Machbarkeit einer KI-basierten Klassifizierung von normalen, Keuch- und Knistergeräuschen von Stethoskopen in klinischen Umgebungen
Bewertung der Machbarkeit von Algorithmen der künstlichen Intelligenz in klinischen Umgebungen zur Klassifizierung von normalen, Keuch- und Knistergeräuschen, die von einem digitalen Stethoskop erfasst wurden
Studienübersicht
Status
Status
Bedingungen
Bedingungen
Intervention / Behandlung
Intervention / Behandlung
Studientyp
Studientyp
Einschreibung (Tatsächlich)
Einschreibung
Phase
Phase
- Unzutreffend
Kontakte und Standorte
Studienorte
-
-
-
Peshawar, Pakistan, 25000
- Lady Reading Hospital, Pakistan
-
-
Teilnahmekriterien
Zulassungskriterien
Zulassungskriterien
Studienberechtigtes Alter
- Kind
- Erwachsene
- Älterer Erwachsener
Akzeptiert gesunde Freiwillige
Studienberechtigte Geschlechter
Beschreibung
Einschlusskriterien:
- Alter alle
- Schriftliche Zustimmung vorausgesetzt
Ausschlusskriterien:
- Objektzustand instabil
- Deformität der Brustwand oder Wunden in Bereichen mit Klebstoffapplikation
- Schriftliche Zustimmung nicht gegeben
Studienplan
Wie ist die Studie aufgebaut?
Designdetails
- Hauptzweck: Diagnose
- Zuteilung: N / A
- Interventionsmodell: Einzelgruppenzuweisung
- Maskierung: Keine (Offenes Etikett)
Was misst die Studie?
Primäre Ergebnismessungen
Primäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Klinische Validierung von KI-Modellen zur Erkennung von Keuchen, Knistern und normalen Lungengeräuschen im Vergleich zum Goldstandard
Zeitfenster: 2 Monate
|
KI-Modelle werden auf ihre klinische Machbarkeit getestet, indem Ergebnisse aus KI-Modellen mit denen des Goldstandards verglichen werden, indem positive und negative Übereinstimmung (NPA & PPA) gemessen werden.
Der Goldstandard ist das Etikett, das jeder Lungentonaufnahme von einem erfahrenen Facharzt für Pneumologie verliehen wird.
Das KI-Modell ist gegenüber diesen Labels blind und wird unabhängig auf die Erkennung normaler Lungengeräusche, Keuchen und Knistern getestet
|
2 Monate
|
|
Testen der Genauigkeit von Modellen der künstlichen Intelligenz zur Erkennung von Keuchen, Knistern und normalen Lungengeräuschen durch Messen der Empfindlichkeit und Spezifität
Zeitfenster: 2 Monate
|
Modelle der künstlichen Intelligenz werden mit Lungengeräuschen trainiert, die von drei verschiedenen digitalen Stethoskopen namens NoaScope, eSteth und Littmann einzeln gesammelt wurden. Daten von allen drei digitalen Stethoskopen werden auch zusammengeführt, um separate KI-Modelle zu trainieren. Diese trainierten KI-Modelle werden auf der Grundlage der Sensitivität, d. h. der Fähigkeit, Keuchen und Knistern korrekt zu identifizieren, und der Spezifität, d. h. der Fähigkeit, normale Lungengeräusche korrekt zu identifizieren, bewertet. Richtig positive (TP), richtig negative (TN), falsch positive (FP) und falsch negative (FN) Werte werden verwendet, um die Sensitivität und Spezifität mit den folgenden Ausdrücken zu berechnen. Empfindlichkeit: TP/TP+FN Spezifität: TN/TN+FP |
2 Monate
|
Sekundäre Ergebnismessungen
Sekundäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Leistungsanalyse von drei digitalen Stethoskopen: Littmann, NoaScope und eSteth
Zeitfenster: 2 Monate
|
Die Leistungsanalyse der drei digitalen Stethoskope NoaScope, eSteth und Littmann wird anhand der Empfindlichkeit und Spezifität jedes Stethoskops bewertet. Richtig positive (TP), richtig negative (TN), falsch positive (FP) und falsch negative (FN) Werte werden verwendet, um die Sensitivität und Spezifität mit den folgenden Ausdrücken zu berechnen. Empfindlichkeit: TP/TP+FN Spezifität: TN/TN+FP |
2 Monate
|
Mitarbeiter und Ermittler
Sponsor
Sponsor
Mitarbeiter
Mitarbeiter
Studienaufzeichnungsdaten
Haupttermine studieren
Studienbeginn (Tatsächlich)
Studienbeginn
Primärer Abschluss (Tatsächlich)
Primärer Abschluss
Studienabschluss (Tatsächlich)
Studienabschluss
Studienanmeldedaten
Zuerst eingereicht
Zuerst eingereicht
Zuerst eingereicht, das die QC-Kriterien erfüllt hat
Zuerst eingereicht, das die QC-Kriterien erfüllt hat
Zuerst gepostet (Tatsächlich)
Zuerst gepostet
Studienaufzeichnungsaktualisierungen
Letztes Update gepostet (Tatsächlich)
Letztes Update gepostet
Letztes eingereichtes Update, das die QC-Kriterien erfüllt
Letztes eingereichtes Update, das die QC-Kriterien erfüllt
Zuletzt verifiziert
Zuletzt verifiziert
Mehr Informationen
Begriffe im Zusammenhang mit dieser Studie
Zusätzliche relevante MeSH-Bedingungen
Andere Studien-ID-Nummern
Andere Studien-ID-Nummern
- Pulmo AI LRH
Plan für individuelle Teilnehmerdaten (IPD)
Planen Sie, individuelle Teilnehmerdaten (IPD) zu teilen?
Arzneimittel- und Geräteinformationen, Studienunterlagen
Studiert ein von der US-amerikanischen FDA reguliertes Arzneimittelprodukt
Studiert ein von der US-amerikanischen FDA reguliertes Geräteprodukt
Produkt, das in den USA hergestellt und aus den USA exportiert wird
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 .