsom plandiameter, om det finns grader, lober, förkalkning och andra särdrag för att bedöma sannolikheten för malignitet i lungorna knölar, men noggrannheten i att bedöma de godartade och maligna knölarna på detta sätt är nära relaterad till läkares erfarenhet och tjänstgöringstid, och olika läkare har olika bedömningar av samma knölar. För närvarande finns det ingen enhetlig konsensus om diagnos och behandlingsstrategier för lungknutor som rekommenderas av flera internationella konsensusriktlinjer. I folkhälsovårdsanläggningar är utvecklingen och implementeringen av ett omfattande screeningprogram för lungknutor lungcancer en komplex och utmanande uppgift. Att forska och föreslå högkänslighet och hög specificitet samt enkla, lättillgängliga och billiga lungcancerscreeningstekniker är en oumbärlig del av hälso- och sjukvårdssystemet. Dessutom, på grund av inkonsekvensen av riktlinjer för diagnos och behandlingsstrategier för lungknölar, är fenomenet överdiagnostik och behandling av lungknölar också vanligt i klinisk praxis. Hur man undviker överdiagnostik och behandling behöver mer uppmärksamhet. Därför är det vårt ansvar att aktivt förbättra noggrannheten i förutsägelsen av lungknölcancer, minska frekvensen av överdiagnostik och behandling och öka frekvensen av tidig lungcancerintervention. Bland de befintliga screeningmetoderna för tidig lungcancer är laboratorietester (särskilt användning av blod, urin eller andra flytande biopsier) en billig, icke-invasiv och lätt repeterbar tidig prediktionsmetod jämfört med avbildning eller histopatologiska undersökningar, genom att detektera specifika cancerbiomarkörer såsom cirkulerande tumör-DNA, proteiner, cancermetaboliter och till och med cellhärledda exosomer och cirkulerande tumörceller. Men det finns fortfarande många utmaningar, inklusive: 1) Det finns inga effektiva och rikliga tumörbiomarkörer för lungcancer; 2) Det finns ingen enkel och genomförbar cancerdetekteringsmetod, särskilt i det asymtomatiska stadiet; 3) Det finns ingen heltäckande analysplattform för stora datamängder för att skilja mellan friska och lungcancerpopulationer.

Ramanspektroskopi (RS) är en icke-invasiv och mycket specifik materialmolekylär detektionsteknologi som kan erhållas på molekylär nivå för att känsligt detektera förändringar i biomolekyler som består av proteiner, nukleinsyror, lipider och sockerarter relaterade till tumörmetabolism i biologiska prover. Ytförstärkt Raman-spektroskopi (SERS) utvecklad baserat på denna teknologi är en av de möjliga metoderna för högkänslig biomolekylär analysteknik. Även om SERS-teknologin har visat goda diagnostiska effekter i ett stort antal prekliniska studier av flera tumörer, begränsas den av den generellt sett lilla provstorleken och avsaknaden av extern verifiering. Därför är det nödvändigt att bedriva klinisk forskning om användningen av Raman-spektroskopi för tumördiagnos, som uppfyller följande krav: 1. Objektiva, snabba och praktiska databearbetningsmetoder för Raman-spektroskopi krävs, och maskin- och djupinlärningsmetoder kan vara de bästa klassificeringsmetoder; 2. Kliniska prover med flera centra, stora urval behövs för att träna diagnostiska modeller för djupinlärning, och deras verkliga effektivitet verifieras av externa data från prospektiva studier.

I vår tidigare studie samlade vi serum Raman-spektroskopidata från en kohort av 191 patienter med lungknölar och byggde ett Raman-intelligent diagnossystem för godartade och maligna lungknölar baserat på en maskininlärningsmodell. Noggrannheten för detta intelligenta diagnossystem nådde 89,7%. För att erhålla den högsta nivån av kliniska bevis och verkligen uppnå klinisk transformation, syftar denna prospektiva, multicenter kliniska studie till att verifiera användningen av detta intelligenta diagnossystem för tidig diagnos av maligna lungknölar.

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.

Studiekontakt

Studieorter

    • Fujian
      • Fuzhou, Fujian, Kina, 350000
        • Raman detector
        • 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

Nej

Testmetod

Icke-sannolikhetsprov

Studera befolkning

CT av bröstkorgen avslöjar närvaron av lungknölar hos patienten och planerar att genomgå kirurgisk behandling

Beskrivning

Inklusionskriterier:

  1. Deltagare med lungcancer som uppfyller kriterierna för TNM (nionde upplagan);
  2. Deltagarna är villiga att delta i denna studie och följa forskningsplanen;
  3. Deltagare eller juridiskt auktoriserade representanter kan ge skriftligt informerat samtycke som godkänts av den etikprövningskommitté som hanterar webbplatsen.

Uteslutningskriterier:

  1. Deltagare med samtidiga andra maligna tumörer;
  2. Deltagare med saknade kliniska baslinjedata;
  3. Deltagare med allvarliga underliggande lungsjukdomar (såsom bronkiektasi, bronkial astma eller KOL, etc.), eller de med en historia av yrkes- eller miljöexponering för damm, gruvor eller asbest;
  4. Deltagare som inte samarbetar eller vägrar delta i kliniska prövningar i ett senare skede.

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
CT av bröstkorgen bekräftar patient med lungknölar
CT av bröstkorgen bekräftade förekomsten av lungknölar hos patienten och genomgick slutligen kirurgiskt ingrepp. Lungknölarna hade de slutliga patologiska resultaten.
  1. Screeningintresserade deltagare bör underteckna lämpligt informerat samtycke (ICF) innan några studieprocedurer slutförs.
  2. Utredaren kommer att granska symtom, riskfaktorer och andra icke-invasiva inklusions- och uteslutningskriterier.
  3. Följande är det allmänna händelseförloppet under den tre månader långa utvärderingsperioden:
  4. Slutförande av baslinjeprocedurer Deltagarna utvärderades under 3 månader och genomförde all säkerhetsövervakning.

Vad mäter studien?

Primära resultatmått

Resultatmått
Åtgärdsbeskrivning
Tidsram
Diagnostisk noggrannhet
Tidsram: genom avslutad studie, i genomsnitt 1 år
Bestäm om det finns hematogen metastasering hos inskrivna lungcancerpatienter genom RAMAN intelligent diagnostiksystem
genom avslutad studie, i genomsnitt 1 år
Postoperativa patologiska resultat
Tidsram: genom avslutad studie, i genomsnitt 1 år
Efter att ha genomgått kirurgisk resektion av pulmonella knölar, bestämdes den slutliga patologiska naturen av lungknölarna genom patologisk undersökning.
genom avslutad studie, i genomsnitt 1 år

Sekundära resultatmått

Resultatmått
Åtgärdsbeskrivning
Tidsram
Dags för RAMAN diagnos
Tidsram: upp till 30 dagar
Tiden för att utföra RAMAN-testning och få diagnostiska resultat efter att ha erhållit serum
upp till 30 dagar
Säkerhetsbedömning Resultat
Tidsram: upp till 30 dagar
AE och SAE till och med dag 30
upp till 30 dagar

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 (Beräknad)

8 april 2026

Primärt slutförande (Beräknad)

31 december 2026

Avslutad studie (Beräknad)

31 december 2026

Studieregistreringsdatum

Först inskickad

24 december 2024

Först inskickad som uppfyllde QC-kriterierna

9 januari 2025

Första postat (Faktisk)

25 mars 2025

Uppdateringar av studier

Senaste uppdatering publicerad (Faktisk)

31 mars 2025

Senaste inskickade uppdateringen som uppfyllde QC-kriterierna

26 mars 2025

Senast verifierad

1 mars 2025

Mer information

Termer relaterade till denna studie

Ytterligare relevanta MeSH-villkor

Andra studie-ID-nummer

  • 2024-041

Plan för individuella deltagardata (IPD)

Planerar du att dela individuella deltagardata (IPD)?

JA

IPD-planbeskrivning

Ålder, kön, rökhistoria och tumörtyp för de inskrivna patienterna

Kriterier för IPD Sharing Access

För rimliga behov relaterade till vetenskaplig forskning, kontakta projektledaren för specifik datakonsultation.

IPD-delning som stöder informationstyp

  • STUDY_PROTOCOL
  • SAV

Läkemedels- och apparatinformation, studiedokument

Studerar en amerikansk FDA-reglerad läkemedelsprodukt

Nej

Studerar en amerikansk FDA-reglerad produktprodukt

Nej

produkt tillverkad i och exporterad från U.S.A.

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