- ICH GCP
- US Clinical Trials Registry
- Klinisk forsøg NCT05348031
Multimodal analyse af strukturelle stemmeforstyrrelser baseret på tale og stroboskopisk laryngoskopvideo
22. april 2022 opdateret af: Sun Yat-Sen Memorial Hospital of Sun Yat-Sen University
Denne undersøgelse har til hensigt at indsamle kliniske data såsom strobary laryngoskopbilleder og vokallyddata fra patienter med strukturelle stemmelidelser og raske individer, og at etablere en multimodal stemmelidelsesdiagnosesystemmodel ved at bruge dybe læringsalgoritmer.
Multi-klassificering af sygdomme, der forårsager stemmelidelser, kan anvendes på patienter med stemmelidelser, men udiagnosticeret i klinisk praksis, og derved hjælpe klinikere med at diagnosticere sygdomme og reducere fejldiagnosticering og manglende diagnose.
Derudover kan nogle patienter med stemmelidelser fjernbehandles gennem lyddiagnosemodellen, og bedre opfølgning og behandlingsforslag kan gives til dem.
Fjernstemmeterapi kan afhjælpe den nuværende situation med mangel på talepædagoger i fjerntliggende områder af vores land og øge antallet af patienter, der har behov for stemmeterapi.
lejlighed.
Fjernstemmeterapi er mere omkostningseffektiv, mere fleksibel i tid og mere omkostningseffektiv.
Studieoversigt
Status
Ikke rekrutterer endnu
Betingelser
Detaljeret beskrivelse
- Påvisning og klassificering af akustiske læsioner baseret på taledybdeindlæring
- Detektion og klassificering af akustiske læsioner baseret på dyb indlæring af billeder
- Påvisning og klassificering af akustiske læsioner baseret på dyb læring baseret på multimodalitet
Undersøgelsestype
Observationel
Tilmelding (Forventet)
1
Kontakter og lokationer
Dette afsnit indeholder kontaktoplysninger for dem, der udfører undersøgelsen, og oplysninger om, hvor denne undersøgelse udføres.
Studiekontakt
- Navn: YueXin Cai
- Telefonnummer: 13825063663
- E-mail: caiyx25@mail.sysu.edu.cn
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
20 år til 80 år (VOKSEN, OLDER_ADULT)
Tager imod sunde frivillige
Ja
Køn, der er berettiget til at studere
Alle
Prøveudtagningsmetode
Ikke-sandsynlighedsprøve
Studiebefolkning
I denne undersøgelse blev 490 patienter med stemmelidelser (herunder larynxcancer, larynxforstadier og benigne larynxlæsioner) og 50 raske mennesker indsamlet fra stroboskopiske laryngoskopivideoer og vokallydoptagelser.
Køn, sygdomsforløb, VHI og andre kliniske data.
Beskrivelse
Inklusionskriterier:
Larynxcancer, larynxforstadier, godartede larynxlæsioner med stemmelidelser, raske mennesker uden halssygdomme
Ekskluderingskriterier:
- En historie med larynxkirurgi
- Patienter med stemmelidelser forårsaget af forskellige årsager undtagen larynxcancer, larynxforstadier til strubehovedet og benigne larynxlæsioner
- Lydkvaliteten er ikke klar, det stroboskopiske laryngoskop viser ikke tydeligt det anatomiske område relateret til glottis, og det er undereksponeret og blokeret;
Studieplan
Dette afsnit indeholder detaljer om studieplanen, herunder hvordan undersøgelsen er designet, og hvad undersøgelsen måler.
Hvordan er undersøgelsen tilrettelagt?
Design detaljer
Hvad måler undersøgelsen?
Primære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
---|---|---|
Machine deep learning klassificerer stemmeforstyrrelser
Tidsramme: 6. maj 2022 - 30. december 2023
|
Nøjagtighed
|
6. maj 2022 - 30. december 2023
|
Machine deep learning klassificerer stemmeforstyrrelser med multimodalitet
Tidsramme: 1. januar 2024 - 30. december 2024
|
præcision
|
1. januar 2024 - 30. december 2024
|
Machine deep learning klassificerer patologisk stemmeændring i larynxkræft
Tidsramme: 1. januar 2024 - 30. december 2025
|
præcision
|
1. januar 2024 - 30. december 2025
|
Sekundære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
---|---|---|
Machine deep learning klassificerer stemmeforstyrrelser med multimodalitet
Tidsramme: 1. januar 2024 - 30. december 2025
|
minde om
|
1. januar 2024 - 30. december 2025
|
Samarbejdspartnere og efterforskere
Det er her, du vil finde personer og organisationer, der er involveret i denne undersøgelse.
Samarbejdspartnere
Efterforskere
- Studiestol: YueXin Cai, Sun Yat-sen Memorial 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
- Martínez, David, Lleida Eduardo, Ortega Alfonso,Miguel Antonio, Villalba Jesús. Voice pathology detection on the Saarbrücken voice database with calibration and fusion of scores using multifocal toolkit. Advances in Speech and Language Technologies for Iberian Languages. Springer, Berlin, Heidelberg, 2012. 99-109
- Hegde S, Shetty S, Rai S, Dodderi T. A Survey on Machine Learning Approaches for Automatic Detection of Voice Disorders. J Voice. 2019 Nov;33(6):947.e11-947.e33. doi: 10.1016/j.jvoice.2018.07.014. Epub 2018 Oct 11.
- Al-Nasheri A, Muhammad G, Alsulaiman M, Ali Z. Investigation of Voice Pathology Detection and Classification on Different Frequency Regions Using Correlation Functions. J Voice. 2017 Jan;31(1):3-15. doi: 10.1016/j.jvoice.2016.01.014. Epub 2016 Mar 15.
- .Chuang, ZY,YuXT,Chen JY, Hsu YT,Xu ZZ,Wang CT,Lin FC,Fang SH. DNN-based approach to detect and classify pathological voice. In Proceedings of the 2018 IEEE International Conference on Big Data (Big Data), Seattle, WA, USA, 10-13 December 2018
- Fang SH, Tsao Y, Hsiao MJ, Chen JY, Lai YH, Lin FC, Wang CT. Detection of Pathological Voice Using Cepstrum Vectors: A Deep Learning Approach. J Voice. 2019 Sep;33(5):634-641. doi: 10.1016/j.jvoice.2018.02.003. Epub 2018 Mar 19.
- Bethani Gty As H , Suwandi, Anggraini C D . Classification System Vocal Cords Disease Using Digital Image Processing.The 2019 IEEE International Conference on industry 4.0,Artifical Intelligence,and Communications Technology.2019.129-132
- Unger J, Lohscheller J, Reiter M, Eder K, Betz CS, Schuster M. A noninvasive procedure for early-stage discrimination of malignant and precancerous vocal fold lesions based on laryngeal dynamics analysis. Cancer Res. 2015 Jan 1;75(1):31-9. doi: 10.1158/0008-5472.CAN-14-1458. Epub 2014 Nov 4.
- Xiong H, Lin P, Yu JG, Ye J, Xiao L, Tao Y, Jiang Z, Lin W, Liu M, Xu J, Hu W, Lu Y, Liu H, Li Y, Zheng Y, Yang H. Computer-aided diagnosis of laryngeal cancer via deep learning based on laryngoscopic images. EBioMedicine. 2019 Oct;48:92-99. doi: 10.1016/j.ebiom.2019.08.075. Epub 2019 Oct 5.
- Kim H, Jeon J, Han YJ, Joo Y, Lee J, Lee S, Im S. Convolutional Neural Network Classifies Pathological Voice Change in Laryngeal Cancer with High Accuracy. J Clin Med. 2020 Oct 25;9(11):3415. doi: 10.3390/jcm9113415.
- Godino-Llorente JI, Gomez-Vilda P. Automatic detection of voice impairments by means of short-term cepstral parameters and neural network based detectors. IEEE Trans Biomed Eng. 2004 Feb;51(2):380-4. doi: 10.1109/TBME.2003.820386.
- Ren J, Jing X, Wang J, Ren X, Xu Y, Yang Q, Ma L, Sun Y, Xu W, Yang N, Zou J, Zheng Y, Chen M, Gan W, Xiang T, An J, Liu R, Lv C, Lin K, Zheng X, Lou F, Rao Y, Yang H, Liu K, Liu G, Lu T, Zheng X, Zhao Y. Automatic Recognition of Laryngoscopic Images Using a Deep-Learning Technique. Laryngoscope. 2020 Nov;130(11):E686-E693. doi: 10.1002/lary.28539. Epub 2020 Feb 18.
- Bainbridge KE, Roy N, Losonczy KG, Hoffman HJ, Cohen SM. Voice disorders and associated risk markers among young adults in the United States. Laryngoscope. 2017 Sep;127(9):2093-2099. doi: 10.1002/lary.26465. Epub 2016 Dec 23.
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 (FORVENTET)
6. maj 2022
Primær færdiggørelse (FORVENTET)
30. december 2025
Studieafslutning (FORVENTET)
20. februar 2027
Datoer for studieregistrering
Først indsendt
19. april 2022
Først indsendt, der opfyldte QC-kriterier
22. april 2022
Først opslået (FAKTISKE)
27. april 2022
Opdateringer af undersøgelsesjournaler
Sidste opdatering sendt (FAKTISKE)
27. april 2022
Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier
22. april 2022
Sidst verificeret
1. marts 2022
Mere information
Begreber relateret til denne undersøgelse
Yderligere relevante MeSH-vilkår
Andre undersøgelses-id-numre
- SYSEC-KY-KS-2022-040
Plan for individuelle deltagerdata (IPD)
Planlægger du at dele individuelle deltagerdata (IPD)?
UBESLUTET
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 .