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

Intelligent påvisning af carotis plak og dets stabilitet baseret på dyb læring dynamisk ultralydsscanning

13. september 2023 opdateret af: Jia Liu

Deep Learning Model baseret på rutinemæssig ultralydsscanning video for at hjælpe læger med at forbedre diagnosen af ​​carotis plaque

Denne undersøgelse har til hensigt at opbygge en model gennem dyb læring, der automatisk og nøjagtigt kan detektere plak, beregne lumenstenosehastigheden og evaluere plaques stabilitet baseret på dynamiske ultralydsbilleder af carotis transversale akse og kontrastforstærkede ultralydsbilleder, for at foretage en omfattende evaluering muligheden for carotis plaques. kardiovaskulær risiko. Den vellykkede udvikling af denne undersøgelse vil automatisk simulere og reproducere hele processen med carotis plaque vurdering af kliniske sonografer. Løs problemet med ultralydsinspektionsudstyr og erfaringsafhængighed. Det forventes at udføre storstilet befolkningsintelligent screening, der giver nye ideer til tidlig forebyggelse og behandling. Især i medicinsk underudviklede fjerntliggende områder og manglen på erfarne sonografer har det stor praktisk værdi i klinisk sundhedspleje og kan give større sociale og økonomiske fordele.

Studieoversigt

Detaljeret beskrivelse

Baggrund:

Carotis plak er skadeligt for menneskers sundhed. Ifølge skøn fra Verdenssundhedsorganisationen forekommer 6,7 millioner cerebrovaskulære ulykker og slagtilfælde hvert år, hovedsageligt relateret til dannelsen af ​​carotis aterosklerotisk plak. På den ene side kan plak i halspulsåren forårsage stenose i halspulsåren eller endda okklusion, hvilket forårsager cerebral iskæmi. Tidlig påvisning og nøjagtig vurdering af carotis plaques er nyttigt for klinikere til at træffe effektive interventionsforanstaltninger, som betydeligt kan reducere invaliditetsraten og dødeligheden ved slagtilfælde.

Carotis CTA og MRA kan give plakbilleder i relativt høj opløsning og høj kvalitet, men har omkostnings- og scanningsbegrænsninger, der begrænser deres anvendelse i daglig klinisk praksis. Ultralyd har fordelene ved ikke-invasivitet, bekvemmelighed, lave omkostninger og god repeterbarhed. Det er den foretrukne billeddannelsesmetode til plakdetektion, stenose og plakstabilitet. Kontrastforstærket ultralyd (CEUS) kan følsomt påvise intra-plaque-mikrocirkulationsperfusion ved at injicere mikroboblekontrastmidler og er i overensstemmelse med histopatologiske fund og er i stigende grad blevet brugt klinisk til at evaluere plakstabilitet.

På den ene side er begrænsningen ved ultralydsundersøgelse dog, at den skal stole på niveauet af instrumenter og operatører for at forbedre nøjagtigheden. På den anden side har den traditionelle medicinske model med væksten i befolkningsgrundlaget og samfundets aldring været ude af stand til at imødekomme den årlige stigning i antallet af patienter. undersøgelsesbehov hos patienter. Derfor er det af stor betydning at udvikle en integreret AI-applikationsplatform, der automatisk og præcist kan detektere plak baseret på ultralydsbilleddata, og evaluere lumenstenose og plakstabilitet.

Formål:

Denne undersøgelse har til hensigt at bygge en model baseret på dyb læring til automatisk og præcist at detektere plak baseret på det dynamiske ultralydsbillede af carotis transversale akse, beregne lumenstenosehastigheden og udføre stabilitetsvurdering for at evaluere de mulige kardiovaskulære effekter af carotis plaque. . risiko. Det vil realisere den automatiske simulering og reproduktion af hele processen med vurdering af cervikal plak af kliniske ultralydseksperter.

Studere design:

To tredjedele af de tilmeldte patienter og deres tilsvarende dynamiske scanningsbilleder af carotisarterie og ekspertdiagnoseresultater blev tilfældigt udvalgt som træningskohorten for dyb læring. Carotis arterie dynamiske scanningsbilleder og ekspertdiagnoseresultater af de resterende 1/3 patienter blev brugt som en valideringskohorte til at evaluere den overordnede diagnostiske nøjagtighed af den dybe læringsmodel

Statistisk analyse:

Følsomheden, specificiteten, den positive prædiktive værdi og den negative prædiktive værdi af dyb læring til detektering af plak, estimering af luminal stenosehastighed eller forudsigelse af plakstabilitet blev beregnet af arealet under modtagerens operationskarakteristik (ROC) kurve (AUROC) for at evaluere. Statistisk analyse blev udført ved hjælp af SPSS 22.0-software.

Kvalitetskontrol:

Udvikle standardiserede og standard carotis ultralyd undersøgelsesmetoder og operationsprocedurer, og udvikle ensartede billedoptagelses- og lagringsstandarder. Alle operatører er grundigt uddannet i carotis ultralyd. To operatører med mere end 5 års erfaring i ultralydsdrift blev ansat som kvalitetskontrolpersonale til at gennemgå alle billeder og udelukke ukvalificerede billeder.

Ultralyd er sikkert og strålingsfrit. Under undersøgelsen var lægen og patienten altid i en tilstand af kommunikation, og patienten følte sig mindre nervøs og bange, med god tolerance og høj compliance.

Etik af undersøgelsen:

Denne forskning vil følge de etiske retningslinjer i Helsinki-erklæringen fra World Medical Congress og de relevante normer og regler for klinisk forskning. Undersøgelsen påbegyndes efter godkendelse af den etiske komité. Inden undersøgelsens start skal investigator informere forsøgspersonerne om alt relevant indhold af den kliniske undersøgelse på et letforståeligt sprog og informere patienterne om, at de til enhver tid har ret til at trække sig fra undersøgelsen. Undersøgelsen blev først startet efter, at patienterne frivilligt havde underskrevet det informerede samtykke.

Undersøgelsestype

Observationel

Tilmelding (Faktiske)

2000

Kontakter og lokationer

Dette afsnit indeholder kontaktoplysninger for dem, der udfører undersøgelsen, og oplysninger om, hvor denne undersøgelse udføres.

Studiesteder

    • Guangdong
      • Guangzhou, Guangdong, Kina
        • The Third Affiliated Hospital of Sun Yat-Sen University

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 og ældre (Voksen, Ældre voksen)

Tager imod sunde frivillige

Ingen

Prøveudtagningsmetode

Sandsynlighedsprøve

Studiebefolkning

Alder≥18 år gammel, køn er ikke begrænset, med varierende grader af carotis aterosklerose.

Beskrivelse

Inklusionskriterier:

  • (1) Alder≥18 år gammel, køn er ikke begrænset. (2) Patienter, der frivilligt deltog i denne undersøgelse, underskrev det informerede samtykke.

Ekskluderingskriterier:

  • (1) Alvorlig cerebrovaskulær sygdom, usamarbejdsvillige patienter og dem, der ikke kan tåle undersøgelse. (2) Sårforbindinger efter nakkekirurgi påvirker carotisarterie-ultralyd. (3) Halsen er kort og tyk, og sonden kan ikke sættes lodret ned.

Studieplan

Dette afsnit indeholder detaljer om studieplanen, herunder hvordan undersøgelsen er designet, og hvad undersøgelsen måler.

Hvordan er undersøgelsen tilrettelagt?

Design detaljer

  • Observationsmodeller: Kohorte
  • Tidsperspektiver: Fremadrettet

Kohorter og interventioner

Gruppe / kohorte
Intervention / Behandling
Deep learning træningskohorte
2/3 af de indskrevne patienter og deres tilsvarende dynamiske scanningsbilleder af carotisarterie og ekspertdiagnoseresultater blev tilfældigt udvalgt som træningskohorte for dyb læring.
træne deep learning-modellen
Kohorte til validering af dyb læring
Carotis arterie dynamiske scanningsbilleder og ekspertdiagnoseresultater af de resterende 1/3 patienter blev brugt som en valideringskohorte til at evaluere den overordnede diagnostiske nøjagtighed af den dybe læringsmodel.
vurdere modellen

Hvad måler undersøgelsen?

Primære resultatmål

Resultatmål
Foranstaltningsbeskrivelse
Tidsramme
AI hjælper yngre radiologer med at læse billeder, og primære læger læser billeder uafhængigt
Tidsramme: gennem studieafslutning, i gennemsnit 2 år
Ved at tage læseresultaterne fra senior sonografer som guldstandarden, blev sensitiviteten, specificiteten, nøjagtigheden, den positive prædiktive værdi og den negative prædiktive værdi af AI-assisteret læsning og uafhængig læsning af yngre læger for carotis plaque-assisteret diagnose testet. AUC evalueres.
gennem studieafslutning, i gennemsnit 2 år
Vurdering af AI-modellens ydeevne
Tidsramme: gennem studieafslutning, i gennemsnit 2 år
At tage læseresultaterne fra senior sonografer som guldstandarden, sensitiviteten, specificiteten, nøjagtigheden, positiv forudsigelsesværdi og negativ prædiktiv værdi af AI-uafhængig læsning. Det blev evalueret af arealet under modtagerens driftskarakteristik (ROC) kurve (AUC).
gennem studieafslutning, i gennemsnit 2 år
AI estimerer lumenstenosehastigheden
Tidsramme: gennem studieafslutning, i gennemsnit 2 år
Ved at tage læseresultaterne fra senior sonografer som guldstandarden, kan AI estimere følsomheden, specificiteten, nøjagtigheden, den positive prædiktive værdi og den negative prædiktive værdi af lumenstenosehastigheden. Det blev evalueret af arealet under modtagerens driftskarakteristik (ROC) kurve (AUC).
gennem studieafslutning, i gennemsnit 2 år
AI forudsiger plakstabilitet.
Tidsramme: gennem studieafslutning, i gennemsnit 2 år
Ved at tage læseresultaterne fra senior sonografer som guldstandarden, forudsiger AI følsomheden, specificiteten, nøjagtigheden, den positive forudsigende værdi og den negative forudsigende værdi af plakstabilitet. Det blev evalueret af arealet under modtagerens driftskarakteristik (ROC) kurve (AUC).
gennem studieafslutning, i gennemsnit 2 år
Plaquedetektion af AI-model på videoer erhvervet af forskellige typer udstyr.
Tidsramme: gennem studieafslutning, i gennemsnit 2 år
Ved at tage læseresultaterne fra senior sonografer som guldstandarden, registrerer AI plakfølsomhed, specificitet, nøjagtighed, positiv prædiktiv værdi og negativ prædiktiv værdi på forskelligt ultralydsudstyr. Vurderet af arealet under modtagerens driftskarakteristik (ROC) kurve (AUC).
gennem studieafslutning, i gennemsnit 2 år

Samarbejdspartnere og efterforskere

Det er her, du vil finde personer og organisationer, der er involveret i denne undersøgelse.

Sponsor

Efterforskere

  • Ledende efterforsker: Jia Liu, Third Affiliated Hospital, 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. maj 2020

Primær færdiggørelse (Faktiske)

1. juni 2023

Studieafslutning (Faktiske)

1. juni 2023

Datoer for studieregistrering

Først indsendt

27. januar 2022

Først indsendt, der opfyldte QC-kriterier

8. februar 2022

Først opslået (Faktiske)

9. februar 2022

Opdateringer af undersøgelsesjournaler

Sidste opdatering sendt (Faktiske)

14. september 2023

Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier

13. september 2023

Sidst verificeret

1. september 2023

Mere information

Begreber relateret til denne undersøgelse

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 Carotis aterosklerose

Kliniske forsøg med Deep learning træningskohorte

3
Abonner