Меню
Набор по приглашению NCT06947096

Radiomics-Based AI Model for Predicting Para-Aortic Lymph Node Metastasis in Gastric Cancer Patients

— Наблюдательное Gastric Cancer Para-Aortic Lymph Node Metastasis Lymphatic Metastasis Preoperative Imaging Assessment

Ориентир для пациента и семьи

Простыми словами

Автоматическая сводка по структурированным данным реестра. Она помогает сориентироваться, но не заменяет официальный протокол или оценку врача.

Что изучают
В протоколе указаны: Radiomics-Based AI Imaging Analysis.
Кому может быть актуально
Состояния в реестре: Gastric Cancer, Para-Aortic Lymph Node Metastasis, Lymphatic Metastasis, Preoperative Imaging Assessment. Базовые параметры: 18 лет — 80 лет · Все.
Что важно проверить
Возраст, диагноз и пол — только базовые ориентиры. Предыдущее лечение, анализы и другие обязательные условия указаны ниже в критериях участия.
Где проводится
Китай
Следующий шаг
Сохраните исследование, покажите его лечащему врачу и уточните актуальный статус у исследовательского центра. Расходы, документы и поездка →

Не всё понятно в терминах? Прочитайте наш гид для пациентов →

Официальное название

A Prospective Clinical Study of Radiomics-Based Artificial Intelligence for Predicting Para-Aortic Lymph Node Metastasis in Patients With Gastric Cancer

Обзор

This study aims to develop and validate an artificial intelligence (AI) model based on radiomics features extracted from preoperative CT images to predict para-aortic lymph node (PALN) metastasis in patients with gastric cancer. Accurately identifying PALN metastasis before surgery can help doctors make better treatment decisions, such as whether to proceed with surgery, consider chemotherapy, or use other treatment strategies. The study will prospectively enroll patients who are diagnosed with gastric cancer and scheduled for surgery. All participants will undergo routine imaging tests, and their data will be analyzed using advanced AI techniques. The results of this study may improve the precision of preoperative staging and support personalized treatment planning for gastric cancer patients.

Вмешательства

  • Диагностический тест Radiomics-Based AI Imaging Analysis
    This intervention involves the development and application of a radiomics-based artificial intelligence (AI) model to analyze preoperative abdominal CT images of patients with gastric cancer. The AI algorithm extracts high-dimensional imaging features from the para-aortic region to predict the presence or absence of para-aortic lymph node metastasis (PALNM). This non-invasive method aims to assist clinicians in preoperative risk stratification and treatment planning. The model will be trained an

Первичные конечные точки

  • Diagnostic Accuracy of the AI Radiomics Model for Predicting Para-Aortic Lymph Node Metastasis in Gastric Cancer [Срок оценки: From Preoperative Imaging to Postoperative Pathological Confirmation (Approximately 4-6 Weeks per Patient)]

Критерии участия

Критерии включения

  • Adults aged 18-80 years.
  • Histologically confirmed gastric adenocarcinoma.
  • Planned to undergo radical gastrectomy with or without para-aortic lymph node dissection.
  • Preoperative contrast-enhanced abdominal CT scan available within 3 weeks before surgery.
  • No evidence of distant metastasis on imaging.
  • ECOG performance status 0-2.
  • Provided written informed consent.

Критерии исключения

  • History of other malignant tumors within the past 5 years.
  • Received neoadjuvant chemotherapy or radiotherapy prior to CT imaging.
  • Poor-quality or incomplete CT images not suitable for radiomics analysis.
  • Severe comorbidities that may affect prognosis or surgical decision-making.
  • Pregnancy or breastfeeding.
  • Inability to provide informed consent or comply with study procedures.

Критерии приведены из реестра в оригинале (на английском). Окончательную оценку соответствия проводит исследовательский центр.

Дизайн исследования

Модель наблюдения
Когортное

Центры проведения

Китай · 1 центр
  • the Fourth Hospital of Hebei Medical University — Shijiazhuang

Идентификаторы

NCT: NCT06947096 · GC-RAD-AI-2025-01

Первоисточники (государственные реестры)

Открыть это исследование на ClinicalTrials.gov ↗