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

OSFound-Enhanced AI-model til at identificere præmaligne og ondartede øjenoverfladetumorer

23. marts 2025 opdateret af: Ningbo Eye Hospital

Prospektiv evaluering af en OSFound-Enhanced Deep Learning-model til identifikation af præmaligne og ondartede øjenoverfladetumorer

En OSFound-forstærket dyb læringsmodel er blevet udviklet til at identificere præmaligne og ondartede tumorer ved hjælp af data, der retrospektivt er indsamlet fra Ningbo Eye Hospital, Jiangdong Eye Hospital og Eye Hospital of Wenzhou Medical University. For yderligere at underbygge modellens effektivitet har vi til hensigt at evaluere den prospektivt på Ningbo Øjenhospital.

Studieoversigt

Status

Afsluttet

Betingelser

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

    • Zhejiang
      • Ningbo, Zhejiang, Kina, 315040
        • Ningbo Eye 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

  • Barn
  • Voksen
  • Ældre voksen

Tager imod sunde frivillige

Ingen

Prøveudtagningsmetode

Sandsynlighedsprøve

Studiebefolkning

Barn, voksen, ældre voksen

Beskrivelse

Inklusionskriterier:

Okulære overfladetumorbilleder med histopatologiske fund

Ekskluderingskriterier:

Billeder i lav kvalitet

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
AUROC
Tidsramme: 3 måneder
område under modtagerens funktionskarakteristikkurve
3 måneder

Samarbejdspartnere og efterforskere

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

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. juni 2024

Primær færdiggørelse (Faktiske)

1. oktober 2024

Studieafslutning (Faktiske)

1. november 2024

Datoer for studieregistrering

Først indsendt

20. august 2024

Først indsendt, der opfyldte QC-kriterier

20. august 2024

Først opslået (Faktiske)

22. august 2024

Opdateringer af undersøgelsesjournaler

Sidste opdatering sendt (Faktiske)

26. marts 2025

Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier

23. marts 2025

Sidst verificeret

1. marts 2025

Mere information

Begreber relateret til denne undersøgelse

Yderligere relevante MeSH-vilkår

Andre undersøgelses-id-numre

  • NEH202408

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

produkt fremstillet i og eksporteret fra U.S.A.

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 Modellens ydeevne

Kliniske forsøg med OSPM-forbedret AI-model

Abonner