Strojové učení pro ruční vaskulární studie (DopplerZAM)
Vývoj a validace nového algoritmu strojového učení pro pomoc při ruční vaskulární diagnostice
Použití ručních arteriálních „stetoskopů“ (kontinuální vlnová Dopplerova zařízení) je v klinické praxi všudypřítomné. Většina uživatelů však neprošla žádným formálním školením v jejich používání nebo interpretaci vrácených dat. To vede ke zpoždění v diagnostice a chybám v diagnostice.
Vyšetřovatelé mají v úmyslu vytvořit nový algoritmus strojového učení, který by lékařům pomohl při používání těchto dat. Tato studie umožní vyšetřovatelům shromáždit zvukové soubory z používání zařízení a porovnat výstup algoritmů se zavedeným existujícím vaskulárním testováním. Nebudou probíhat žádné invazivní postupy a používání těchto stetoskopů je součástí běžné klinické péče.
Pokud budou úspěšná, tato data a algoritmus budou později nasazeny prostřednictvím aplikace pro chytré telefony pro testování případu v samostatné studii
Přehled studie
Postavení
Podmínky
Intervence / Léčba
Detailní popis
Tento projekt má tři hlavní výzkumné úkoly: 1) identifikace diskriminačních znaků dopplerovského zvuku pro klasifikaci pacientů, 2) výběr a trénování klasifikačních algoritmů a 3) obohacování zvukových dat CWD pomocí fyzikálních modelů. Vyšetřovatelé určí, které diskriminační znaky jsou optimální pro klasifikaci pacienta z ultrazvukového dopplerovského zvuku.
Za tímto účelem výzkumníci použijí vlastnosti signálu ve frekvenční doméně, jako je mimo jiné šířka pásma, špičková frekvence, střední výkon, střední frekvence a časové harmonické zkreslení.
Kromě toho vyšetřovatelé prozkoumají, zda jsou vlastnosti časové domény nezbytné pro přesnou klasifikaci zvuku. Jiné studie ukázaly, že specifické vlastnosti zvukových křivek mohou klasifikovat data. Vyšetřovatelé použijí některé z nejúčinnějších algoritmů strojového učení pro klasifikaci, jako je mimo jiné SVM, logistická regrese a Naïve Bayes. Vyšetřovatelé začnou s problémem binární klasifikace, ve kterém budou jednotlivci klasifikováni jako zdraví nebo nezdraví. Poté se vyšetřovatelé ve složitosti přesunou k problémům klasifikace více tříd, ve kterých budou jednotlivci kategorizováni do různých skupin podle definovaných abnormálních arteriálních stavů. Obohacování dat pomocí fyzikálních modelů využívajících fyziologicky přesné modely konečných prvků proudění tekutin v tepnách pro generování syntetických zvukových signálů odpovídajících různým arteriálním podmínkám. Fyzikální simulace by umožnily vyšetřovatelům produkovat velké množství tréninkových dat, která mohou pokrývat mnoho známých arteriálních stavů. Tato schopnost může zvýšit přesnost klasifikace a zobecnění našich algoritmů, protože klinická data nemusí být dostatečně vyčerpávající, aby zahrnovala všechny známé arteriální stavy. Vyšetřovatelé budou studovat výkon trénovaných algoritmů na datech pacientů. Za tímto účelem vyšetřovatelé rozdělí data do školicích a testovacích vzorků. Trénovací vzorky budou použity pro trénování algoritmů, zatímco testovací sada bude použita pro posouzení schopnosti zobecnění. Vyšetřovatelé spočítají míru chybné klasifikace pro každý algoritmus jako metriku výkonu.
Typ studie
Zápis (Aktuální)
Kontakty a umístění
Studijní místa
-
-
North Carolina
-
Durham, North Carolina, Spojené státy, 27710
- Duke University Medical Center
-
-
Kritéria účasti
Kritéria způsobilosti
Věk způsobilý ke studiu
- Dítě
- Dospělý
- Starší dospělý
Přijímá zdravé dobrovolníky
Metoda odběru vzorků
Studijní populace
Popis
Kritéria pro zařazení:
- Musí být přítomen klinicky podmíněný požadavek na neinvazivní vaskulární vyšetření
Kritéria vyloučení:
- Žádné (kromě toho, že pacient účast odmítne)
Studijní plán
Jak je studie koncipována?
Detaily designu
- Observační modely: Kohorta
- Časové perspektivy: Budoucí
Kohorty a intervence
Skupina / kohorta |
Intervence / Léčba |
|---|---|
|
Neinvazivní vaskulární vyšetření
Všichni pacienti podstupující neinvazivní vaskulární testování budou způsobilí pro tuto studii.
Oficiální výsledky budou použity k vývoji algoritmu a vyhodnocení přesnosti algoritmu
|
Výsledky klinicky indikovaného neinvazivního vaskulárního testování budou použity k vývoji algoritmu strojového učení
Ostatní jména:
|
Co je měření studie?
Primární výstupní opatření
Měření výsledku |
Časové okno |
|---|---|
|
Algoritmus generoval Dopplerovu klasifikaci
Časové okno: 1 rok
|
1 rok
|
Sekundární výstupní opatření
Měření výsledku |
Časové okno |
|---|---|
|
Přítomnost nebo nepřítomnost pulsu
Časové okno: 1 rok
|
1 rok
|
|
Kvalita pulsu
Časové okno: 1 rok
|
1 rok
|
|
Přítomnost nebo nepřítomnost dopplerovského signálu
Časové okno: 1 rok
|
1 rok
|
|
Kvalita dopplerovského signálu
Časové okno: 1 rok
|
1 rok
|
Spolupracovníci a vyšetřovatelé
Sponzor
Termíny studijních záznamů
Hlavní termíny studia
Začátek studia (Aktuální)
Primární dokončení (Aktuální)
Dokončení studie (Aktuální)
Termíny zápisu do studia
První předloženo
První předloženo, které splnilo kritéria kontroly kvality
První zveřejněno (Odhadovaný)
Aktualizace studijních záznamů
Poslední zveřejněná aktualizace (Aktuální)
Odeslaná poslední aktualizace, která splnila kritéria kontroly kvality
Naposledy ověřeno
Více informací
Termíny související s touto studií
Klíčová slova
Další relevantní podmínky MeSH
Další identifikační čísla studie
- Pro00070090
Plán pro data jednotlivých účastníků (IPD)
Plánujete sdílet data jednotlivých účastníků (IPD)?
Informace o lécích a zařízeních, studijní dokumenty
Studuje lékový produkt regulovaný americkým FDA
Studuje produkt zařízení regulovaný americkým úřadem FDA
Tyto informace byly beze změn načteny přímo z webu clinicaltrials.gov. Máte-li jakékoli požadavky na změnu, odstranění nebo aktualizaci podrobností studie, kontaktujte prosím register@clinicaltrials.gov. Jakmile bude změna implementována na clinicaltrials.gov, bude automaticky aktualizována i na našem webu .