- ICH GCP
- US Clinical Trials Registry
- Klinisk forsøg NCT06616506
Kunstig intelligens til meget nærsynet grå stær (AI-HMC)
Studieoversigt
Status
Betingelser
Intervention / Behandling
Detaljeret beskrivelse
Katarakt med høj nærsynethed (HMC) er en kompleks grå stær med høj risiko for blindhed. På nuværende tidspunkt er der næsten 300 millioner mennesker med høj nærsynethed i verden, som vil stige til 500 millioner i 2020. Asien er den høje forekomst af nærsynethed i verden. På nuværende tidspunkt er der mere end 500 millioner mennesker med nærsynethed alene i Kina, hvoraf næsten 100 millioner er høj nærsynethed, og dette antal vokser stadig hurtigt. Tilsvarende er forekomsten af grå stær med høj nærsynethed også steget hurtigt, hvilket tegner sig for over 40 % af operationer for grå stær.
I den tidlige fase af projektgruppens analyse af brydningsfejl efter kataraktoperation med høj nærsynethed blev det konstateret, at nøjagtigheden af den intraokulære linseberegningsformel, som i vid udstrækning anbefales til grå stær med høj nærsynethed i øjeblikket, stadig er bekymrende, fordi de fleste af disse formler er baseret på de europæiske og amerikanske øjendata, mens de europæiske og amerikanske databaser har få ultrahøj nærsynethedsdata, hvilket i høj grad påvirker formlens nøjagtighed. Derudover skal beregningen af den eksisterende formel inkludere flere biometriske indikatorer, og kan opnås baseret på på komplekse algoritmer. Kunstig intelligens-teknologi er præcis et effektivt middel til at løse denne form for problemer. Derfor, baseret på data fra asiatisk befolkning med høj nærsynethed og høj forekomst, vil etableringen af en intelligent model til nøjagtig beregning af høj nærsynet katarakt IOL i høj grad forbedre målenøjagtigheden Sex.
Derfor er formålet med denne undersøgelse at etablere en multicenter kunstig intelligensmodel til nøjagtig beregning af intraokulær linse og dens kliniske anvendelse ved stærkt nærsynet katarakt, for at forbedre nøjagtigheden af forudsigelsen af postoperativ dioptri hos patienter med meget nærsynet katarakt. .
Undersøgelsestype
Tilmelding (Anslået)
Kontakter og lokationer
Studiekontakt
- Navn: KEKE ZHANG
- E-mail: shirley18158@163.com
Undersøgelse Kontakt Backup
- Navn: WENWEN HE
- Telefonnummer: +86-15021154594
- E-mail: alicewen@139.com
Studiesteder
-
-
Shanghai Municipality
-
Shanghai, Shanghai Municipality, Kina, 200031
- Rekruttering
- Eye and ENT Hospital of Fudan University
-
Kontakt:
- XIANGJIA ZHU, M.D.
- Telefonnummer: (86)021-64377134
- E-mail: zhuxiangjia1982@126.com
-
-
Deltagelseskriterier
Berettigelseskriterier
Aldre berettiget til at studere
- Barn
- Voksen
- Ældre voksen
Tager imod sunde frivillige
Prøveudtagningsmetode
Studiebefolkning
Beskrivelse
Inklusionskriterier:
Aksial længde ≥ 26 mm og patienter med høj nærsynethed kompliceret af grå stær, der besøger vores hospital.
Præoperativ fotografering af forreste segment og vurdering af grå stær, sammen med fundus OCT-undersøgelse, er blevet udført.
Hvis kirurgisk behandling udføres, bør den postoperative opfølgningsperiode ikke være mindre end 1 måned.
Der mangler ingen kliniske data før og efter operationen.
Ekskluderingskriterier:
Patienter, der ikke er i stand til at samarbejde med de nødvendige undersøgelser til denne undersøgelse.
Studieplan
Hvordan er undersøgelsen tilrettelagt?
Design detaljer
Kohorter og interventioner
Gruppe / kohorte |
Intervention / Behandling |
|---|---|
|
Meget nærsynet kataraktpatienter uden fundusdefekter
Meget nærsynet kataraktpatienter med fundusdefekter
|
Anvend nyopfundne AI-modeller til at hjælpe med at bestemme kirurgiske planer og resultatforudsigelse.
|
|
Meget nærsynet kataraktpatienter med fundusdefekter
|
Anvend nyopfundne AI-modeller til at hjælpe med at bestemme kirurgiske planer og resultatforudsigelse.
|
|
Stærkt nærsynet kataraktpatienter med linsegradering på NC2-3
|
Anvend nyopfundne AI-modeller til at hjælpe med at bestemme kirurgiske planer og resultatforudsigelse.
|
|
Meget nærsynet kataraktpatienter med linsegradering NC4-5
|
Anvend nyopfundne AI-modeller til at hjælpe med at bestemme kirurgiske planer og resultatforudsigelse.
|
Hvad måler undersøgelsen?
Primære resultatmål
Resultatmål |
Tidsramme |
|---|---|
|
en multicenter kunstig intelligensmodel til nøjagtig beregning af intraokulær linse og dens kliniske anvendelse ved meget nærsynet grå stær
Tidsramme: 10 ÅR
|
10 ÅR
|
|
en multicenter kunstig intelligensmodel til kataraktgradering og dens kliniske anvendelse i meget nærsynet grå stær
Tidsramme: 8 år
|
8 år
|
Sekundære resultatmål
Resultatmål |
Tidsramme |
|---|---|
|
en multicenter kunstig intelligensmodel til risikoforudsigelse af perioperative komplikationer og dens kliniske anvendelse ved meget nærsynet grå stær
Tidsramme: 10 år
|
10 år
|
|
en multicenter kunstig intelligensmodel til forudsigelse af kirurgisk udfald og dens kliniske anvendelse i meget nærsynet grå stær
Tidsramme: 10 år
|
10 år
|
Samarbejdspartnere og efterforskere
Sponsor
Samarbejdspartnere
Efterforskere
- Studiestol: XIANGJIA ZHU, Eye & ENT Hospital of Fudan University
Datoer for undersøgelser
Studer store datoer
Studiestart (Faktiske)
Primær færdiggørelse (Anslået)
Studieafslutning (Anslået)
Datoer for studieregistrering
Først indsendt
Først indsendt, der opfyldte QC-kriterier
Først opslået (Faktiske)
Opdateringer af undersøgelsesjournaler
Sidste opdatering sendt (Faktiske)
Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier
Sidst verificeret
Mere information
Begreber relateret til denne undersøgelse
Yderligere relevante MeSH-vilkår
Andre undersøgelses-id-numre
- NSFC-81970780
- SYA202006 (Andet bevillings-/finansieringsnummer: Eye and Ear, Nose and Throat Hospital, Fudan University)
- SHDC12019X08 (Andet bevillings-/finansieringsnummer: Shanghai Shenkang Hospital Development Center)
Plan for individuelle deltagerdata (IPD)
Planlægger du at dele individuelle deltagerdata (IPD)?
Lægemiddel- og udstyrsoplysninger, undersøgelsesdokumenter
Studerer et amerikansk FDA-reguleret lægemiddelprodukt
Studerer et amerikansk FDA-reguleret enhedsprodukt
produkt fremstillet i og eksporteret fra U.S.A.
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 .