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

AI för njurtumörer med icke-kontrast-CT

13 december 2025 uppdaterad av: Yajia Gu, MD, Fudan University

En artificiell intelligensmodell för screening och diagnostik av njurtumörer baserad på kontrastfri DT

Syftet med denna observationsstudie är att ta reda på om artificiell intelligens kan automatiskt identifiera och diagnostisera njurläsioner med hjälp av kontrastfri CT eller opportunistisk screening.

Studieöversikt

Status

Har inte rekryterat ännu

Betingelser

Detaljerad beskrivning

Denna studie etablerar först en AI-modell som kan detektera och diagnosticera njurlesioner effektivt baserat på en multcenter retrospektiv kohortstudie. Sedan appliceras AI-modellen på en stor skala verklig retrospektiv och prospektiv population för att validera och förbättra dess effektivitet.

Studietyp

Observationell

Inskrivning (Beräknad)

10000

Kontakter och platser

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

Studiekontakt

Studera Kontakt Backup

Studieorter

  • Kina
    • Shanghai Municipality
      • Shanghai, Shanghai Municipality, Kina, 200032
        • Fudan University Shanghai Cancer Center
        • Kontakt:
        • 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

Sannolikhetsprov

Studera befolkning

Patienter som genomgick en datortomografiundersökning av buken.

Beskrivning

Inklusionskriterier:

  1. Patienter som genomgått en buk-CT-undersökning.
  2. Patienter med njurläsioner hanterades enligt standardiserade kliniska vägar, vilket inkluderade uppföljning, biopsi eller kirurgi.
  3. Maligna läsioner bekräftades patologiskt; benigna läsioner bekräftades antingen genom patologisk diagnos eller bilduppföljning.
  4. Ingen tidigare behandling hade erhållits för njursjukdomen.

Exklusionskriterier:

  1. Patienter vägrar att genomgå rekommenderad uppföljning, biopsi eller kirurgi, vilket förhindrade definitiv diagnos av njurläsionen.
  2. Avsaknad av fullständig patologisk bekräftelse för läsioner misstänkta vara maligna.
  3. Patienter har fått någon form av tidigare behandling för njurläsionen.
  4. Dålig bildkvalitet som försvårade diagnostisk utvärdering.

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
Att bygga ett intelligent diagnostiskt system för njursjukdomar baserat på CT-scanningar.
Tidsram: 1 år
Att konstruera ett intelligentsystem för detektering av njurmassor och deras differentiering i cystor, benigna och maligna neoplasi.
1 år

Sekundära resultatmått

Resultatmått
Tidsram
Utveckla vidare en artificiell intelligensmodell för att effektivt diagnostisera patologiska typer av vanliga njurtumörer.
Tidsram: 1 år
1 år

Samarbetspartners och utredare

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

Sponsor

Fudan University

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)

1 januari 2026

Primärt slutförande (Beräknad)

1 december 2028

Avslutad studie (Beräknad)

1 december 2028

Studieregistreringsdatum

Först inskickad

13 december 2025

Först inskickad som uppfyllde QC-kriterierna

13 december 2025

Första postat (Faktisk)

26 december 2025

Uppdateringar av studier

Senaste uppdatering publicerad (Faktisk)

26 december 2025

Senaste inskickade uppdateringen som uppfyllde QC-kriterierna

13 december 2025

Senast verifierad

1 oktober 2025

Mer information

Termer relaterade till denna studie

Nyckelord

Ytterligare relevanta MeSH-villkor

Andra studie-ID-nummer

  • 2509-Exp275

Plan för individuella deltagardata (IPD)

Planerar du att dela individuella deltagardata (IPD)?

OBESLUTSAM

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