Udforskning af anvendelseseffektiviteten af diagnostiske værktøjer til kunstig intelligens (AI) i medicinsk billeddannelse (MI) af luftvejsinfektioner (I) sygdom (D) (AI-MIRID)
12. august 2024 opdateret af: Wen-hong Zhang, Huashan Hospital
Tidlig identifikation og alvorlig advarsel om akutte infektionssygdomme i luftvejene er af afgørende betydning.
Anvendelse af effektive midler til at stille korrekte diagnoser af infektionskilden på et tidligt tidspunkt er forudsætningen for alle effektive foranstaltninger.
AI-MID er et forskningsinitiativ, der bruger kunstig intelligens-værktøjer til at hjælpe med klinisk medicinsk billeddiagnostik af luftvejssygdomme, med det formål at reducere den tid, læger bruger på at gennemgå billeder, øge arbejdseffektiviteten og forbedre følsomheden og specificiteten af lungebetændelsesdetektion og derved forbedre påvisningshastigheden af lungebetændelse på græsrodsniveau.
Denne tilgang letter præcis forebyggelse, præcis diagnose og præcis behandling.
Studieoversigt
Status
Rekruttering
Intervention / Behandling
Undersøgelsestype
Interventionel
Tilmelding (Anslået)
2000
Fase
- Ikke anvendelig
Kontakter og lokationer
Dette afsnit indeholder kontaktoplysninger for dem, der udfører undersøgelsen, og oplysninger om, hvor denne undersøgelse udføres.
Studiekontakt
- Navn: Wenhong Zhang
- Telefonnummer: (86)52889999
- E-mail: zhangwenhong@fudan.edu.cn
Studiesteder
-
-
-
Shanghai, Kina, 200040
- Rekruttering
- Huashan Hospital
-
Kontakt:
- Wenhong Zhang, Professor
- Telefonnummer: (86)52889999
- E-mail: zhangwenhong@fudan.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
- Barn
- Voksen
- Ældre voksen
Tager imod sunde frivillige
Ja
Beskrivelse
Inklusionskriterier:
- 1-90 år, køn ikke angivet.
- Udviser symptomer på luftvejsinfektion
- Skal have etiologiske undersøgelsesresultater
- Skal have billeddata;
Ekskluderingskriterier:
- Alvorlige artefakter i medicinske billeder
- Klinisk diagnose indikerer samtidig lungeødem
- Dobbelt gennemgang resulterer i uklar diagnose eller potentiel fejldiagnose
- Andre situationer, der kan give vanskeligheder med at læse filmene, eller som forskeren bestemmer, anses studiedeltageren for uegnet til optagelse.
Studieplan
Dette afsnit indeholder detaljer om studieplanen, herunder hvordan undersøgelsen er designet, og hvad undersøgelsen måler.
Hvordan er undersøgelsen tilrettelagt?
Design detaljer
- Primært formål: Diagnostisk
- Tildeling: Randomiseret
- Interventionel model: Parallel tildeling
- Maskning: Ingen (Åben etiket)
Våben og indgreb
Deltagergruppe / Arm |
Intervention / Behandling |
|---|---|
|
Ingen indgriben: Ingen indgriben
Ikke-intervention
|
|
|
Eksperimentel: Kunstig intelligens-baseret medicinsk billedbehandlingsgruppe
Ved hjælp af klinisk information, billeddannelsesdata og tilsvarende ætiologiske resultater fra studiedeltagerne etableres et AI-diagnostisk værktøj til specifikt at genkende patienters medicinske brystbilleder og konstruere tilsvarende diagnostiske konklusioner.
|
I AI-fortolkningsgruppen, ved hjælp af klinisk information, billeddata og tilsvarende ætiologiske resultater fra studiedeltagerne, etableres et AI-diagnostisk værktøj til specifikt at genkende patienters medicinske brystbilleder og konstruere tilsvarende diagnostiske konklusioner.
|
Hvad måler undersøgelsen?
Primære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
Evaluering af den diagnostiske effektivitet af diagnostiske værktøjer til kunstig intelligens i medicinsk billeddannelse af luftvejsinfektionssygdomme
Tidsramme: 2 år
|
For at evaluere den diagnostiske effektivitet af computerstøttet detektion (CAD) software til identifikation af lungeinfektioner, vil undersøgelsen anvende følgende metoder: Billedbehandlingskriterier: Erfarne radiologer vil fortolke den medicinske billeddannelse af undersøgelsesdeltagere, der tjener som billeddiagnostisk standard. Computerstøttet detektion: Samtidig vil CAD-softwaren analysere deltagernes medicinske billeddannelse for at generere diagnostiske resultater. Effektvurdering: Nøjagtigheden og konsistensen af CAD-softwaren vil blive evalueret ved at sammenligne dens fortolkninger med diagnoserne stillet af radiologerne. |
2 år
|
Sekundære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
Brug af kunstig intelligensværktøjer til tidlig identifikation og alvorlig advarsel om infektionssygdomme i luftvejene
Tidsramme: 2 år
|
Ved at integrere den medicinske billeddannelse af studiedeltagere med de tilsvarende respiratoriske patogendetektionsresultater, vil disse data blive brugt som træningssættets input til AI-diagnoseværktøjet, hvilket gør det muligt for det at gennemgå dyb læring.
Denne proces vil etablere et AI-diagnoseværktøj baseret på patogenbilleddannelse.
Efter at have afsluttet dataindsamlingen for både retrospektive og prospektive undersøgelsessektioner planlægger vi at evaluere sygdomsprogressionen og prognosen for studiedeltagerne baseret på overlevelsesanalyse og prædiktiv modellering.
Ved at integrere kliniske data og billeddata, sigter vi mod at øge nøjagtigheden og præcisionen af den prognostiske vurderingsmodel.
Modellen vil løbende blive optimeret i forhold til ændringerne i vilkårene for de tilmeldte studiedeltagere over forskellige tidsperioder.
|
2 år
|
Samarbejdspartnere og efterforskere
Det er her, du vil finde personer og organisationer, der er involveret i denne undersøgelse.
Sponsor
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. april 2022
Primær færdiggørelse (Anslået)
1. december 2025
Studieafslutning (Anslået)
1. december 2026
Datoer for studieregistrering
Først indsendt
7. august 2024
Først indsendt, der opfyldte QC-kriterier
12. august 2024
Først opslået (Faktiske)
14. august 2024
Opdateringer af undersøgelsesjournaler
Sidste opdatering sendt (Faktiske)
14. august 2024
Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier
12. august 2024
Sidst verificeret
1. august 2024
Mere information
Begreber relateret til denne undersøgelse
Yderligere relevante MeSH-vilkår
Andre undersøgelses-id-numre
- AI-MIRID
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 .