Maskinlæring til håndholdte vaskulære studier (DopplerZAM)
Udvikling og validering af en ny maskinlæringsalgoritme til at hjælpe med håndholdt vaskulær diagnostik
Brugen af håndholdte arterielle 'stetoskoper' (kontinuerlig bølge Doppler-enheder) er allestedsnærværende i klinisk praksis. De fleste brugere har dog ikke modtaget nogen formel træning i deres brug eller fortolkning af de returnerede data. Dette fører til forsinkelser i diagnosen og fejl i diagnosen.
Efterforskerne har til hensigt at skabe en ny maskinlæringsalgoritme for at hjælpe klinikere med at bruge disse data. Denne undersøgelse vil give efterforskerne mulighed for at indsamle lydfiler fra brugen af enhederne og sammenligne algoritmernes output med etablerede, eksisterende vaskulære tests. Der vil ikke være nogen invasive procedurer, og brugen af disse stetoskoper er en del af rutinemæssig klinisk behandling.
Hvis det lykkes, vil disse data og algoritme senere blive implementeret via smartphone-app til point of case-test i en separat undersøgelse
Studieoversigt
Status
Betingelser
Intervention / Behandling
Detaljeret beskrivelse
Der er tre hovedforskningsopgaver for dette projekt: 1) identifikation af diskriminerende træk ved Doppler-lyd til patientklassificering, 2) udvælgelse og træning af klassifikationsalgoritmer og 3) CWD-lyddataberigelse ved hjælp af fysikbaserede modeller. Efterforskerne vil afgøre, hvilke diskriminerende funktioner der er optimale til patientklassificering fra ultralyds-doppler-lyd.
Til dette formål vil efterforskerne blandt andet anvende signalfunktioner i frekvensdomænet såsom båndbredde, spidsfrekvens, middeleffekt, middelfrekvens og tidsharmonisk forvrængning.
Endvidere vil efterforskerne undersøge, om tidsdomænefunktioner er nødvendige for nøjagtig lydklassificering. Andre undersøgelser har vist, at specifikke egenskaber ved lydbølgeformer kan klassificere dataene. Efterforskerne vil anvende nogle af de mest effektive maskinlæringsalgoritmer til klassificering, såsom SVM, logistisk regression og Naive Bayes, blandt andre. Efterforskerne vil starte med et binært klassifikationsproblem, hvor individer vil blive klassificeret som raske eller usunde. Derefter vil efterforskerne bevæge sig i kompleksitet til multi-klasse klassifikationsproblemer, hvor individer vil blive kategoriseret i forskellige grupper i henhold til definerede abnorme arterielle forhold. Databerigelse ved hjælp af fysikbaserede modeller, der anvender fysiologisk nøjagtige finite element-modeller af væskestrømning i arterier til at generere syntetiske lydsignaler svarende til forskellige arterielle forhold. Fysik-baserede simuleringer ville give efterforskerne mulighed for at producere et væld af træningsdata, der kan spænde over mange kendte arterielle forhold. Denne evne kan øge klassificeringsnøjagtigheden og generaliseringen af vores algoritmer, da kliniske data muligvis ikke er udtømmende nok til at inkorporere alle de kendte arterielle tilstande. Efterforskerne vil studere ydeevnen af de trænede algoritmer på patientdata. Til dette formål vil efterforskerne opdele dataene i trænings- og testprøver. Træningsprøverne vil blive brugt til træning af algoritmerne, mens testsættet vil blive brugt til at vurdere generaliseringsevnen. Efterforskerne vil beregne fejlklassificeringsrater for hver algoritme som et mål for ydeevne.
Undersøgelsestype
Tilmelding (Faktiske)
Kontakter og lokationer
Studiesteder
-
-
North Carolina
-
Durham, North Carolina, Forenede Stater, 27710
- Duke University Medical Center
-
-
Deltagelseskriterier
Berettigelseskriterier
Aldre berettiget til at studere
- Barn
- Voksen
- Ældre voksen
Tager imod sunde frivillige
Prøveudtagningsmetode
Studiebefolkning
Beskrivelse
Inklusionskriterier:
- En klinisk drevet anmodning om ikke-invasiv vaskulær test skal være til stede
Ekskluderingskriterier:
- Ingen (udover at patienten nægter at deltage)
Studieplan
Hvordan er undersøgelsen tilrettelagt?
Design detaljer
- Observationsmodeller: Kohorte
- Tidsperspektiver: Fremadrettet
Kohorter og interventioner
Gruppe / kohorte |
Intervention / Behandling |
|---|---|
|
Ikke-invasiv vaskulær testning
Alle patienter, der gennemgår ikke-invasiv vaskulær testning, vil være berettiget til denne undersøgelse.
De officielle resultater vil blive brugt til at udvikle algoritmen og til at evaluere nøjagtigheden af algoritmen
|
Resultater af klinisk indikerede ikke-invasive vaskulære tests vil blive brugt til at udvikle en maskinlæringsalgoritme
Andre navne:
|
Hvad måler undersøgelsen?
Primære resultatmål
Resultatmål |
Tidsramme |
|---|---|
|
Algoritmegenereret Doppler-klassificering
Tidsramme: 1 år
|
1 år
|
Sekundære resultatmål
Resultatmål |
Tidsramme |
|---|---|
|
Tilstedeværelse eller fravær af puls
Tidsramme: 1 år
|
1 år
|
|
Kvalitet af puls
Tidsramme: 1 år
|
1 år
|
|
Tilstedeværelse eller fravær af Doppler-signal
Tidsramme: 1 år
|
1 år
|
|
Kvaliteten af Doppler-signalet
Tidsramme: 1 år
|
1 år
|
Samarbejdspartnere og efterforskere
Sponsor
Datoer for undersøgelser
Studer store datoer
Studiestart (Faktiske)
Primær færdiggørelse (Faktiske)
Studieafslutning (Faktiske)
Datoer for studieregistrering
Først indsendt
Først indsendt, der opfyldte QC-kriterier
Først opslået (Anslået)
Opdateringer af undersøgelsesjournaler
Sidste opdatering sendt (Faktiske)
Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier
Sidst verificeret
Mere information
Begreber relateret til denne undersøgelse
Nøgleord
Yderligere relevante MeSH-vilkår
Andre undersøgelses-id-numre
- Pro00070090
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 .