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

Artificial Intelligence-Based Early Warning for Distant Metastasis in Malignant Tumors

25 maj 2026 uppdaterad av: Chen Kai, Sun Yat-Sen Memorial Hospital of Sun Yat-Sen University
Early detection and timely intervention of distant metastasis are essential for improving the prognosis of patients with malignant tumors. However, current clinical methods have notable limitations. Conventional imaging can only detect macroscopic metastatic lesions, failing to seize the optimal intervention window before metastasis occurs or during the micrometastasis stage. Previous research has adopted artificial intelligence to break the constraints of traditional imaging and realized subclinical early warning of distant metastasis based on retrospective data. On this basis, the present study aims to systematically validate the predictive performance and generalizability of the model in real-world clinical settings via a prospective cohort. This study intends to establish an organ-specific, non-invasive and cost-effective pan-cancer tool for early warning of distant metastasis. It can gain critical time for clinical intervention, help reduce the incidence of distant metastasis and ultimately optimize patient prognosis.

Studieöversikt

Status

Har inte rekryterat ännu

Studietyp

Observationell

Inskrivning (Beräknad)

10000

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

The enrolled patients are those diagnosed with malignant tumors who receive treatment in hospitals across China and undergo regular follow-up.

Beskrivning

Inclusion Criteria:

  1. Aged ≥ 18 years old;
  2. Diagnosed with malignant tumor confirmed by histopathology;
  3. No distant metastasis detected at baseline enrollment assessment;
  4. Regular imaging examinations for distant metastasis assessment are scheduled in the routine follow-up protocol after enrollment;
  5. Complete baseline clinicopathological data are available;
  6. Patients provide informed consent and permit researchers to collect and analyze their subsequent imaging and clinicopathological data.

Exclusion Criteria:

  1. Concurrent presence of two or more primary malignant tumors;
  2. Presence of any medical or social factors that may interfere with completion of routine imaging follow-up.

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
Model-predicted positive group
The model-predicted positive group is defined as patients predicted by the artificial intelligence model to develop distant metastasis in the future.
Model-predicted negative group
The model-predicted negative group is defined as patients predicted by the artificial intelligence model not to develop distant metastasis in the future.

Vad mäter studien?

Primära resultatmått

Resultatmått
Åtgärdsbeskrivning
Tidsram
Incidence of distant metastasis
Tidsram: At each routine follow-up visit (interval: approximately 6 months to 1 year)
Proportion of patients with distant metastasis among malignant tumor cases
At each routine follow-up visit (interval: approximately 6 months to 1 year)

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)

1 juni 2026

Primärt slutförande (Beräknad)

31 december 2036

Avslutad studie (Beräknad)

31 december 2036

Studieregistreringsdatum

Först inskickad

19 maj 2026

Först inskickad som uppfyllde QC-kriterierna

25 maj 2026

Första postat (Faktisk)

29 maj 2026

Uppdateringar av studier

Senaste uppdatering publicerad (Faktisk)

29 maj 2026

Senaste inskickade uppdateringen som uppfyllde QC-kriterierna

25 maj 2026

Senast verifierad

1 maj 2026

Mer information

Termer relaterade till denna studie

Andra studie-ID-nummer

  • SYSKY-2026-372-01

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