Forholdet mellem hormonfølsomhed og billeddannelse af idiopatisk interstitiel lungebetændelse ved kunstig intelligens (IIP)
23. november 2021 opdateret af: Peking University Third Hospital
Anvendelse af kunstig intelligens dyb læringsalgoritme til at analysere forholdet mellem hormonfølsomhed af idiopatisk interstitiel lungebetændelse og billeddannelsesegenskaber ved højopløsnings-CT.
Studieoversigt
Status
Afsluttet
Betingelser
Intervention / Behandling
Detaljeret beskrivelse
Metoder: de medicinske journaler og højopløselige CT-billeder af brystet af patienter med idiopatisk interstitiel lungebetændelse indlagt på respiratorisk afdeling på det tredje hospital ved Peking University fra 1. juni 2012 til 31. december 2020 blev retrospektivt analyseret. Anvendelse af kunstig intelligens dyb læring neural foldning netværk metode til at skabe anerkendelse teknologi af forskellige billeddannelse funktioner.Inklusive malet glas, mesh, honeycomb, nodule eller konsolidering, blev modellen etableret.
IIP-patienter blev opdelt i hormonfølsom gruppe og hormon-ufølsom gruppe efter, om brugen af hormon var effektiv eller ej. Logistisk regressionsanalyse blev brugt til at analysere sammenhængen mellem statistisk signifikante parametre og hormonfølsomhed. Kunstig intelligens blev brugt til at etablere korrelationsmodellen mellem billeddannelsesegenskaber og kliniske data og hormonfølsomhed.
Undersøgelsestype
Observationel
Tilmelding (Faktiske)
150
Kontakter og lokationer
Dette afsnit indeholder kontaktoplysninger for dem, der udfører undersøgelsen, og oplysninger om, hvor denne undersøgelse udføres.
Studiesteder
-
-
Beijing
-
Beijing, Beijing, Kina, 100191
- Peking University Third Hospital
-
-
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
18 år til 90 år (Voksen, Ældre voksen)
Tager imod sunde frivillige
Ingen
Køn, der er berettiget til at studere
Alle
Prøveudtagningsmetode
Ikke-sandsynlighedsprøve
Studiebefolkning
Fra 1. juni 2012 til 31. december 2020 blev alle indlagte patienter med IIP indlagt på respirations- og intensivafdelingen på det tredje hospital ved Peking University.
I alt er 150 patienter, 45 patienter, der bruger hormon, gennemsnitsalder 62 år, 21 mænd.
Beskrivelse
Inklusionskriterier:
Klinisk-patologisk-radiologisk diagnose af idiopatisk interstitiel lungebetændelse Hormonbehandling blev anvendt; Opfølgningsdataene var fuldstændige, og effekten af hormonbrug kunne bedømmes.
Ekskluderingskriterier:
Lungeinfektionssygdom; Hjertefejl; Bindevævssygdom; IIP Uden hormonbehandling; IIP, men opfølgningsdataene var ufuldstændige, og effekten af hormonbrug kunne ikke bedømmes.
Studieplan
Dette afsnit indeholder detaljer om studieplanen, herunder hvordan undersøgelsen er designet, og hvad undersøgelsen måler.
Hvordan er undersøgelsen tilrettelagt?
Design detaljer
Kohorter og interventioner
Gruppe / kohorte |
Intervention / Behandling |
|---|---|
|
Hormonfølsom gruppe
Prednison, 0,5mg/kgqd, 3-6 måneder
|
Slibet glas, honeycomb, retikulering, konsolidering
|
|
Hormonufølsomhedsgruppe
Prednison, 0,5mg/kgqd, 3-6 måneder
|
Slibet glas, honeycomb, retikulering, konsolidering
|
Hvad måler undersøgelsen?
Primære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
forhold mellem kliniske data og billeddiagnostik i begge grupper
Tidsramme: 3-6 måneder efter medicinering
|
kliniske data inklusive alder, køn, symptomer, tegn, rygehistorie, komplikationer, laboratorieundersøgelse, lungefunktion.
Billedfunktion, herunder opacitet af slebet glas, retikulering, honeycomb og konsolidering.
|
3-6 måneder efter medicinering
|
Sekundære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
forholdet mellem billeddannelsesegenskabsforhold og hormonfølsomhed
Tidsramme: 3-6 måneder efter medicinering
|
Logistisk regression, der analyserer forholdet mellem billeddannelsesforhold og hormonfølsomhed.
|
3-6 måneder efter medicinering
|
Andre resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
udvikling af kunstig intelligens algoritme model
Tidsramme: 3-6 måneder efter medicinering
|
U-net-metoden til deep learning convolutional neural network (CNN) blev brugt til at skabe genkendelsesmodellen for forskellige billeddannelsesfunktioner.
Billedbehandlingsfunktioner omfatter uigennemsigtighed i slebet glas, retikulering, honeycomb og konsolidering.
Med arealforholdet mellem billeddannelsesegenskaber for de to grupper som input og hormoneffektivitet som output, blev korrelationsmodellen mellem billeddannende funktioner og hormonfølsomhed etableret ved at bruge kunstig intelligens k nærmeste nabo (KNN) algoritme og støttevektormaskine (SVM) algoritme.
|
3-6 måneder efter medicinering
|
Samarbejdspartnere og efterforskere
Det er her, du vil finde personer og organisationer, der er involveret i denne undersøgelse.
Sponsor
Efterforskere
- Ledende efterforsker: Bei He, Peking University Third Hospital Respiratory and critical care department
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)
30. december 2019
Primær færdiggørelse (Faktiske)
1. juni 2021
Studieafslutning (Faktiske)
30. juni 2021
Datoer for studieregistrering
Først indsendt
30. juni 2021
Først indsendt, der opfyldte QC-kriterier
23. november 2021
Først opslået (Faktiske)
7. december 2021
Opdateringer af undersøgelsesjournaler
Sidste opdatering sendt (Faktiske)
7. december 2021
Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier
23. november 2021
Sidst verificeret
1. juni 2021
Mere information
Begreber relateret til denne undersøgelse
Yderligere relevante MeSH-vilkår
Andre undersøgelses-id-numre
- LM2019173
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 .