Denne side blev automatisk oversat, og nøjagtigheden af ​​oversættelsen er ikke garanteret. Der henvises til engelsk version for en kildetekst.

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

Status

Ukendt

Betingelser

Intervention / Behandling

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

  • Kina
    • Guangdong
      • Guangzhou, Guangdong, Kina, 510060
        • Rekruttering
        • Zhongshan Ophthalmic Center, Sun Yat-sen Univerisity
        • Kontakt:
        • 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
Andet: diagnostisk
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
Andet: diagnostisk
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

Sun Yat-sen University

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.

Generelle publikationer

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

Søg i lignende forsøg

Sponsorer og samarbejdspartnere

Medicinske tilstande

Narkotikainterventioner

CROs by country

CROs in Argentina

Betingelser

Sjældne sygdomme

Narkotikainterventioner

Kosttilskud

Sponsor / samarbejdspartnere

Placeringer

3
Abonner