- ICH GCP
- US Clinical Trials Registry
- Klinisk forsøg NCT06675266
AIRFRAME: Kunstig intelligens til genkendelse af føtale hjerneanomalier ved andet trimester føtal hjernescanning (AIRFRAME)
Udvikling af en kunstig intelligensalgoritme til at genkende unormale fund ved rutinemæssig føtal hjerneultralyd. AIRFRAME (Artificial Intelligence for Recognition of Fetal Brain AnomaliEs)
Studieoversigt
Status
Betingelser
Detaljeret beskrivelse
Anvendelsen af AI i obstetrisk ultralyd omfatter tre aspekter: strukturidentifikation, automatiske og standardiserede målinger og klassifikationsdiagnose. Da obstetrisk ultralyd er tidskrævende, kan brugen af kunstig intelligens også reducere undersøgelsestiden og forbedre arbejdsgangen.
Studiedesign: dette er et multicenter retrospektivt observationelt kohortestudie og efterfølgende prospektivt kohortestudie. Studiedesignet vil blive organiseret i to forskellige faser.
Den første fase, feasibility retrospektiv undersøgelse, har til formål at udvikle og træne AI-algoritme med normale og unormale billeder, der retrospektivt er erhvervet under andet trimesters ultralydsscanning fra forskellige internationale føtalmedicinske centre.
Den anden fase, en prospektiv klinisk validering, har til formål at teste AI-algoritmen i vurderingen af grundlæggende føtal hjerneanatomi i en reel klinik med rigtige patienter fra hvert af de deltagende føtalmedicinske centre.
Indstilling: Tre (3) føtalmedicinske centre.
Deltagere: enlig gravid befolkning, som gennemgik ultralydsundersøgelse mellem 19 - 22 ugers graviditet i de deltagende centre.
Primært endepunkt: at validere en ny AI-baseret teknologi til automatiseret vurdering af den grundlæggende anatomi af fosterhjernen, som potentielt kan bruges til at understøtte screeningsscanning i andet trimester.
Sekundære endepunkter:
For at forbedre ydeevnen af standardscreeningen i andet trimester af føtal hjerneanatomi og sikre dens pålidelige sonografiske vurdering inden for en kortere tid efter udførelse.
For at detektere højere repeterbarhed og reproducerbarhed, hvilket gør det muligt at implementere ultralydsscreeningen også med hensyn til effektivitet i stor skala, optimering af sundhedsressourcer I første fase af undersøgelsen vil deltagende føtalmedicinske centre søge i deres elektroniske databaser efter billeder af singleton gravide kvinder, som gennemgik ultralydsbilleddannelse ved 19+0 - 22+6 ugers svangerskab med enhver føtal hjerneanomali. Normale billeder af fosterhjernen ved samme svangerskabsalder vil blive leveret af de fremmende centre - dvs. Fondazione Policlinico A. Gemelli, IRCCS og University of Parma. Klinisk, ultralyds-, prænatal og postnatal information om hvert tilfælde vil blive hentet fra patientens medicinske journaler og indtastet i en elektronisk databaseindsamlingsfil af den primære investigator fra hvert deltagende center. De erhvervede billeder vil blive anonymiseret, gemt som DICOM og delt gennem et dedikeret cloud-lagringssystem, som vil blive sat op af bioingeniørteamet. Hvert center vil kunne få adgang til websystemet ved hjælp af et personligt ID og adgangskode.
I anden fase af undersøgelsen vil algoritmen blive prospektivt testet og valideret i et reelt klinisk miljø med rigtige patienter fra hvert af de deltagende føtalmedicinske centre. Inklusions- og eksklusionskriterier, billedprotokol og dataindsamling vil være de samme, som udføres i den retrospektive fase.
Undersøgelsestype
Tilmelding (Anslået)
Kontakter og lokationer
Studiekontakt
- Navn: Alessandra Familiari, MD
- Telefonnummer: +39 3285887422
- E-mail: alessandra.familiari@policlinicogemelli.it
Studiesteder
-
-
-
Rome, Italien, 00136
- Rekruttering
- Fondazione Policlinico Universitario Agostino Gemelli
-
Kontakt:
- Alessandra Familiari, MD
- Telefonnummer: +39 3285887422
- E-mail: alessandra.familiari@policlinicogemelli.it
-
-
Deltagelseskriterier
Berettigelseskriterier
Aldre berettiget til at studere
- Voksen
Tager imod sunde frivillige
Prøveudtagningsmetode
Studiebefolkning
Beskrivelse
Inklusionskriterier:
- Kvinder med singleton-graviditeter, der gennemgår ultralydsundersøgelse mellem 19+0 - 22+6 svangerskabsuger
Ekskluderingskriterier:
- Kvinder, der ikke fik screenet andet trimester ved den fastsatte svangerskabsalder.
- Kvinder, hvor en god visualisering af det transventrikulære, transthalamiske og transcerebellære plan af fosterhovedet ikke var teknisk mulig.
- Kvinder, der ikke er i stand til at give det informerede samtykke.
Studieplan
Hvordan er undersøgelsen tilrettelagt?
Design detaljer
Kohorter og interventioner
Gruppe / kohorte |
Intervention / Behandling |
|---|---|
|
CASE
Fostre med hjerneanomalier
|
Udvikling af AI-algoritme til tidlig påvisning af føtale hjerneanomalier i graviditetens andet trimester
Andre navne:
|
|
KONTROLLER
Fostre med hjerneanomali
|
Udvikling af AI-algoritme til tidlig påvisning af føtale hjerneanomalier i graviditetens andet trimester
Andre navne:
|
Hvad måler undersøgelsen?
Primære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
AI algoritme
Tidsramme: 2 år
|
Antal tilfælde opdaget med AI-algoritmeapplikation
|
2 år
|
Sekundære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
Reproducerbarhed
Tidsramme: 1 år
|
Antal tilfælde opdaget med AI-algoritme-applikation sammenlignet med dem, der er opdaget med standardteknikker for prænatal diagnose
|
1 år
|
Samarbejdspartnere og efterforskere
Samarbejdspartnere
Efterforskere
- Ledende efterforsker: Alessandra Familiari, Fondazione Policlinico Universitario A. gemelli, IRCCS
Publikationer og nyttige links
Generelle publikationer
- Chen H, Wu L, Dou Q, Qin J, Li S, Cheng JZ, Ni D, Heng PA. Ultrasound Standard Plane Detection Using a Composite Neural Network Framework. IEEE Trans Cybern. 2017 Jun;47(6):1576-1586. doi: 10.1109/TCYB.2017.2685080. Epub 2017 Mar 30.
- Yu Z, Tan EL, Ni D, Qin J, Chen S, Li S, Lei B, Wang T. A Deep Convolutional Neural Network-Based Framework for Automatic Fetal Facial Standard Plane Recognition. IEEE J Biomed Health Inform. 2018 May;22(3):874-885. doi: 10.1109/JBHI.2017.2705031. Epub 2017 May 17.
- Yaqub M, Kelly B, Papageorghiou AT, Noble JA. A Deep Learning Solution for Automatic Fetal Neurosonographic Diagnostic Plane Verification Using Clinical Standard Constraints. Ultrasound Med Biol. 2017 Dec;43(12):2925-2933. doi: 10.1016/j.ultrasmedbio.2017.07.013. Epub 2017 Sep 28.
- Ambroise Grandjean G, Hossu G, Bertholdt C, Noble P, Morel O, Grange G. Artificial intelligence assistance for fetal head biometry: Assessment of automated measurement software. Diagn Interv Imaging. 2018 Nov;99(11):709-716. doi: 10.1016/j.diii.2018.08.001. Epub 2018 Sep 1.
- Rydberg C, Tunon K. Detection of fetal abnormalities by second-trimester ultrasound screening in a non-selected population. Acta Obstet Gynecol Scand. 2017 Feb;96(2):176-182. doi: 10.1111/aogs.13037. Epub 2016 Nov 22.
- Hendricks KA, Simpson JS, Larsen RD. Neural tube defects along the Texas-Mexico border, 1993-1995. Am J Epidemiol. 1999 Jun 15;149(12):1119-27. doi: 10.1093/oxfordjournals.aje.a009766.
- Klusmann A, Heinrich B, Stopler H, Gartner J, Mayatepek E, Von Kries R. A decreasing rate of neural tube defects following the recommendations for periconceptional folic acid supplementation. Acta Paediatr. 2005 Nov;94(11):1538-42. doi: 10.1080/08035250500340396.
- De Wals P, Rusen ID, Lee NS, Morin P, Niyonsenga T. Trend in prevalence of neural tube defects in Quebec. Birth Defects Res A Clin Mol Teratol. 2003 Nov;67(11):919-23. doi: 10.1002/bdra.10124.
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 (Anslået)
Opdateringer af undersøgelsesjournaler
Sidste opdatering sendt (Anslået)
Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier
Sidst verificeret
Mere information
Begreber relateret til denne undersøgelse
Yderligere relevante MeSH-vilkår
Andre undersøgelses-id-numre
- Prod. ID 4813
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
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 .