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

Diagnostisk effektivitet af Deep Neural Network Model for implanterbar Collamer-linsevalg og forudsigelse

21. april 2026 opdateret af: Jian Xiong, Second Affiliated Hospital of Nanchang University

Diagnostisk effektivitet af Deep Neural Network Algoritme baseret på præoperativ Scheimpflug-baseret anterior segmentbillede til valg og forudsigelse af implanterbar collamer-linse

At evaluere den diagnostiske effektivitet af deep learning netværksmodel i implanterbar collamer linsevalg og forudsigelse i en multicenter tværsnitsundersøgelse

Studieoversigt

Status

Rekruttering

Betingelser

Intervention / Behandling

Detaljeret beskrivelse

Implantation af intraokulær linse i det bagerste kammer er et hovedvalg til korrektion af nærsynethed. Implantable collamer linse (ICL) er i øjeblikket den mest udbredte, og det officielle referenceindeks er hovedsageligt baseret på biologiske parametre opnået fra øjenbilleder. Parameteropsamlingen og valget af ICL-design er ofte kontroversielt, hvilket tvinger lægerne til at syntetisere flere modale data, hvilket gør optimeringen af ​​ICL-formlen til et fokus for opmærksomhed i refraktiv kirurgi. Denne forskning havde til formål at opbygge en billedbaseret ICL-forudsigelsesalgoritme til at hjælpe menneskelige læger med at træffe beslutninger og forbedre nøjagtigheden, sikkerheden og forudsigeligheden af ​​ICL-implantation.

Undersøgelsestype

Observationel

Tilmelding (Anslået)

326

Kontakter og lokationer

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

Studiekontakt

  • Navn: Jian Xiong doctor
  • Telefonnummer: +8618170906556
  • E-mail: 894040417@qq.com

Undersøgelse Kontakt Backup

Studiesteder

  • Kina
    • Jiangxi
      • Nanchang, Jiangxi, Kina, 330000
        • Rekruttering
        • The Second Affiliated Hospital of Nanchang University
        • Kontakt:
        • 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

  • Voksen

Tager imod sunde frivillige

Ja

Prøveudtagningsmetode

Ikke-sandsynlighedsprøve

Studiebefolkning

Patienter fra klinikker i forskellige øjencentre i hele Kina. Hvert forsøgsperson skal med komplet kirurgisk videooptagelse og lægejournaler.

Beskrivelse

Inklusionskriterier:

  1. Alder 18-45 år ;
  2. Myopi, med eller uden astigmatisme, årlig dioptriændring ≤ 0,50 D i 2 på hinanden følgende år;
  3. Forkammerdybde ≥ 2,80 mm;
  4. Hornhindeendotelcelleantal ≥ 2000/mm2, stabil cellemorfologi;
  5. Der var ingen andre øjensygdomme, der signifikant påvirkede synet og/eller systemiske organiske læsioner, der påvirkede kirurgisk genopretning.

Ekskluderingskriterier:

  1. Der var ingen andre øjensygdomme, der signifikant påvirkede synet og/eller systemiske organiske læsioner, der påvirkede kirurgisk genopretning;
  2. Har en historie med hornhindebrudskirurgi eller intraokulær kirurgi;
  3. Corneal endotelcelleantal er lavt;
  4. Dem med systemiske sygdomme;
  5. Ammende eller gravide kvinder.

Studieplan

Dette afsnit indeholder detaljer om studieplanen, herunder hvordan undersøgelsen er designet, og hvad undersøgelsen måler.

Hvordan er undersøgelsen tilrettelagt?

Design detaljer

Kohorter og interventioner

Gruppe / kohorte
Intervention / Behandling
Øjne med ICL-operationer
Øjne med SMILE operationer som blev udført af kirurger med erfaringer.
Diagnostisk test: AI diagnostisk algoritme
De indsamlede ICL-procedurer vil blive vurderet af algoritmen. Algoritmens ydeevne vil blive vurderet, herunder nøjagtighed, AUC, sensitivitet og specificitet.

Hvad måler undersøgelsen?

Primære resultatmål

Resultatmål
Foranstaltningsbeskrivelse
Tidsramme
AUROC af konvolutionelt neuralt netværk til at forudsige hvælving efter ICL-kirurgi
Tidsramme: Dag 7
Området under modtageren, der er karakteristisk for konvolutionelt neuralt netværk til at forudsige hvælving efter ICL-kirurgi
Dag 7
AUROC af konvolutionelt neuralt netværk til at forudsige forkammervinkel efter ICL-implantation
Tidsramme: Dag 7
Området under modtagerens funktionskarakteristik for foldende neurale netværk til at forudsige forkammervinklen efter ICL-implantation
Dag 7

Sekundære resultatmål

Resultatmål
Foranstaltningsbeskrivelse
Tidsramme
Følsomhed og specificitet af konvolutionelt neuralt netværk til at forudsige Vault efter ICL-implantation
Tidsramme: Dag 7
Følsomhed og specificitet af konvolutionelt neuralt netværk til at forudsige Vault efter ICL-implantation
Dag 7
Følsomhed og specificitet af konvolutionelt neuralt netværk til at forudsige forkammervinkel efter ICL-implantation
Tidsramme: Dag 7
Følsomhed og specificitet af konvolutionelt neuralt netværk til at forudsige forkammervinkel efter ICL-implantation
Dag 7

Samarbejdspartnere og efterforskere

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

Sponsor

Second Affiliated Hospital of Nanchang University

Samarbejdspartnere

Nanchang Bright Eye Hospital

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)

2. januar 2021

Primær færdiggørelse (Anslået)

31. august 2027

Studieafslutning (Anslået)

31. august 2027

Datoer for studieregistrering

Først indsendt

30. oktober 2024

Først indsendt, der opfyldte QC-kriterier

30. oktober 2024

Først opslået (Faktiske)

1. november 2024

Opdateringer af undersøgelsesjournaler

Sidste opdatering sendt (Faktiske)

24. april 2026

Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier

21. april 2026

Sidst verificeret

1. januar 2026

Mere information

Begreber relateret til denne undersøgelse

Nøgleord

Yderligere relevante MeSH-vilkår

Andre undersøgelses-id-numre

  • [2024] NO.(93)

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 Nærsynethed

Kliniske forsøg med AI diagnostisk algoritme

Søg i lignende forsøg

Sponsorer og samarbejdspartnere

Medicinske tilstande

Narkotikainterventioner

CROs by country

CROs in Ecuador

Betingelser

Sjældne sygdomme

Narkotikainterventioner

Kosttilskud

Sponsor / samarbejdspartnere

Placeringer

Abonner