ChiCTR2600118035尚未招募不适用
基于 LIBS 技术垂体神经内分泌肿瘤的血清与组织生物医学特征分析
南昌大学第一附属医院—临床培育项目3 个研究点 分布在 1 个国家开始时间: 2025年12月11日最近更新:
试验速览
- 阶段
- 不适用
- 状态
- 尚未招募
- 发起方
- 试验地点
- 3
- 主要终点
- 模型分类准确率
研究概览
简要总结
- 基于 LIBS 技术，系统分析 PitNETs 患者血清及肿瘤组织的元素光谱特征 本研究拟通过 LIBS 技术，获取 PitNETs 患者及对照人群血清与肿瘤组织的元素光谱信息，系统分析其元素分布及谱线特征，揭示其在不同临床分型、分级及侵袭性状态下的差异性。
- 应用机器学习方法建立血清与组织差异性判别模型，实现 PitNETs 辅助分型诊断 基于获取的多维元素光谱数据，利用机器学习算法进行特征通道筛选与建模，构建区分不同 PitNETs 类型及分级的判别模型，旨在实现血清和组织元素谱的智能化辅助分型诊断。
- 探索不同元素谱与 PitNETs 临床分型、分级及侵袭性的相关性 进一步分析关键元素及其光谱特征与 PitNETs 临床分型、分级及侵袭性等病理参数之间的关联性，探讨元素代谢异常在 PitNETs 发生发展和生物学行为中的作用机制，为临床风险评估与精准治疗提供理论依据。
研究设计
- 研究类型
- 观察性研究
- 主要目的
- 病例对照研究
- 盲法
- 无
入排标准
- 年龄范围
- 18 至 —（—）
- 性别
- All
入选标准
- •1.PitNETs 患者： 1.年龄>=18 岁。 2.经影像学（MRI）和病理学检查确诊为 PitNETs。 3.涵盖功能性（如泌乳素瘤、GH 瘤）与非功能性亚型；
- •2.健康对照： 1.年龄>=18 岁。 2.无内分泌疾病及肿瘤相关疾病史。 3.所有受试者：均需签署知情同意书；
排除标准
- •1.患有严重心、肝、肾功能不全或其他系统严重疾病；
- •2.存在精神障碍或认知问题，无法配合研究；
- •3.计划迁出本地或无法完成随访者；
- •4.研究者判断不适合参与本研究的其他情况（如依从性差）；
- •5.特别针对样本质量：研究中为确保 LIBS 检测的准确性，需排除因样本制备问题（如严重溶血、组织自溶）导致数据不可靠的样本；
研究组 & 干预措施
病例组
对照组
结局指标
主要结局
模型分类准确率
敏感性
特异性
受试者工作特征曲线下面积
次要结局
- 关键元素谱线强度
- 元素谱与临床参数的相关性
研究者
研究点 (3)
Loading locations...
相似试验
尚未招募
Unknown
神经内分泌肿瘤队列建立及临床病理特征探索神经内分泌肿瘤ChiCTR2500096402
Unknown
不适用
黄丹医师：请填写伦理委员会联系人。 基于 AI 融合大数据的转移性神经内分泌肿瘤组织起源诊断模型的构建和临床适用性验证神经内分泌肿瘤ChiCTR2000036663上海申康医院发展基金
Unknown
不适用
神经内分泌肿瘤专病生物样本库的系统化构建与应用神经内分泌肿瘤ChiCTR2500103989中山医院生物样本库培育计划500
Unknown
不适用
基于 CT 影像基因组学的胰腺神经内分泌肿瘤分子分型和预后预测研究ChiCTR2400092235四川省科技厅重点研发项目
招募中
Unknown
请与我们联系上传伦理审批文件，研究计划书。 PET/CT 检查对神经内分泌肿瘤病理分级及预后情况的预测作用实体肿瘤ChiCTR2100047101项目基金100