Detection of Systemic Diseases Such as Hepatobiliary Diseases From Ocular Images Via Deep Learning
11. maj 2026 opdateret af: Zhongshan Ophthalmic Center, Sun Yat-sen University
Oculomics is an emerging interdisciplinary field that deciphers multi-dimensional, high-throughput ocular data to predict, diagnose, and monitor systemic diseases and health span.In recent years, artificial Intelligence may provide insight into exploring the potential covert association behind and reveal some early ocular architecture changes in individuals with systemic diseases.
The investigators conducted a survey to explore the association between the eye and systemic diseases via deep learning, to develop and evaluate different deep learning models to predict the systemic diseases such as hepatobiliary disease by using ocular images.
Studieoversigt
Status
Afsluttet
Intervention / Behandling
Undersøgelsestype
Observationel
Tilmelding (Faktiske)
775
Kontakter og lokationer
Dette afsnit indeholder kontaktoplysninger for dem, der udfører undersøgelsen, og oplysninger om, hvor denne undersøgelse udføres.
Studiesteder
-
-
Guangdong
-
Guangzhou, Guangdong, Kina, 510000
- Zhongshan Ophthalmic Center, Sun Yat-sen Univerisity
-
-
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
- Ældre voksen
Tager imod sunde frivillige
Ja
Prøveudtagningsmetode
Sandsynlighedsprøve
Studiebefolkning
ocular images collected from the Third Affiliated Hospital of Sun Yat-sen University and Pazhou Medical Centre of Aikang Health Care
Beskrivelse
Inclusion Criteria:
- The quality of ocular images should clinical acceptable.
- Complete clinical information such as baseline demographic characteristics, the history of systematic diseases and so on.
Exclusion Criteria:
- Individuals diagnosed with severe eye diseases or acute systematic diseases.
- Incompatible with ocular examinations.
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 |
|---|---|
|
development dataset 01
ocular images collected from the Third Affiliated Hospital of Sun Yat-sen University
|
The training dataset was used to train the deep learning model, which was validated and tested by the other two datasets.
|
|
development dataset 02
ocular images collected from Pazhou Medical Centre of Aikang Health Care
|
The training dataset was used to train the deep learning model, which was validated and tested by the other two datasets.
|
|
test dataset 01
ocular images collected from the Third Affiliated Hospital of Sun Yat-sen University
|
The training dataset was used to train the deep learning model, which was validated and tested by the other two datasets.
|
|
test dataset 02
ocular images collected from Pazhou Medical Centre of Aikang Health Care
|
The training dataset was used to train the deep learning model, which was validated and tested by the other two datasets.
|
Hvad måler undersøgelsen?
Primære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
område under modtagerens funktionskarakteristiske kurve for deep learning-systemet
Tidsramme: baseline
|
Efterforskerne vil beregne arealet under modtagerens funktionskarakteristiske kurve for deep learning system og sammenligne dette indeks mellem deep learning system og menneskelige læger
|
baseline
|
Sekundære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
sensitivity of the deep learning system
Tidsramme: baseline
|
The investigators will calculate the sensitivity of deep learning system and compare this index between deep learning system and human doctors
|
baseline
|
|
specificity of the deep learning system
Tidsramme: baseline
|
The investigators will calculate the specifity of deep learning system and compare this index between deep learning system and human doctors
|
baseline
|
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)
10. april 2020
Primær færdiggørelse (Faktiske)
30. juli 2024
Studieafslutning (Faktiske)
30. juli 2024
Datoer for studieregistrering
Først indsendt
6. maj 2026
Først indsendt, der opfyldte QC-kriterier
6. maj 2026
Først opslået (Faktiske)
12. maj 2026
Opdateringer af undersøgelsesjournaler
Sidste opdatering sendt (Faktiske)
14. maj 2026
Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier
11. maj 2026
Sidst verificeret
1. maj 2026
Mere information
Begreber relateret til denne undersøgelse
Yderligere relevante MeSH-vilkår
Andre undersøgelses-id-numre
- 2019KYPJ163
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 .
Kliniske forsøg med Systemiske sygdomme
-
University of ArkansasAfsluttetPædiatriske patienter med SIRS (Systemic Inflammatory Response Syndrome)Forenede Stater
-
Chinese PLA General HospitalAfsluttetSepsis | SIRS (Systemic Inflammatory Response Syndrome)Kina
-
Chinese PLA General HospitalUkendtSepsis | SIRS (Systemic Inflammatory Response Syndrome)Kina