Vurdering af hypertensiv retinopati ved brug af konvolutionelt neuralt netværk "RetinAIcheck"
Vurdering af hypertensiv retinopati ved hjælp af Keith Wagener Barkers klassifikation, baseret på konvolutionelt neuralt netværk "RetinAIcheck"
Den aktuelle undersøgelse har til formål at estimere den diagnostiske effektivitet af en udviklet konvolutionel neuralt netværk (CNN) "RetinAIcheck" til at graduere sværhedsgraden af hypertensiv retinopati hos patienter i den russiske befolkning.
Træningsdatasættet blev hentet fra en åben kilde og omkategoriseret af syv uafhængige nethindespecialister; stikprøvestørrelsen var 30.000 fundusfotografier. Testprøven omfattede 729 patienter (1401 øjne) med HR. Referencestandarden var resultatet af uafhængig graduering af HR-stadie af to øjenlæger, kontroversielle kliniske tilfælde blev vurderet med inddragelse af en tredje øjenlæge.
Studieoversigt
Status
Status
Betingelser
Betingelser
Intervention / Behandling
Intervention / Behandling
Undersøgelsestype
Undersøgelsestype
Tilmelding (Faktiske)
Tilmelding
Kontakter og lokationer
Studiesteder
-
-
-
Moscow, Rusland
- University Clinical Hospital №1, Sechenov University
-
-
Deltagelseskriterier
Berettigelseskriterier
Berettigelseskriterier
Aldre berettiget til at studere
- Voksen
- Ældre voksen
Tager imod sunde frivillige
Prøveudtagningsmetode
Studiebefolkning
Beskrivelse
Inklusionskriterier:
Tilstedeværelsen af en diagnose for hypertension i patientens elektroniske journal.
Eksklusionskriterier:
Medfødte og erhvervede tilstande ledsaget af irreversibelt synstab (anophthalmi, opticusatrofi, øjenkugleskader), makulapatologi, såsom aldersrelateret makuladegeneration, central serøs chorioretinopati, central serøs chorioretinitis og tågethed af øjets optiske medier, som påvirker billedkvaliteten.
Studieplan
Hvordan er undersøgelsen tilrettelagt?
Design detaljer
Antal grupper/kohorter
Kohorter og interventioner
Gruppe / kohorteGruppe / kohorte |
Intervention / BehandlingIntervention / Behandling |
|---|---|
|
Klasse 1 hypertensiv retinopati
|
Et konvolutionelt neuralt netværk er et medicinsk beslutningsstøttesystem, der behandler digitale fundusfotografier opnået under mydriasis og bestemmer sandsynligheden for tilstedeværelsen/fraværet af hypertensiv retinopati og dets gradering i henhold til Keith Wagener Barkers klassifikation.
|
|
Hypertensiv retinopati klasse 2
|
Et konvolutionelt neuralt netværk er et medicinsk beslutningsstøttesystem, der behandler digitale fundusfotografier opnået under mydriasis og bestemmer sandsynligheden for tilstedeværelsen/fraværet af hypertensiv retinopati og dets gradering i henhold til Keith Wagener Barkers klassifikation.
|
|
Klasse 3 hypertensiv retinopati
|
Et konvolutionelt neuralt netværk er et medicinsk beslutningsstøttesystem, der behandler digitale fundusfotografier opnået under mydriasis og bestemmer sandsynligheden for tilstedeværelsen/fraværet af hypertensiv retinopati og dets gradering i henhold til Keith Wagener Barkers klassifikation.
|
|
Klasse 3+4 hypertensiv retinopati
|
Et konvolutionelt neuralt netværk er et medicinsk beslutningsstøttesystem, der behandler digitale fundusfotografier opnået under mydriasis og bestemmer sandsynligheden for tilstedeværelsen/fraværet af hypertensiv retinopati og dets gradering i henhold til Keith Wagener Barkers klassifikation.
|
|
Klasse 0 uden tegn på hypertensiv retinopati
|
Et konvolutionelt neuralt netværk er et medicinsk beslutningsstøttesystem, der behandler digitale fundusfotografier opnået under mydriasis og bestemmer sandsynligheden for tilstedeværelsen/fraværet af hypertensiv retinopati og dets gradering i henhold til Keith Wagener Barkers klassifikation.
|
Hvad måler undersøgelsen?
Primære resultatmål
Primære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
Nøjagtighed
Tidsramme: Evnen til korrekt at identificere tilstedeværelsen eller fraværet af en tilstand
|
En tests evne til korrekt at identificere andelen af sande positive tilfælde
|
Evnen til korrekt at identificere tilstedeværelsen eller fraværet af en tilstand
|
Sekundære resultatmål
Sekundære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
Følsomhed
Tidsramme: februar 2026
|
Testens evne til korrekt at identificere andelen af sandt positive tilfælde
|
februar 2026
|
|
Specificitet
Tidsramme: februar 2026
|
Testens evne til korrekt at identificere andelen af sandt negative tilfælde
|
februar 2026
|
|
Positive predictive value
Tidsramme: February 2026
|
The probability that a person who tests positive for the condition actually has that one
|
February 2026
|
|
Negative predictive value
Tidsramme: February 2026
|
The probability that a person who tests negative for the condition truly does not have it
|
February 2026
|
|
AUROC, area under the ROC curve (one-versus-rest)
Tidsramme: February 2026
|
An average metric used to evaluate multi-class classification models by computing the Area Under the ROC Curve for each class separately against all other classes and then averaging the results
|
February 2026
|
|
Quadratically weighted kappa
Tidsramme: February 2026
|
A statistical measure that evaluates the level of agreement between two raters or outcomes on an ordinal scale, penalizing errors based on the squared distance between categories
|
February 2026
|
Samarbejdspartnere og efterforskere
Sponsor
Sponsor
Efterforskere
Efterforskere
- Ledende efterforsker: Philipp Yu Kopylov, Prof., Sechenov First Moscow State Medical University (Sechenov University)
Publikationer og nyttige links
Hjælpsomme links
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 (Faktiske)
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
Yderligere relevante MeSH-vilkår
Andre undersøgelses-id-numre
Andre undersøgelses-id-numre
- RetinAIcheck-01
Plan for individuelle deltagerdata (IPD)
Planlægger du at dele individuelle deltagerdata (IPD)?
IPD-planbeskrivelse
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 .