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

Augmented Endobronchial Ultrasound (EBUS-TBNA) med kunstig intelligens

18. august 2025 opdateret af: Norwegian University of Science and Technology

Automatisk segmentering af mediastinale lymfeknuder og blodkar i endobronchial ultralyd (EBUS) billeder ved hjælp af et dybt neuralt netværk

At evaluere nytten af ​​Deep neural network (DNN) i evalueringen af ​​mediastinale og hilar lymfeknuder med endobronchial ultralyd (EBUS). Undersøgelsen vil undersøge muligheden for DNN til at identificere lymfeknuder og blodkar undersøgt med EBUS.

Studieoversigt

Status

Rekruttering

Betingelser

Intervention / Behandling

Detaljeret beskrivelse

Multicenter prospektiv forundersøgelse. DNN-modellen vil blive trænet i ultralydsbilleder med annotering for at identificere lymfeknuder og blodkar undersøgt med EBUS. DNN's evne til at segmentere lymfeknuder og kar baseret på postoperativ behandling og statiske EBUS-billeder vil blive evalueret i den første del af undersøgelsen. I anden del af undersøgelsen vil realtidsbrug af DNN i EBUS-procedure blive evalueret.

Undersøgelsestype

Observationel

Tilmelding (Anslået)

50

Kontakter og lokationer

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

Studiekontakt

Undersøgelse Kontakt Backup

Studiesteder

  • Norge
      • Levanger, Norge, 7600
        • Rekruttering
        • Department of Pulmonology, Levanger Hospital, North Trøndelag Hospital Trust
        • Kontakt:
      • Trondheim, Norge, 7030
        • Rekruttering
        • Department of Thoracic Medicine, St Olavs Hospital
        • Kontakt:

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

Ikke-sandsynlighedsprøve

Studiebefolkning

Patenter med udiagnosticerede forstørrede mediastinale og hilar lymfeknuder, som er blevet anbefalet til endobronchial ultralyd transbronchial nålespiration (EBUS-TBNA).

Beskrivelse

Inklusionskriterier:

  • Forsøgspersoner henvist til thoraxafdeling på et af de deltagende hospitaler med udiagnosticerede forstørrede mediastinale og hilar lymfeknuder.
  • Forsøgspersoner skal være ≥ 18 år

Ekskluderingskriterier:

  • Graviditet
  • Enhver patient, som efterforskeren mener, er uegnet til denne undersøgelse af en eller anden grund.

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
Evne
Tidsramme: 8 måneder
For at undersøge, om Deep neural network (DNN) har evnen til at segmentere lymfeknuder og blodkar fra EBUS-billeder
8 måneder

Sekundære resultatmål

Resultatmål
Foranstaltningsbeskrivelse
Tidsramme
Præcision
Tidsramme: 2 måneder
Den præcision DNN har til at detektere lymfeknuder og blodkar. Målt både pr. voxel i EBUS-billederne og pr. kommenteret struktur (en struktur tælles som detekteret, hvis mindst 50 % af dens annoterede pixels er identificeret af DNN).
2 måneder
Følsomhed
Tidsramme: 2 måneder
Ægte positiv rate. Korrekt påviste lymfeknuder/blodkar over totale lymfeknuder/blodkar. Målt pr. pixel i EBUS-billederne
2 måneder
Specificitet
Tidsramme: 2 måneder
Specificitet = (Sand Negativ)/(Sand Negativ + Falsk Positiv). Målt pr. pixel i EBUS-billederne.
2 måneder
Terninger lighedskoefficient
Tidsramme: 2 måneder
Måler ligheden mellem to sæt data: Kommenteret af pulmonolog vs DNN.
2 måneder
Run-time
Tidsramme: 2 måneder
Er køretiden tilstrækkelig lav til realtidsanalyse under EBUS?
2 måneder
Uønskede hændelser
Tidsramme: 48 timer
Procedurerelaterede uønskede hændelser eller uventede hændelser registreret
48 timer

Samarbejdspartnere og efterforskere

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

Sponsor

Norwegian University of Science and Technology

Samarbejdspartnere

Helse Nord-Trøndelag HF
SINTEF Health Research

Efterforskere

  • Studieleder: Øivind Rognmo, Dr.philos, Norwegian University of Science and Technology

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 2023

Primær færdiggørelse (Anslået)

1. maj 2027

Studieafslutning (Anslået)

1. december 2027

Datoer for studieregistrering

Først indsendt

13. februar 2023

Først indsendt, der opfyldte QC-kriterier

13. februar 2023

Først opslået (Faktiske)

22. februar 2023

Opdateringer af undersøgelsesjournaler

Sidste opdatering sendt (Faktiske)

22. august 2025

Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier

18. august 2025

Sidst verificeret

1. juni 2025

Mere information

Begreber relateret til denne undersøgelse

Andre undersøgelses-id-numre

  • 240245

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 Lungekræft

Kliniske forsøg med maskinlæringsalgoritme

Søg i lignende forsøg

Sponsorer og samarbejdspartnere

Medicinske tilstande

Narkotikainterventioner

CROs by country

CROs in Tanzania

Betingelser

Sjældne sygdomme

Narkotikainterventioner

Kosttilskud

Sponsor / samarbejdspartnere

Placeringer

Abonner