Diese Seite wurde automatisch übersetzt und die Genauigkeit der Übersetzung wird nicht garantiert. Bitte wende dich an die englische Version für einen Quelltext.

Evaluierung von Pneumokoniose-Hochrisiko-Frühwarnmodellen

2. Juli 2021 aktualisiert von: Peking University Third Hospital

Die Entwicklung und klinische Anwendung von Pneumokoniose-Hochrisiko-Frühwarnmodellen basierend auf einem Faltungs-Neuronalen Netzwerk in der Thoraxradiographie

Die Vorsorge einer Pneumokoniose ist wichtiger als die Behandlung. Allerdings kann das derzeitige Verfahren die Arbeitnehmer, die einem hohen Staubrisiko ausgesetzt sind, nicht frühzeitig warnen, bis bei ihnen eine Pneumokoniose diagnostiziert wird. Mit den Merkmalen Effizienz, Unpersönlichkeit und Quantifizierung ist künstliche Intelligenz genau das Richtige für die Lösung dieser Probleme. Daher streben wir die Anpassung von Deep Learning an, um Modelle für die intelligente Erkennung von Pneumokoniose, die Schweregraddiagnose und die Frühwarnung bei hohem Risiko zu entwickeln. Die kommentierten Bilder werden für das Training von Convolutional Neural Networks (CNNs)-Algorithmen mit dem Ziel des Pneumokoniose-Screenings und der Schweregraddiagnose verwendet. Darüber hinaus wird die anhand der Dichtewärmekarte berechnete Risikobewertung zur Frühwarnung staubexponierter Arbeitnehmer verwendet. Anschließend wird eine Nachverfolgung der Kohorte durchgeführt, um die Gültigkeit des Risikoscores zu überprüfen. Auf diese Weise erhalten die Arbeitnehmer, die einem hohen Staubrisiko ausgesetzt sind, eine frühzeitige Intervention und eine bessere Prognose, was offensichtlich die medizinische Belastung verringern kann.

Studienübersicht

Status

Rekrutierung

Bedingungen

Detaillierte Beschreibung

Pneumokoniose, die häufigste Berufskrankheit in China und auf der ganzen Welt. Die Röntgenaufnahme des Brustkorbs ist die am besten zugängliche und kostengünstigste verfügbare radiologische Untersuchung zur körperlichen Untersuchung staubexponierter Arbeitnehmer und zum Massenscreening auf Pneumokoniose. Der Diagnoseprozess hat jedoch einige Nachteile, wie z. B. starke Subjektivität, Ineffizienz und mangelnde Beurteilung von Borderline-Läsionen usw. Darüber hinaus ist die Vorsorge bei Pneumokoniose wichtiger als die Behandlung. Allerdings kann das derzeitige Verfahren die Arbeitnehmer, die einem hohen Staubrisiko ausgesetzt sind, nicht frühzeitig warnen, bis bei ihnen eine Pneumokoniose diagnostiziert wird. Mit den Merkmalen Effizienz, Unpersönlichkeit und Quantifizierung ist künstliche Intelligenz geradezu geeignet, die oben genannten Probleme zu lösen. Bisher gab es nur wenige Forschungsarbeiten zur Anpassung von Deep Learning für die Diagnose von Pneumokoniose und die Frühwarnung bei hohem Risiko. In unseren früheren Studien haben wir eine Thorax-Röntgendatenbank erstellt, die mehr als 100.000 digitale Pneumokoniose-Röntgenbilder enthält. Das Ergebnis der Bewertung des Erkennungssystems zeigte, dass die Genauigkeit bei der Identifizierung von Pneumokoniose 90 % erreichen kann, mit einer AUC (Area Under The Curve) von 0,965 und einer Sensitivität von 99 %. Weitere Arbeiten müssen fortgesetzt werden. Daher streben wir die Anpassung von Deep Learning an, um Modelle für die intelligente Erkennung von Pneumokoniose, die Schweregraddiagnose und die Frühwarnung bei hohem Risiko zu entwickeln. Die kommentierten Bilder werden für das Training von Convolutional Neural Networks (CNNs)-Algorithmen mit dem Ziel des Pneumokoniose-Screenings und der Schweregraddiagnose verwendet. Darüber hinaus wird die anhand der Dichtewärmekarte berechnete Risikobewertung zur Frühwarnung staubexponierter Arbeitnehmer verwendet. Anschließend wird eine Nachverfolgung der Kohorte durchgeführt, um die Gültigkeit des Risikoscores zu überprüfen. Auf diese Weise erhalten die Arbeitnehmer, die einem hohen Staubrisiko ausgesetzt sind, eine frühzeitige Intervention und eine bessere Prognose, was offensichtlich die medizinische Belastung verringern kann.

Studientyp

Beobachtungs

Einschreibung (Voraussichtlich)

200

Kontakte und Standorte

Dieser Abschnitt enthält die Kontaktdaten derjenigen, die die Studie durchführen, und Informationen darüber, wo diese Studie durchgeführt wird.

Studienkontakt

Studienorte

    • Beijing
      • Beijing, Beijing, China, 100191
        • Rekrutierung
        • Peking University Third Hospital
        • Kontakt:

Teilnahmekriterien

Forscher suchen nach Personen, die einer bestimmten Beschreibung entsprechen, die als Auswahlkriterien bezeichnet werden. Einige Beispiele für diese Kriterien sind der allgemeine Gesundheitszustand einer Person oder frühere Behandlungen.

Zulassungskriterien

Studienberechtigtes Alter

18 Jahre bis 60 Jahre (ERWACHSENE)

Akzeptiert gesunde Freiwillige

Nein

Studienberechtigte Geschlechter

Alle

Probenahmeverfahren

Wahrscheinlichkeitsstichprobe

Studienpopulation

staubexponierte Arbeiter in 16 Provinzen Chinas

Beschreibung

Einschlusskriterien:

  1. Arbeiter, die Staub ausgesetzt sind;
  2. eine digitale Thorax-Röntgenaufnahme durchführen lassen

Ausschlusskriterien:

  1. basale Lungenerkrankung;
  2. Befreiung von staubexponierten Arbeiten

Studienplan

Dieser Abschnitt enthält Einzelheiten zum Studienplan, einschließlich des Studiendesigns und der Messung der Studieninhalte.

Wie ist die Studie aufgebaut?

Designdetails

Kohorten und Interventionen

Gruppe / Kohorte
Gruppe mit geringem Risiko
Risikoindex∈[0,0,5)
Hochrisikogruppe
Risikoindex∈[0,5,1)

Was misst die Studie?

Primäre Ergebnismessungen

Ergebnis Maßnahme
Maßnahmenbeschreibung
Zeitfenster
Bei den Teilnehmern wurde „Pneumokoniose“ diagnostiziert
Zeitfenster: vor dem 31. Dezember 2022
Anzahl der Teilnehmer mit der Diagnose „Pneumokoniose“
vor dem 31. Dezember 2022
Tod
Zeitfenster: vor dem 31. Dezember 2022
Anzahl der verstorbenen Teilnehmer
vor dem 31. Dezember 2022

Sekundäre Ergebnismessungen

Ergebnis Maßnahme
Maßnahmenbeschreibung
Zeitfenster
Forciertes exspiratorisches Volumen in 1s (FEV1) in %
Zeitfenster: vor dem 31. Dezember 2022
Forciertes Exspirationsvolumen in 1 s
vor dem 31. Dezember 2022
arterieller Sauerstoffpartialdruck, PaO2
Zeitfenster: vor dem 31. Dezember 2022
arterieller Sauerstoffpartialdruck
vor dem 31. Dezember 2022
modifizierter Medical Research Council, mMRC
Zeitfenster: vor dem 31. Dezember 2022
ein Fragebogen zur Beurteilung der Symptome
vor dem 31. Dezember 2022

Mitarbeiter und Ermittler

Hier finden Sie Personen und Organisationen, die an dieser Studie beteiligt sind.

Sponsor

Ermittler

  • Hauptermittler: Xiao Li, M.D., Peking University Third Hospital

Studienaufzeichnungsdaten

Diese Daten verfolgen den Fortschritt der Übermittlung von Studienaufzeichnungen und zusammenfassenden Ergebnissen an ClinicalTrials.gov. Studienaufzeichnungen und gemeldete Ergebnisse werden von der National Library of Medicine (NLM) überprüft, um sicherzustellen, dass sie bestimmten Qualitätskontrollstandards entsprechen, bevor sie auf der öffentlichen Website veröffentlicht werden.

Haupttermine studieren

Studienbeginn (TATSÄCHLICH)

1. August 2018

Primärer Abschluss (ERWARTET)

1. Dezember 2021

Studienabschluss (ERWARTET)

1. Dezember 2025

Studienanmeldedaten

Zuerst eingereicht

23. Juni 2021

Zuerst eingereicht, das die QC-Kriterien erfüllt hat

2. Juli 2021

Zuerst gepostet (TATSÄCHLICH)

7. Juli 2021

Studienaufzeichnungsaktualisierungen

Letztes Update gepostet (TATSÄCHLICH)

7. Juli 2021

Letztes eingereichtes Update, das die QC-Kriterien erfüllt

2. Juli 2021

Zuletzt verifiziert

1. Juni 2021

Mehr Informationen

Begriffe im Zusammenhang mit dieser Studie

Andere Studien-ID-Nummern

  • PekingUTH-002

Plan für individuelle Teilnehmerdaten (IPD)

Planen Sie, individuelle Teilnehmerdaten (IPD) zu teilen?

UNENTSCHIEDEN

Arzneimittel- und Geräteinformationen, Studienunterlagen

Studiert ein von der US-amerikanischen FDA reguliertes Arzneimittelprodukt

Nein

Studiert ein von der US-amerikanischen FDA reguliertes Geräteprodukt

Nein

Diese Informationen wurden ohne Änderungen direkt von der Website clinicaltrials.gov abgerufen. Wenn Sie Ihre Studiendaten ändern, entfernen oder aktualisieren möchten, wenden Sie sich bitte an register@clinicaltrials.gov. Sobald eine Änderung auf clinicaltrials.gov implementiert wird, wird diese automatisch auch auf unserer Website aktualisiert .