QOCA®-Image Medical Platform - Smart VCF Risk Management System
Smart Bone: Et intelligent brudrisikofangst- og styringssystem
Studieoversigt
Status
Betingelser
Intervention / Behandling
Detaljeret beskrivelse
En computersøgning af CT-scanninger (2010.01.01-2018.09.30) blev udført på Wan Fang Hospital. Disse CT-billeder, der retrospektivt blev gennemgået af erfarne radiologer. CT-scanningerne af 1000-1500 forsøgspersoner på 50 år og derover med og uden thorax- eller lumbale kompressionsfrakturer blev inkluderet i dette projekt for maskinlæring og deep learning. Kontrolgruppen inkluderede dem uden kompressionsfrakturer, mens patientgruppen var dem med kompressionsfrakturer. Emner, der ikke opfyldte inklusionskriterierne, blev ekskluderet.
Det kortikale lag af T12-L5-rygbillederne blev manuelt mærket med mærkningssoftwaren af teknologerne og bekræftede rigtigheden af billedet af en erfaren radiolog. Alle de afkoblede og afsluttede billeder blev leveret til Quanta Computer Inc. til efterfølgende klassificering og analyse af AI-maskiner til dyb læring for at lette udviklingen af et system til automatisk detektion af trykfrakturer ved CT. Dette nyudviklede automatiske system vil være af værdifuld klinisk betydning for at hjælpe radiologer med at opdage og klassificere vertebrale kompressionsfrakturer præcist og præcist.
Undersøgelsestype
Tilmelding (Forventet)
Kontakter og lokationer
Studiesteder
-
-
-
Taipei, Taiwan
- Taipei Medical University WanFang Hospital
-
-
Deltagelseskriterier
Berettigelseskriterier
Aldre berettiget til at studere
Tager imod sunde frivillige
Køn, der er berettiget til at studere
Prøveudtagningsmetode
Studiebefolkning
Beskrivelse
Inklusionskriterier:
- Sager med CT-undersøgelser erhvervet mellem 2010.01-2018.09
- Tilfælde med CT-undersøgelser udført med en af følgende protokoller: hele kroppen, maven og rygsøjlen
- Sager skal være >/= 50 år
- Tilfælde med indberetninger fra CT-undersøgelser, der er forkastet som positive eller negative kompressionsfrakturer inden for et søgeområde fra T12 til L5 hvirvler.
- CT-billeder med rådata, der må rekonstrueres i aksial visning med en skivetykkelse på 1,3 mm
- CT-billeder med rådata, der må rekonstrueres i sagittal visning med en skivetykkelse på 2,5 mm
Ekskluderingskriterier:
- CT-billeder med billeddannende artefakter, fremmedlegemer eller implantater
- Tilfælde med komorbide tilstande, såsom infektion, cancermetastaser, kronisk osteomyelitis eller anden ikke-steoporotisk kompressionsfraktur
Studieplan
Hvordan er undersøgelsen tilrettelagt?
Design detaljer
- Observationsmodeller: Kohorte
- Tidsperspektiver: Tilbagevirkende kraft
Kohorter og interventioner
Gruppe / kohorte |
Intervention / Behandling |
|---|---|
|
Radiologer
En computersøgning af CT-scanninger (2010.01.01-2018.09.30) blev udført på Wan Fang Hospital.
Disse CT-billeder blev retrospektivt gennemgået af en erfaren radiolog, som klassificerede og markerede med annoteringer af vertebrale frakturer ved Genantens semikvantitative metode.
|
|
|
Smart Bone
De samme CT-billeder blev separat gennemgået og behandlet af det kunstige intelligenssystem (Smart Bone) af Quanta for kompressionsfrakturer.
De to resultater, det ene af radiologerne og det andet af det kunstige intelligenssystem, vil blive sammenlignet for statistisk kvantificere ækvivalens (CADe).
|
En enhed ved navn Smart Bone, der bruger CT-billeder, der er erhvervet retrospektivt til at indebære en anden gennemgang af CT-billeder med vertebrale kompressionsfrakturer gennem et interaktivt AI-program udviklet af Quanta Computer Inc., blev anvendt på CT-billederne.
Enheden er en computerstøttet detektion (CADe) softwareapplikation og er designet til at hjælpe radiologer med at analysere CT-billeder af ryggen.
Enheden bruger deep learning metoder til at udføre ryghvirvler detektion og klassificering af billeder.
Andre navne:
|
Hvad måler undersøgelsen?
Primære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
Overensstemmelsesrate
Tidsramme: 2019.06 til 2020.03
|
CT-billeddannelsesrapportering og datasystembeskrivelser foreslået af Smart Bone stemmer godt overens med dem, der er udvalgt af eksperter. Med andre ord er CT Imaging Reporting and Data System genereret af Smart Bone ikke statistisk forskellig fra konsensus blandt eksperter. CT-billeddannelsesrapportering og datasystemvurderingskategoriscore: Brugeren træffer den endelige beslutning om vurderingskategoriscore. Ved at bruge denne score viser Smart Bone vurderingsbeskrivelsen. Grad 0: Normale ryghvirvler Grad 1: Mild fraktur, 20-25% Grad 2: Moderat fraktur, 26-40% Grad 3: Svær fraktur, >40% |
2019.06 til 2020.03
|
Sekundære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
Nøjagtighed
Tidsramme: 2019.06 til 2020.03
|
Sammenligning med nøjagtigheden af CT-billeddannelsesresultater af radiologer med og uden CADe vil blive evalueret.
|
2019.06 til 2020.03
|
Samarbejdspartnere og efterforskere
Samarbejdspartnere
Efterforskere
- Ledende efterforsker: Wing P. Chan, M.D., Taipei Medical University WanFang Hospital
Datoer for undersøgelser
Studer store datoer
Studiestart (Faktiske)
Primær færdiggørelse (Forventet)
Studieafslutning (Forventet)
Datoer for studieregistrering
Først indsendt
Først indsendt, der opfyldte QC-kriterier
Først opslået (Faktiske)
Opdateringer af undersøgelsesjournaler
Sidste opdatering sendt (Faktiske)
Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier
Sidst verificeret
Mere information
Begreber relateret til denne undersøgelse
Yderligere relevante MeSH-vilkår
Andre undersøgelses-id-numre
- N201909056
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 .