- ICH GCP
- Amerikanska kliniska prövningsregistret
- Klinisk prövning NCT07399236
AI-baserad prediktion av levermetastas vid kolorektalcancer (en retrospektiv studie)
En multicenter, retrospektiv, observationsstudie för att utveckla och validera en multimodal djupinlärningsmodell för att förutse metakrona levermetastaser hos patienter med kolorektalcancer efter kurativ resektion
Denna multicenter, retrospektiva studie syftar till att utveckla och validera en multimodal djupinlärningsmodell för att förutsäga risken för metakrona levermetastaser hos patienter med kolorektalcancer i stadium I-III efter kurativ resektion. Modellen kommer att integrera preoperativ kontrastförstärkt CT-bildtagning, digitaliserade histopatologiska helslidesbilder och standard klinisk-patologiska data.
Det primära målet är att bedöma modellens diskrimineringsförmåga, mätt som area under mottagaroperatorkarakteristikkurvan (AUC), och att jämföra dess prediktiva noggrannhet med traditionella prognostiska faktorer såsom TNM-stadiering och serumcarcinoembryonalt antigennivåer. Denna forskning använder befintliga arkivdata; ingen direkt patientkontakt eller intervention är inblandad. Det slutliga målet är att tillhandahålla ett robust, datadrivet verktyg för förbättrad riskstratifiering, vilket potentiellt skulle kunna vägleda personaliserade övervakningsstrategier och beslut om adjuvant terapi i framtiden.
Studieöversikt
Status
Betingelser
Intervention / Behandling
Studietyp
Inskrivning (Beräknad)
Kontakter och platser
Studiekontakt
- Namn: Yang WU, M.D.
- Telefonnummer: 13636076910
- E-post: 255001907@qq.com
Studieorter
-
-
Hubei
-
Wuhan, Hubei, Kina
- Rekrytering
- Tongji Hospital
-
Kontakt:
- Yang WU, M.D.
- Telefonnummer: 13636076910
- E-post: 255001907@qq.com
-
-
Deltagandekriterier
Urvalskriterier
Åldrar som är berättigade till studier
- Vuxen
- Äldre vuxen
Tar emot friska volontärer
Testmetod
Studera befolkning
Beskrivning
Inklusionskriterier:
- Ålder 18-75 år, vilket kön som helst.
- Histologiskt bekräftad primär kolon- eller rektaladenokarcinom.
- Genomgått kurativ radikal resektion (R0-resektion) för kolorektalcancer.
- Preoperativ kontrastförstärkt CT-skanning av buk/bäcken utförd inom 1 månad före operation, med acceptabel bildkvalitet.
- Inga tecken på fjärrmetastaser (inklusive synkron levermetastas) vid preoperativ eller intraoperativ utforskning.
Exklusionskriterier:
- Tidigare historia av andra maligna tumörer.
- Tidigare historia av leverkirurgi eller levertransplantation.
- Saknad klinisk, bildgivande eller patologisk data som krävs för studien.
- Död inom perioperativ period (inom 30 dagar efter operation).
- Brist på regelbunden uppföljningsinformation.
Studieplan
Hur är studien utformad?
Designdetaljer
Kohorter och interventioner
Grupp / Kohort |
Intervention / Behandling |
|---|---|
|
Kolorektalcancerresektionskohort
En retrospektiv kohort av vuxna patienter (18-75 år) med stadium I–III primär kolorektal adenokarcinom som genomgått kurativ (R0) resektion.
Denna kohort definieras för att utveckla och validera en multimodal djupinlärningsmodell för att förutsäga risken för metakrona levermetastaser.
Alla data, inklusive preoperativa kontrastförstärkta DT-undersökningar, postoperativa digitaliserade patologiska preparat och kliniska journaler, samlades retrospektivt från rutinmässig klinisk praktik.
Inga interventioner genomfördes som en del av denna studie.
|
Detta är en icke-interventionell studie.
Den primära studiemetoden innebär tillämpning av en multimodal djupinlärningsmodell för att retrospektivt analysera befintliga kliniska data (kontrastförstärkta CT-bilder, digitaliserade patologiska glidningar och strukturerade kliniska variabler) i syfte att förutsäga risken för metakrona levermetastaser.
Inga terapeutiska eller diagnostiska interventioner administreras till deltagarna som en del av detta forskningsprotokoll.
|
Vad mäter studien?
Primära resultatmått
Resultatmått |
Åtgärdsbeskrivning |
Tidsram |
|---|---|---|
|
Area Under the Receiver Operating Characteristic Curve (AUC)
Tidsram: upp till 3 år
|
Den diskriminerande prestandan hos den multimodala djupinlärningsmodellen för att förutsäga den 3-åriga risken för metakrona levermetastaser.
Modellen integrerar preoperativa kontrastförstärkta CT-bilder, digitaliserade helslidespatologibilder och kliniska data.
AUC kommer att beräknas på den utsatta oberoende testmängden.
Bedömningen baseras på data som samlats in från datumet för kurativ operation (baslinje) till datumet för den första bildverifierade levermetastasen eller den sista uppföljningen.
|
upp till 3 år
|
Sekundära resultatmått
Resultatmått |
Åtgärdsbeskrivning |
Tidsram |
|---|---|---|
|
Levermetastasfri överlevnad (LMFS) efter riskgrupp
Tidsram: upp till 3 år
|
Skillnaden i levermetastasfri överlevnad mellan högriskgruppen och lågriskgruppen som stratifierats av den multimodala modellen.
LMFS definieras som tiden från operation till den första radiologiska diagnosen av levermetastas.
Från operationsdatumet till datumet för första dokumenterade levermetastas eller senaste uppföljning.
|
upp till 3 år
|
Samarbetspartners och utredare
Sponsor
Studieavstämningsdatum
Studera stora datum
Studiestart (Faktisk)
Primärt slutförande (Faktisk)
Avslutad studie (Beräknad)
Studieregistreringsdatum
Först inskickad
Först inskickad som uppfyllde QC-kriterierna
Första postat (Faktisk)
Uppdateringar av studier
Senaste uppdatering publicerad (Faktisk)
Senaste inskickade uppdateringen som uppfyllde QC-kriterierna
Senast verifierad
Mer information
Termer relaterade till denna studie
Andra studie-ID-nummer
- TJ-IRB202512239
Plan för individuella deltagardata (IPD)
Planerar du att dela individuella deltagardata (IPD)?
Läkemedels- och apparatinformation, studiedokument
Studerar en amerikansk FDA-reglerad läkemedelsprodukt
Studerar en amerikansk FDA-reglerad produktprodukt
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 .