- ICH GCP
- US Clinical Trials Registry
- Klinisk forsøg NCT04213430
Udvikling og validering af et dybt læringssystem for flere øjenfundussygdomme ved hjælp af nethindebilleder
24. december 2019 opdateret af: Haotian Lin, Sun Yat-sen University
Udvikling og validering af et dybt læringssystem for flere øjenfundussygdomme ved hjælp af nethindebilleder: en multicenter prospektiv undersøgelse
Nethindebilleder kan afspejle både fundus og systemiske tilstande (diabetes og kardiovaskulær sygdom) og for det første bruges til medicinsk kunstig intelligens (AI) algoritmetræning på grund af dets fordele af klinisk betydning og lette at opnå.
Her udviklede efterforskerne en enkelt netværksmodel, der kan udvinde egenskaberne blandt flere fundussygdomme, som blev trænet af masser af fundusbilleder med en eller flere sygdomsmærker (hvis de har) i hver af dem.
Modellens ydeevne blev sammenlignet med både indfødte og internationale øjenlægers.
Modellen blev yderligere testet af datasæt med forskellige kameratyper og valideret af tre eksterne datasæt, der prospektivt blev indsamlet fra de kliniske steder, hvor modellen ville blive anvendt.
Studieoversigt
Undersøgelsestype
Observationel
Tilmelding (Forventet)
300000
Kontakter og lokationer
Dette afsnit indeholder kontaktoplysninger for dem, der udfører undersøgelsen, og oplysninger om, hvor denne undersøgelse udføres.
Studiesteder
-
-
Guangdong
-
Guangzhou, Guangdong, Kina, 510060
- Rekruttering
- Zhongshan Ophthalmic Center, Sun Yat-sen Univerisity
-
Kontakt:
- Haotian Lin, Ph.D
- Telefonnummer: +86-020-87330274
- E-mail: gddlht@aliyun.com
-
Ledende efterforsker:
- Haotian Lin, Ph.D
-
-
Deltagelseskriterier
Forskere leder efter personer, der passer til en bestemt beskrivelse, kaldet berettigelseskriterier. Nogle eksempler på disse kriterier er en persons generelle helbredstilstand eller tidligere behandlinger.
Berettigelseskriterier
Aldre berettiget til at studere
- Barn
- Voksen
- Ældre voksen
Tager imod sunde frivillige
Ingen
Køn, der er berettiget til at studere
Alle
Prøveudtagningsmetode
Sandsynlighedsprøve
Studiebefolkning
Nethindebilleder blev indsamlet fra forskellige sundhedsinstitutter over hele Kina og andre lande rundt om i verden.
Beskrivelse
Inklusionskriterier:
- Kvaliteten af fundusbilleder bør være klinisk acceptabel. Mere end 80 % af fundus-billedområdet inklusive fire hovedområder (optisk disk, makulær, øvre og nedre nethindekarbuer) er lette at læse og skelne mellem.
Ekskluderingskriterier:
- Billeder med lyslækage (>30 % af området), pletter fra linseudbrud eller pletter og overeksponering blev udelukket fra yderligere analyse.
Studieplan
Dette afsnit indeholder detaljer om studieplanen, herunder hvordan undersøgelsen er designet, og hvad undersøgelsen måler.
Hvordan er undersøgelsen tilrettelagt?
Design detaljer
- Observationsmodeller: Andet
- Tidsperspektiver: Andet
Kohorter og interventioner
Gruppe / kohorte |
Intervention / Behandling |
---|---|
Træningsdatasæt
Nethindebilleder indsamlet fra hospitaler og flere screeningssteder over hele Kina
|
|
Valideringsdatasæt
Nethindebilleder adskilt fra træningsdatasæt
|
Træningsdatasæt blev brugt til at træne deep learning-modellen, som blev valideret og testet af to andre datasæt.
|
Test af datasæt
Nethindebilleder, der prospektivt er indsamlet fra hospitalerne og screeningssteder for øjensygdomme, der er totalt forskellige fra træningsdatasættet
|
Træningsdatasæt blev brugt til at træne deep learning-modellen, som blev valideret og testet af to andre datasæt.
|
Hvad måler undersøgelsen?
Primære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
---|---|---|
Areal under modtagerens funktionskarakteristiske kurve for deep learning-systemet
Tidsramme: baseline
|
Efterforskerne vil beregne arealet under modtagerens funktionskarakteristiske kurve for dybt læringssystem og sammenligne dette indeks mellem dybt læringssystem og menneskelige læger.
|
baseline
|
Sekundære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
---|---|---|
Det dybe læringssystems følsomhed
Tidsramme: baseline
|
Efterforskerne vil beregne følsomheden af deep learning system og sammenligne dette indeks mellem deep learning system og menneskelige læger.
|
baseline
|
Specificitet af deep learning-systemet
Tidsramme: baseline
|
Efterforskerne vil beregne specificiteten af deep learning system og sammenligne dette indeks mellem deep learning system og menneskelige læger.
|
baseline
|
Samarbejdspartnere og efterforskere
Det er her, du vil finde personer og organisationer, der er involveret i denne undersøgelse.
Sponsor
Publikationer og nyttige links
Den person, der er ansvarlig for at indtaste oplysninger om undersøgelsen, leverer frivilligt disse publikationer. Disse kan handle om alt relateret til undersøgelsen.
Datoer for undersøgelser
Disse datoer sporer fremskridtene for indsendelser af undersøgelsesrekord og resumeresultater til ClinicalTrials.gov. Studieregistreringer og rapporterede resultater gennemgås af National Library of Medicine (NLM) for at sikre, at de opfylder specifikke kvalitetskontrolstandarder, før de offentliggøres på den offentlige hjemmeside.
Studer store datoer
Studiestart (Faktiske)
1. januar 2014
Primær færdiggørelse (Forventet)
1. februar 2020
Studieafslutning (Forventet)
1. maj 2020
Datoer for studieregistrering
Først indsendt
23. december 2019
Først indsendt, der opfyldte QC-kriterier
24. december 2019
Først opslået (Faktiske)
30. december 2019
Opdateringer af undersøgelsesjournaler
Sidste opdatering sendt (Faktiske)
30. december 2019
Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier
24. december 2019
Sidst verificeret
1. december 2019
Mere information
Begreber relateret til denne undersøgelse
Yderligere relevante MeSH-vilkår
Andre undersøgelses-id-numre
- CCPMOH2019- China8
Plan for individuelle deltagerdata (IPD)
Planlægger du at dele individuelle deltagerdata (IPD)?
Ingen
Lægemiddel- og udstyrsoplysninger, undersøgelsesdokumenter
Studerer et amerikansk FDA-reguleret lægemiddelprodukt
Ingen
Studerer et amerikansk FDA-reguleret enhedsprodukt
Ingen
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 .
Kliniske forsøg med diagnostisk
-
Bausch & Lomb IncorporatedAfsluttet
-
University Hospital TuebingenAfsluttetSjældne sygdomme | Genetisk dispositionTyskland
-
Sun Yat-sen UniversityUkendt
-
Henry M. Jackson Foundation for the Advancement...The Citadel, The Military College of North CarolinaUkendtTraumatisk hjerneskade | Post traumatisk stress syndromForenede Stater
-
University of MichiganNational Institute on Aging (NIA)Tilmelding efter invitationAlzheimers sygdom | Mild kognitiv svækkelse | Amnestisk mild kognitiv lidelseForenede Stater
-
University Hospital TuebingenRekrutteringGenetisk disposition for sygdom | Sjældne sygdommeTyskland
-
PATHIkke rekrutterer endnuPrimære immundefektsygdommePakistan
-
IdentigeneCRI Lifetree Clinical ResearchUkendt
-
Prometheus Biosciences, Inc., a subsidiary of Merck...Aktiv, ikke rekrutterendeColitis ulcerosaForenede Stater, Australien, Belgien, Tjekkiet, Frankrig, Georgien, Canada, Ungarn, Israel, Italien, Polen, Det Forenede Kongerige
-
Abbott Rapid DxBill and Melinda Gates FoundationAfsluttet