Tato stránka byla automaticky přeložena a přesnost překladu není zaručena. Podívejte se prosím na anglická verze pro zdrojový text.

Inteligentní detekce karotického plaku a jeho stabilita na základě hlubokého učení dynamického ultrazvukového skenování

13. září 2023 aktualizováno: Jia Liu

Model hlubokého učení založený na rutinním videu o ultrazvukovém skenování, který lékařům pomůže zlepšit diagnostiku karotického plaku

Cílem této studie je vytvořit model pomocí hlubokého učení, který dokáže automaticky a přesně detekovat plaky, vypočítat míru stenózy lumen a vyhodnotit stabilitu plaků na základě dynamických ultrazvukových snímků karotidy a kontrastních ultrazvukových snímků, aby bylo možné komplexně vyhodnotit možnost karotických plaků. kardiovaskulární riziko. Úspěšný vývoj této studie bude automaticky simulovat a reprodukovat celý proces hodnocení karotického plaku klinickými sonografy. Vyřešte problém ultrazvukového kontrolního zařízení a zažijte závislost. Očekává se, že bude provádět rozsáhlý populační inteligentní screening, který poskytne nové nápady pro včasnou prevenci a léčbu. Zejména v medicínsky málo rozvinutých odlehlých oblastech a nedostatku zkušených sonografistů má velkou praktickou hodnotu v klinické zdravotní péči a může přinést větší sociální a ekonomické výhody.

Přehled studie

Detailní popis

Pozadí:

Karotický plak je škodlivý pro lidské zdraví. Podle odhadů Světové zdravotnické organizace dojde každý rok k 6,7 milionu cévních mozkových příhod a mozkových mrtvic, které souvisejí především s tvorbou karotických aterosklerotických plátů. Na jedné straně může plak karotické arterie způsobit stenózu karotické arterie nebo dokonce okluzi, což způsobí mozkovou ischemii. Včasná detekce a přesné hodnocení karotických plátů jsou užitečné pro klinické lékaře, aby přijali účinná intervenční opatření, která mohou významně snížit míru invalidity a úmrtnosti na cévní mozkovou příhodu.

Karotidové CTA a MRA mohou poskytnout obrazy plaku s relativně vysokým rozlišením a vysokou kvalitou, ale mají omezení z hlediska nákladů a skenování, které omezují jejich použití v každodenní klinické praxi. Ultrasonografie má výhody neinvazivnosti, pohodlí, nízké ceny a dobré opakovatelnosti. Je to preferovaná zobrazovací metoda pro detekci plaku, stenózu a stabilitu plaku. Kontrastní ultrasonografie (CEUS) může citlivě prokázat intraplakovou mikrocirkulační perfuzi injekčním podáním mikrobublinových kontrastních látek a je v souladu s histopatologickými nálezy a stále více se klinicky používá k hodnocení stability plaku.

Na jedné straně je však omezením ultrazvukového vyšetření to, že se při zlepšování přesnosti musí spoléhat na úroveň přístrojů a operátorů. Na druhou stranu s růstem populační základny a stárnutím společnosti tradiční lékařský model nedokázal pokrýt každoroční nárůst počtu pacientů. potřeby vyšetření pacientů. Proto je velmi důležité vyvinout integrovanou aplikační platformu AI, která dokáže automaticky a přesně detekovat plak na základě ultrazvukových obrazových dat a vyhodnocovat stenózu lumen a stabilitu plaku.

Účel:

Cílem této studie je vytvořit model založený na hlubokém učení pro automatickou a přesnou detekci plaku na základě dynamického ultrazvukového obrazu karotické příčné osy, vypočítat míru stenózy lumen a provést hodnocení stability, aby bylo možné komplexně vyhodnotit možné kardiovaskulární účinky karotického plaku. . riziko. Realizuje automatickou simulaci a reprodukci celého procesu hodnocení cervikálního plaku klinickými ultrazvukovými odborníky.

Studovat design:

Dvě třetiny zapsaných pacientů a jejich odpovídající snímky dynamického skenování karotid a výsledky expertní diagnózy byly náhodně vybrány jako kohorta pro hloubkové učení. Snímky dynamického skenování krční tepny a výsledky expertní diagnózy u zbývající 1/3 pacientů byly použity jako validační kohorta k vyhodnocení celkové diagnostické přesnosti modelu hlubokého učení.

Statistická analýza:

Senzitivita, specifičnost, pozitivní prediktivní hodnota a negativní prediktivní hodnota hlubokého učení pro detekci plaku, odhad míry luminální stenózy nebo predikci stability plaku byly pro vyhodnocení vypočteny podle plochy pod křivkou ROC (Receiver Operační charakteristika) (AUROC). Statistická analýza byla provedena pomocí softwaru SPSS 22.0.

Kontrola kvality:

Vyvinout standardizované a standardní vyšetřovací metody a operační postupy karotid ultrazvukem a vyvinout jednotné standardy pořizování a uchovávání snímků. Všichni operátoři jsou důsledně školeni v ultrasonografii karotid. Dva operátoři s více než 5 lety zkušeností s provozem ultrazvuku byli najati jako pracovníci kontroly kvality, aby zkontrolovali všechny snímky a vyloučili nekvalifikované snímky.

Ultrazvuk je bezpečný a bez záření. Během vyšetření byli lékař a pacient vždy ve stavu komunikace a pacient se cítil méně nervózní a strach, s dobrou tolerancí a vysokou compliance.

Etika studia:

Tento výzkum se bude řídit etickými pokyny Helsinské deklarace Světového lékařského kongresu a příslušnými normami a předpisy klinického výzkumu. Studie bude zahájena po schválení etickou komisí. Před zahájením studie by měl zkoušející informovat subjekty o veškerém relevantním obsahu klinické studie ve snadno srozumitelném jazyce a informovat pacienty, že mají právo ze studie kdykoli odstoupit. Studie byla zahájena až poté, co pacienti dobrovolně podepsali informovaný souhlas.

Typ studie

Pozorovací

Zápis (Aktuální)

2000

Kontakty a umístění

Tato část poskytuje kontaktní údaje pro ty, kteří studii provádějí, a informace o tom, kde se tato studie provádí.

Studijní místa

    • Guangdong
      • Guangzhou, Guangdong, Čína
        • The third affiliated hospital of Sun Yat-Sen University

Kritéria účasti

Výzkumníci hledají lidi, kteří odpovídají určitému popisu, kterému se říká kritéria způsobilosti. Některé příklady těchto kritérií jsou celkový zdravotní stav osoby nebo předchozí léčba.

Kritéria způsobilosti

Věk způsobilý ke studiu

18 let a starší (Dospělý, Starší dospělý)

Přijímá zdravé dobrovolníky

Ne

Metoda odběru vzorků

Ukázka pravděpodobnosti

Studijní populace

Věk≥18 let, pohlaví není omezeno, s různým stupněm aterosklerózy karotid.

Popis

Kritéria pro zařazení:

  • (1) Věk≥18 let, pohlaví není omezeno. (2) Pacienti, kteří se dobrovolně zúčastnili této studie, podepsali informovaný souhlas.

Kritéria vyloučení:

  • (1) Těžké cerebrovaskulární onemocnění, nespolupracující pacienti a ti, kteří nesnášejí vyšetření. (2) Převazy na rány po operaci krku ovlivňují ultrasonografii karotid. (3) Krk je krátký a silný a sondu nelze položit vertikálně.

Studijní plán

Tato část poskytuje podrobnosti o studijním plánu, včetně toho, jak je studie navržena a co studie měří.

Jak je studie koncipována?

Detaily designu

  • Observační modely: Kohorta
  • Časové perspektivy: Budoucí

Kohorty a intervence

Skupina / kohorta
Intervence / Léčba
Výcviková kohorta hlubokého učení
2/3 zapsaných pacientů a jejich odpovídající snímky dynamického skenování karotid a výsledky expertní diagnózy byly náhodně vybrány jako tréninková kohorta pro hluboké učení.
trénovat model hlubokého učení
Ověřovací kohorta hlubokého učení
Dynamické skenování karotid a výsledky expertní diagnózy u zbývající 1/3 pacientů byly použity jako validační kohorta k vyhodnocení celkové diagnostické přesnosti modelu hlubokého učení.
vyhodnotit model

Co je měření studie?

Primární výstupní opatření

Měření výsledku
Popis opatření
Časové okno
Umělá inteligence pomáhá mladším radiologům číst snímky a primární lékaři číst snímky nezávisle
Časové okno: dokončením studia v průměru 2 roky
Vezmeme-li výsledky odečtu starších sonografistů jako zlatý standard, byla testována citlivost, specificita, přesnost, pozitivní prediktivní hodnota a negativní prediktivní hodnota čtení za pomoci AI a nezávislého odečtu mladšími lékaři pro diagnostiku pomocí karotidového plaku. Vyhodnocuje se AUC.
dokončením studia v průměru 2 roky
Posouzení výkonu modelu AI
Časové okno: dokončením studia v průměru 2 roky
Vezmeme-li výsledky odečtu starších sonografistů jako zlatý standard, citlivost, specificitu, přesnost, pozitivní prediktivní hodnotu a negativní prediktivní hodnotu nezávislého čtení AI. Byl vyhodnocen plochou pod křivkou provozní charakteristiky přijímače (ROC) (AUC).
dokončením studia v průměru 2 roky
AI odhaduje míru stenózy lumen
Časové okno: dokončením studia v průměru 2 roky
Vzhledem k tomu, že výsledky čtení starších sonografistů jsou zlatým standardem, může AI odhadnout senzitivitu, specificitu, přesnost, pozitivní prediktivní hodnotu a negativní prediktivní hodnotu míry stenózy lumen. Byl vyhodnocen plochou pod křivkou provozní charakteristiky přijímače (ROC) (AUC).
dokončením studia v průměru 2 roky
AI předpovídá stabilitu plaku.
Časové okno: dokončením studia v průměru 2 roky
Vzhledem k tomu, že výsledky čtení starších sonografistů jsou zlatým standardem, AI předpovídá senzitivitu, specificitu, přesnost, pozitivní prediktivní hodnotu a negativní prediktivní hodnotu stability plaku. Byl vyhodnocen plochou pod křivkou provozní charakteristiky přijímače (ROC) (AUC).
dokončením studia v průměru 2 roky
Detekce plaku pomocí modelu AI na videích pořízených různými typy zařízení.
Časové okno: dokončením studia v průměru 2 roky
Umělá inteligence, která bere výsledky čtení starších sonografistů jako zlatý standard, detekuje citlivost plaku, specificitu, přesnost, pozitivní prediktivní hodnotu a negativní prediktivní hodnotu na různých ultrazvukových zařízeních. Hodnoceno podle plochy pod křivkou provozní charakteristiky přijímače (ROC) (AUC).
dokončením studia v průměru 2 roky

Spolupracovníci a vyšetřovatelé

Zde najdete lidi a organizace zapojené do této studie.

Sponzor

Vyšetřovatelé

  • Vrchní vyšetřovatel: Jia Liu, Third Affiliated Hospital, Sun Yat-Sen University

Publikace a užitečné odkazy

Osoba odpovědná za zadávání informací o studiu tyto publikace poskytuje dobrovolně. Mohou se týkat čehokoli, co souvisí se studiem.

Obecné publikace

Termíny studijních záznamů

Tato data sledují průběh záznamů studie a předkládání souhrnných výsledků na ClinicalTrials.gov. Záznamy ze studií a hlášené výsledky jsou před zveřejněním na veřejné webové stránce přezkoumány Národní lékařskou knihovnou (NLM), aby se ujistily, že splňují specifické standardy kontroly kvality.

Hlavní termíny studia

Začátek studia (Aktuální)

1. května 2020

Primární dokončení (Aktuální)

1. června 2023

Dokončení studie (Aktuální)

1. června 2023

Termíny zápisu do studia

První předloženo

27. ledna 2022

První předloženo, které splnilo kritéria kontroly kvality

8. února 2022

První zveřejněno (Aktuální)

9. února 2022

Aktualizace studijních záznamů

Poslední zveřejněná aktualizace (Aktuální)

14. září 2023

Odeslaná poslední aktualizace, která splnila kritéria kontroly kvality

13. září 2023

Naposledy ověřeno

1. září 2023

Více informací

Termíny související s touto studií

Plán pro data jednotlivých účastníků (IPD)

Plánujete sdílet data jednotlivých účastníků (IPD)?

NE

Informace o lécích a zařízeních, studijní dokumenty

Studuje lékový produkt regulovaný americkým FDA

Ne

Studuje produkt zařízení regulovaný americkým úřadem FDA

Ne

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 .

Předplatit