Automatiseret detektion og diagnose af patologiske DRG'er hos PHN-patienter ved hjælp af dyb læring og magnetisk resonans
Studieoversigt
Status
Status
Betingelser
Betingelser
Intervention / Behandling
Intervention / Behandling
Detaljeret beskrivelse
Vores tidligere forskning har bekræftet forskelle i makroskopiske og mikroskopiske aspekter mellem billeddannelse af læsionerede dorsale rodganglier (DRG) hos patienter med postherpetisk neuralgi (PHN) og raske kontroller. Derudover afslørede vores undersøgelse, at mens lokalisering af læsioneret hud er en klassisk metode i klinisk praksis, er der stadig en vis grad af uoverensstemmelse med den læsionerede DRG observeret i magnetisk resonansbilleddannelse (MRI). Dette antyder den betydelige værdi af MR til diagnosticering af læsioneret DRG hos PHN-patienter. For patienter med zoster sine herpete neuralgi er det endnu mere afgørende at tydeligt identificere den læsionerede DRG gennem MR. Men på grund af den lille størrelse og varierede morfologi af DRG-læsioner kræver diagnosticering af læsioneret DRG gennem MR specialiseret viden inden for neuroanatomi og billeddannelse, hvilket udgør en udfordring for kliniske praktiserende læger. At identificere læsioneret DRG hurtigt og præcist er afgørende for interventionel terapi, da det tjener som et væsentligt behandlingsmål for neuropatisk smerte.
YOLO (You Only Look Once)-serien af algoritmer er i øjeblikket meget udbredte enkelt-trins realtids-objektdetektionsalgoritmer, herunder YOLOv1-YOLOv8. På grund af deres ekstremt høje detektionshastighed, muliggør de objektdetektering i realtid. YOLOv5 og YOLOv8 anvendes nu i vid udstrækning i forskellige applikationer såsom autonom kørsel, videoovervågning og objektsporing [66,67]. Ydermere bliver YOLO-serien i stigende grad anvendt på det medicinske område, herunder påvisning af tumor- og ledkapsellæsioner, som viser god nøjagtighed, genkaldelsesfrekvenser og detektionseffektivitet [68]. Denne undersøgelse har til formål at bruge YOLOv8-algoritmen til at udvikle en hurtig og præcis objektdetekteringsmodel, der samtidig evaluerer dens ydeevne. Den søger at validere gennemførligheden og effektiviteten af at påvise læsionerede dorsale rodganglier (DRG) i postherpetisk neuralgi i realtid ved hjælp af denne model, hvilket giver grundlag for tidlig diagnose for kliniske praktiserende læger og muliggør hurtig og præcis lokalisering af læsioneret DRG.
Undersøgelsestype
Undersøgelsestype
Tilmelding (Faktiske)
Tilmelding
Kontakter og lokationer
Studiesteder
-
-
-
Wuhan, Kina
- Tongji Hospital, Tongji Medical College, Huazhong University of Science and Technology
-
-
Hubei
-
Wuhan, Hubei, Kina, 430030
- Tongji Hospital, Tongji Medical College, Huazhong University of Science and Technology
-
-
Deltagelseskriterier
Berettigelseskriterier
Berettigelseskriterier
Aldre berettiget til at studere
- Voksen
- Ældre voksen
Tager imod sunde frivillige
Prøveudtagningsmetode
Studiebefolkning
Beskrivelse
Inklusionskriterier:
- Patienter i alderen 18 år eller ældre;
- Patienter med herpes zoster, som fortsætter med at opleve smerte i over en måned efter, at skorpen er dannet over hudlæsioner;
- Tydelige MR-billeder, der viser tydelige dorsale rodganglier (DRG) læsioner.
Ekskluderingskriterier:
- Patienter med alvorlige systemiske, metaboliske eller neurologiske sygdomme, der kan føre til polyneuropati, såsom myelomatose, diabetes eller skjoldbruskkirtelsygdomme;
- Patienter med en historie med psykiatriske lidelser, andre kroniske smertetilstande eller stofmisbrug;
- Patienter med en historie med thorax- eller rygoperationer og en historie med smerte;
- Tilstedeværelse af artefakter i billedbehandlingen eller uklar billedvisning;
- Målbilleder sløret af andet væv.
Studieplan
Hvordan er undersøgelsen tilrettelagt?
Design detaljer
Hvad måler undersøgelsen?
Primære resultatmål
Primære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
Udvikle et automatiseret system til at opdage og diagnosticere læsions-DRG'er hos PHN-patienter baseret på dyb læring
Tidsramme: 202310-202402
|
You Only Look Once (YOLO) version 8 blev valgt som målalgoritmemodellen
|
202310-202402
|
Samarbejdspartnere og efterforskere
Sponsor
Sponsor
Datoer for undersøgelser
Studer store datoer
Studiestart (Faktiske)
Studiestart
Primær færdiggørelse (Faktiske)
Primær færdiggørelse
Studieafslutning (Faktiske)
Studieafslutning
Datoer for studieregistrering
Først indsendt
Først indsendt
Først indsendt, der opfyldte QC-kriterier
Først indsendt, der opfyldte QC-kriterier
Først opslået (Faktiske)
Først opslået
Opdateringer af undersøgelsesjournaler
Sidste opdatering sendt (Anslået)
Sidste opdatering sendt
Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier
Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier
Sidst verificeret
Sidst verificeret
Mere information
Begreber relateret til denne undersøgelse
Andre undersøgelses-id-numre
Andre undersøgelses-id-numre
- deep learning
Plan for individuelle deltagerdata (IPD)
Planlægger du at dele individuelle deltagerdata (IPD)?
Lægemiddel- og udstyrsoplysninger, undersøgelsesdokumenter
Studerer et amerikansk FDA-reguleret lægemiddelprodukt
Studerer et amerikansk FDA-reguleret enhedsprodukt
Disse oplysninger blev hentet direkte fra webstedet clinicaltrials.gov uden ændringer. Hvis du har nogen anmodninger om at ændre, fjerne eller opdatere dine undersøgelsesoplysninger, bedes du kontakte register@clinicaltrials.gov. Så snart en ændring er implementeret på clinicaltrials.gov, vil denne også blive opdateret automatisk på vores hjemmeside .