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

Konstrukce AI modelu pro přesnou zobrazovací diagnostiku lebečních onemocnění

5. března 2026 aktualizováno: Tongji Hospital

Konstrukce modelu umělé inteligence pro precizní zobrazovací diagnostiku kraniálních onemocnění

Cílem této observační studie je vyvinout a validovat vysoce přesný AI diagnostický model pro kraniální onemocnění integrací klinických znalostních systémů (patofyziologická klasifikace, věková stratifikace a anatomická lokalizace) za účelem simulace diagnostického myšlení radiologů. Hlavní otázka, na kterou se zaměřuje, zní: Zlepšuje AI model diagnostickou přesnost a konzistenci napříč různými úrovněmi nemocnic, kvalifikací lékařů a klinickými scénáři ve srovnání s tradiční diagnózou? Účastnická data z kraniálního MRI (včetně sekvencí T1, T2, FLAIR, DWI) a klinické informace budou retrospektivně (2015–2025) a prospektivně (2026) shromažďovány za účelem trénování a validace modelu, který bude hodnocen pomocí výkonnostních metrik (přesnost, senzitivita, specificita) a hodnocení klinické účinnosti (lékař vs. model, s/bez asistence modelu). Tato studie vytvoří nový paradigma pro klinickou implementaci AI a poskytne metodologickou podporu pro přesnou diagnostiku neurologických onemocnění.

Přehled studie

Typ studie

Pozorovací

Zápis (Odhadovaný)

1000

Kontakty a umístění

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

Studijní místa

    • Hubei
      • Wuhan, Hubei, Čína, 430030
        • Nábor
        • Tongji Hospital
        • Kontakt:

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

  • Dítě
  • Dospělý
  • Starší dospělý

Přijímá zdravé dobrovolníky

Ano

Metoda odběru vzorků

Ukázka pravděpodobnosti

Studijní populace

Studijní populace bude zahrnovat pacienty, kteří splňují následující kritéria:

Inkluzní kritéria:

Pacienti s neurologickými příznaky (např. bolesti hlavy, epilepsie, slabost končetin), kteří podstoupili kraniální MRI vyšetření; Věk pokrývající celý životní cyklus (1 den až 85 let); Kompletní zobrazovací sekvence (rutinní MRI, včetně T1-vážených, T1-zesílených, T2-vážených, FLAIR, DWI atd.); Jasná klinická diagnóza potvrzená zlatým standardem (patologické výsledky, dlouhodobé sledování nebo konsenzuální diagnóza).

Exkluzní kritéria:

Špatná kvalita obrazu (výrazné pohybové artefakty, tloušťka řezu >5 mm nebo chybějící sekvence); Onemocnění po léčbě (např. po operaci nebo po chemoradioterapii maligních nádorů), která ovlivňují kraniální zobrazovací diagnostiku.

Popis

Kritéria pro zařazení:

  • Pacienti podstupující kraniální MRI pro neurologické příznaky (např. bolesti hlavy, epilepsie, slabost končetin); věkové rozpětí pokrývající celý životní cyklus (1 den až 85 let); kompletní zobrazovací sekvence (standardní MRI včetně T1-vážených, T1-vážených s kontrastem, T2-vážených, FLAIR, DWI atd.); jasná klinická diagnóza (zlatý standard: patologické výsledky, dlouhodobé sledování nebo konsenzuální diagnóza).

Kritéria pro vyloučení:

  • Špatná kvalita obrazu (výrazné pohybové artefakty, tloušťka řezu>5 mm nebo chybějící sekvence); vliv léčby na diagnózu kraniálního zobrazování (např. po operaci maligních nádorů nebo radioterapii/chemoterapii).

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

Kohorty a intervence

Skupina / kohorta
Retrospektivní sběr dat od 1. ledna 2015 do 31. prosince 2025, včetně 70 000 subjektů
včetně 70 000 případů tréninkových dat bez dozoru a 2 000 případů tréninkových dat s dozorem pro vývoj modelu.
Prospektivní Kohorta
Prospektivní sběr dat od 1. března 2026 do 31. prosince 2026, včetně 1 000 případů pro validaci modelu a hodnocení klinické účinnosti.

Co je měření studie?

Primární výstupní opatření

Měření výsledku
Popis opatření
Časové okno
Diagnostická přesnost AI modelu (senzitivita, specificita, AUC)
Časové okno: Do 1 měsíce od pořízení snímku
Primárním výsledkem je diagnostický výkon AI modelu, včetně senzitivity, specificity a plochy pod ROC křivkou (AUC), ve srovnání se zlatým standardem (např. histopatologie nebo klinická diagnóza).
Do 1 měsíce od pořízení snímku

Spolupracovníci a vyšetřovatelé

Zde najdete lidi a organizace zapojené do této studie.

Sponzor

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. ledna 2026

Primární dokončení (Odhadovaný)

1. prosince 2026

Dokončení studie (Odhadovaný)

1. prosince 2026

Termíny zápisu do studia

První předloženo

25. února 2026

První předloženo, které splnilo kritéria kontroly kvality

25. února 2026

První zveřejněno (Aktuální)

3. března 2026

Aktualizace studijních záznamů

Poslední zveřejněná aktualizace (Aktuální)

6. března 2026

Odeslaná poslední aktualizace, která splnila kritéria kontroly kvality

5. března 2026

Naposledy ověřeno

1. března 2026

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