- ICH GCP
- US Clinical Trials Registry
- Klinisk forsøg NCT05140889
Integration af Deep Learning CT-scanningsmodel, biologiske og kliniske variabler for at forudsige sværhedsgraden af astma hos børn (BREATHE)
Kunstig intelligens (AI) giver betydelige muligheder for sundhedspleje, der understøtter bedre diagnose, behandling, forebyggelse og personlig pleje. Analyse af sundhedsbilleder er et af de mest lovende områder for anvendelse af kunstig intelligens i sundhedsvæsenet, hvilket bidrager til bedre forudsigelse, diagnose og behandling af sygdomme.
Deep learning (DL) er i øjeblikket en af de mest kraftfulde maskinlæringsteknikker. DL-algoritmer er i stand til at lære af rå (eller med lidt forbehandling) inputdata og selv opbygge sofistikerede abstrakte egenskabsrepræsentationer (nyttige mønstre), der muliggør meget nøjagtig opgavebeslutningstagning. For nylig har DL vist lovende resultater i at assistere lungesygdomsanalyse ved hjælp af computertomografi (CT) billeder.
De nuværende retningslinjer for svær astma anbefaler højopløsnings- og multidetektor-CT som et værktøj til sygdomsevaluering. CT-scanninger indeholder prognostisk information, da tilstedeværelsen af bronkialvægsfortykkelse, luftindfangning, bronkial luminal indsnævring og bronkiektasi er forbundet med længere sygdomsvarighed og sygdommens sværhedsgrad hos voksne. Kun et lille antal undersøgelser har rapporteret CT-thorax fund hos børn med svær astma, og deres forhold til kliniske og patobiologiske parametre gav inkonsistente resultater. I hvilket omfang CT-scanninger tilføjer prognostisk information ud over, hvad der kan udledes af kliniske og biologiske data, er stadig uafklaret hos børn.
Projektet forventes at opbygge en DL-sværhedsscore til at forudsige alvorlig udvikling for børn med astma, ved at bruge en DL-model til at fange CT-scanningsprognoseinformation.
Studieoversigt
Status
Betingelser
Detaljeret beskrivelse
Formålet med dette projekt er:
- at opbygge en stor database med kliniske, biologiske og radiologiske data indsamlet fra pædiatriske patienter med svær astma;
- at designe og træne en prognosemodel baseret på DL-teknikker til at forudsige sværhedsgraden af astma hos børn;
- at estimere overgangssandsynligheder mellem sværhedsgradsniveauer for astma ved hjælp af en multi-state Markov-model under hensyntagen til kvalitative og kvantitative oplysninger opnået fra CT-billeddannelse.
Vores evaluering af DL-sværhedsgrad og eksisterende kliniske score i astma hos børn forventes at afsløre, at nye metoder assisteret af DL-teknikker kan give nøjagtige forudsigelser af sværhedsgraden sammenlignet med eksisterende kliniske scores. En sådan præcis forudsigelsesmodel ville gøre det muligt for børnelæger at identificere træk, der er de mest indikative for sværhedsgrad og progression af astma, og vil blive brugt til at formulere interventionsstrategier og tidlig lægehjælp til børn.
Undersøgelsestype
Tilmelding (Forventet)
Kontakter og lokationer
Studiekontakt
- Navn: Amelia Licari, MD
- Telefonnummer: +39(0)382502629
- E-mail: a.licari@smatteo.pv.it
Studiesteder
-
-
-
Pavia, Italien, 27100
- Rekruttering
- Irccs Policlinico San Matteo
-
Kontakt:
- Amelia Licari, MD
- E-mail: a.licari@smatteo.pv.it
-
-
Deltagelseskriterier
Berettigelseskriterier
Aldre berettiget til at studere
Tager imod sunde frivillige
Køn, der er berettiget til at studere
Prøveudtagningsmetode
Studiebefolkning
Kvalificerede deltagere vil blive identificeret blandt børn, der henvises til vores pædiatriske klinik for svær astma af deres praktiserende læge eller af deres primære børnelæge.
Børn, der gennemgår en CT-scanning af brystet af andre årsager end astma, vil blive udvalgt som kontroller.
Beskrivelse
Inklusionskriterier:
- alder 6-17 år
- bekræftet diagnose af svær astma i henhold til ERS/ATS retningslinjer
Ekskluderingskriterier:
- andre sygdomme, der kan efterligne astma i henhold til ERS/ATS-retningslinjer (dvs. cystisk fibrose, primær ciliær dyskinesi, tracheobronchomalaci osv.)
Studieplan
Hvordan er undersøgelsen tilrettelagt?
Design detaljer
Kohorter og interventioner
Gruppe / kohorte |
---|
Gruppe 1
Børn med svær astma
|
Gruppe 2
Børn, der gennemgår en CT-scanning af brystet af andre årsager end astma
|
Hvad måler undersøgelsen?
Primære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
---|---|---|
Forudsigelse af sværhedsgraden af astma hos børn
Tidsramme: 3 år
|
At opbygge en sværhedsgrad til at forudsige udviklingen for børn med astma ved at bruge en dyb-læringsmodel til at fange CT-scanningsprognoseoplysninger og integrere med kliniske og laboratoriedata opnået fra medicinske journaler.
|
3 år
|
Samarbejdspartnere og efterforskere
Sponsor
Efterforskere
- Ledende efterforsker: Amelia Licari, MD, Irccs Policlinico San Matteo
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
- 08073521
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 .
Kliniske forsøg med Astma hos børn
-
Meshalkin Research Institute of Pathology of CirculationIkke rekrutterer endnustyrkeegenskaberne for aorta in vivo | aortaens styrkeegenskaber in vitro | Regressionsmodel af aortastyrkeegenskaber in vitro og in vitroDen Russiske Føderation
-
Organon and CoAfsluttet
-
Boston Scientific CorporationAktiv, ikke rekrutterende
-
Centre Hospitalier Universitaire de NīmesAfsluttet
-
Kaohsiung Veterans General Hospital.Afsluttet
-
Kaohsiung Veterans General Hospital.Afsluttet
-
Adiyaman UniversityAfsluttet
-
Rabin Medical CenterUkendt
-
Istituto Clinico HumanitasAfsluttet
-
Suleyman Demirel UniversityUkendtin vitro befrugtningKalkun