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

Deep Learning zur präoperativen Lungenbeurteilung in der Thorax-CT

26. Juni 2024 aktualisiert von: Jianxing He, The First Affiliated Hospital of Guangzhou Medical University

Anwendung von Deep Learning in der CT-Bildgebung von Patienten mit elektiver Thoraxchirurgie: Beurteilung der präoperativen abnormalen Lungenfunktion

Die Studie wurde als monozentrische, nicht-interventionelle prospektive Beobachtungsstudie konzipiert, um Deep-Learning-Technologie in Kombination mit Computertomographiebildern (CT) zu nutzen, um die Lungenfunktionsindikatoren präoperativer Patienten mit Thoraxchirurgie präzise vorherzusagen.

Studienübersicht

Status

Rekrutierung

Bedingungen

Intervention / Behandlung

Detaillierte Beschreibung

Präoperative Lungenfunktionstests sind von entscheidender Bedeutung für die Beurteilung perioperativer Komplikationen oder Mortalitätsrisiken und bieten Entscheidungshilfen für Thoraxchirurgie. Allerdings weisen herkömmliche Methoden zur Beurteilung der Lungenfunktion erhebliche Einschränkungen auf, darunter lange Testdauern, Schwierigkeiten bei der Patientenkooperation, hohe Falsch-Negativ-Raten und zahlreiche Kontraindikationen. Daher optimierte unsere Studie das endgültige Modell auf der Grundlage von 1500 einzelnen Inspirationsphasen-CTs durch die Übertragung von Modellparametern, die auf 500 zweiphasigen respiratorischen CTs trainiert wurden, und verbesserte so seine Vorhersagefähigkeiten für die Lungenfunktion. Diese Anpassung entspricht den Anforderungen realer Anwendungen und bietet eine bequemere, umfassendere und personalisiertere Unterstützung bei der Beurteilung der präoperativen Lungenfunktion. Unsere Studie optimierte das endgültige Modell auf der Grundlage von 1500 einzelnen Inspirationsphasen-CTs durch die Übertragung von Modellparametern, die auf 500 zweiphasigen respiratorischen CTs trainiert wurden, und verbesserte so seine Vorhersagefähigkeiten für die Lungenfunktion. Diese Anpassung entspricht den Anforderungen realer Anwendungen und bietet eine bequemere, umfassendere und personalisiertere Unterstützung bei der Beurteilung der präoperativen Lungenfunktion.

Studientyp

Beobachtungs

Einschreibung (Geschätzt)

2000

Kontakte und Standorte

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

Studienkontakt

Studienorte

    • Guangdong
      • Guangzhou, Guangdong, China, 510120
        • Rekrutierung
        • Department of Cardiothoracic Surgery, the First Affiliated Hospital of Guangzhou Medical College
        • 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

  • Erwachsene
  • Älterer Erwachsener

Akzeptiert gesunde Freiwillige

Nein

Probenahmeverfahren

Nicht-Wahrscheinlichkeitsprobe

Studienpopulation

Patienten mit elektiver Thoraxchirurgie

Beschreibung

Einschlusskriterien:

  • (1) Unterzeichnung der Einverständniserklärung;
  • (2) Mann oder Frau im Alter von 18 bis 75 Jahren;
  • (3) sich einer elektiven Thoraxoperation unterziehen;
  • (4) Gute präoperative Lungenfunktionskooperation und vollständige Berichterstattung;
  • (5) Präoperative Einzel-/Zweiphasen-CT-Scans des Brustkorbs ohne signifikante Artefakte und mit vollständiger Bildgebung;
  • (6) Der Zeitraum zwischen der präoperativen Lungenfunktion und den Einzel-/Zweiphasen-CT-Scans beträgt höchstens einen Monat.

Ausschlusskriterien:

  • (1) Schlechte präoperative Lungenfunktionskooperation oder fehlende Berichte;
  • (2) Präoperative Einzel-/Zweiphasen-CT-Scans des Brustkorbs weisen erhebliche Artefakte oder Bildauslassungen auf;
  • (3) Der Zeitraum zwischen der präoperativen Lungenfunktion und den Einzel-/Zweiphasen-CT-Scans beträgt mehr als einen Monat.
  • (4) Komplikationen bei schweren Atemwegserkrankungen (z. B. Lungentransplantation, Pneumothorax, Riesenblasen usw.);
  • (5) gleichzeitiges Vorliegen anderer schwerer funktioneller Beeinträchtigungen;
  • (6) Patienten mit obstruktiven Läsionen wie Atemwegs- oder Ösophagusstenose;
  • (7) Größe außerhalb des vorhergesagten Gleichungsbereichs (weiblich < 1,45 m; männlich < 1,55 m);
  • (8) Medikamenteneinnahme vor der Lungenfunktionsprüfung, die nicht den Abbruchrichtlinien entspricht;
  • (9) Qualität des Lungenfunktionsberichts mit der Einstufung D–F.

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
Intervention / Behandlung
Kohorte mit einer einzelnen Inspirationsphase
Patienten in dieser Kohorte werden präoperativ einer einzelnen Inspirationsphasen-CT und Lungenfunktionstests unterzogen.
Nutzung der Deep-Learning-Technologie in Verbindung mit Einzelinspirationsphasen-Computertomographiebildern zur genauen Vorhersage der Lungenfunktionsindikatoren von Patienten mit präoperativer Thoraxchirurgie.
Respiratorische Zweiphasen-Kohorte
Patienten in dieser Kohorte werden präoperativ einer respiratorischen Zweiphasen-CT und Lungenfunktionstests unterzogen.
Nutzung der Deep-Learning-Technologie in Verbindung mit Zweiphasen-Computertomographiebildern der Atemwege, um die Lungenfunktionsindikatoren von Patienten mit präoperativer Thoraxchirurgie genau vorherzusagen.

Was misst die Studie?

Primäre Ergebnismessungen

Ergebnis Maßnahme
Maßnahmenbeschreibung
Zeitfenster
Mittlerer absoluter Fehler (MAE)
Zeitfenster: 2 Jahre
Wird verwendet, um die Diskrepanz zwischen den Lungenfunktionsvorhersagen des Deep-Learning-Algorithmus und den tatsächlichen Ergebnissen von Lungenfunktionstests (gemessen mit einem Spirometer) zu bewerten.
2 Jahre

Sekundäre Ergebnismessungen

Ergebnis Maßnahme
Maßnahmenbeschreibung
Zeitfenster
Konkordanzkorrelationskoeffizient (CCC)
Zeitfenster: 2 Jahre
Wird verwendet, um die Diskrepanz zwischen den Lungenfunktionsvorhersagen des Deep-Learning-Algorithmus und den tatsächlichen Ergebnissen von Lungenfunktionstests (gemessen mit einem Spirometer) zu bewerten.
2 Jahre

Mitarbeiter und Ermittler

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

Sponsor

Mitarbeiter

Ermittler

  • Hauptermittler: Jianxing He, MD, Department of Cardiothoracic Surgery, the First Affiliated Hospital of Guangzhou Medical College

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. Oktober 2023

Primärer Abschluss (Geschätzt)

30. September 2024

Studienabschluss (Geschätzt)

30. Dezember 2024

Studienanmeldedaten

Zuerst eingereicht

21. Juni 2024

Zuerst eingereicht, das die QC-Kriterien erfüllt hat

26. Juni 2024

Zuerst gepostet (Tatsächlich)

27. Juni 2024

Studienaufzeichnungsaktualisierungen

Letztes Update gepostet (Tatsächlich)

27. Juni 2024

Letztes eingereichtes Update, das die QC-Kriterien erfüllt

26. Juni 2024

Zuletzt verifiziert

1. Juni 2024

Mehr Informationen

Begriffe im Zusammenhang mit dieser Studie

Andere Studien-ID-Nummern

  • ES-2024-091-02

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 .

Klinische Studien zur Lungenfunktion

Klinische Studien zur Einzelinspirationsphasen-Computertomographie.

Suchen Sie nach ähnlichen Studien