Меню
Набор скоро начнётся NCT07329816

External, Multicentre Validation of a Machine-Learning Model to Predict Colonic Adenoma in Indian Adults

— Наблюдательное Colonoscopy

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: Not Applicable / Observational study.
Кому может быть актуально
Состояния в реестре: Colonoscopy. Базовые параметры: 18 лет — 75 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
Список центров уточняется — проверьте первичный протокол.
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

External, Multicentre Validation of a Machine-Learning Model to Predict Colonic Adenoma in Indian Adults-A Prospective, Observational, Multicentre Study

Обзор

Colorectal adenomas are precursors to colorectal cancer (CRC). Accurate pre-procedure risk stratification could optimize colonoscopy yield and resource allocation in India, where adenoma prevalence varies by age, sex, and lifestyle/metabolic factors. ML models can integrate multiple predictors to estimate individualized risk. Existing risk scores are largely Western; performance and calibration may not be appropriate in Indian populations with different socio-demographic and metabolic profiles. External, prospective, multicentre validation is essential before clinical implementation.

Вмешательства

  • Процедура Not Applicable / Observational study
    No study-specific intervention is administered. Participants undergo standard-of-care diagnostic colonoscopy and histopathological evaluation. A locked machine-learning model is applied to routinely collected baseline clinical and demographic data for risk prediction only, without influencing clinical management.

Первичные конечные точки

  • Area Under the Receiver Operating Characteristic Curve (AUROC) of the Machine Learning Model [Срок оценки: 1 YEAR]
Вторичные конечные точки (1)
  • Validation Performance of the Machine Learning Prediction Model [Срок оценки: 1 YEAR]

Критерии участия

Критерии включения

  • Adults ≥18 years undergoing diagnostic colonoscopy.
  • Adequate bowel preparation (Boston Bowel Preparation Scale total ≥6 with each segment ≥2).
  • Complete examination (cecal intubation; withdrawal time ≥6 min when no therapy).
  • Availability of all model predictors per CRF.

Критерии исключения

  • • Known CRC or polyp, prior colectomy, polyposis syndromes, known IBD, or strong hereditary CRC syndromes (e.g., Lynch) if excluded in derivation.
  • Inadequate prep, incomplete colonoscopy, obstructing lesions preventing optical diagnosis beyond obstruction.
  • Emergency colonoscopies, therapeutic-only procedures without diagnostic intent.

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

Здоровые добровольцы: Нет

Дизайн исследования

Модель наблюдения
Когортное

Центры проведения

Список центров уточняется — проверьте первичный протокол.

Идентификаторы

NCT: NCT07329816 · VALID-ADENOMA-IN

Первоисточники (государственные реестры)

Открыть это исследование на ClinicalTrials.gov ↗