Vorhersage einer signifikanten Leberfibrose (PSLF)
Multimodale digitale Bildfusionstechnologie basierend auf Deep Learning zur Vorhersage signifikanter Leberfibrose und ihre Anwendung in der multizentrischen Forschung
Studienübersicht
Status
Status
Bedingungen
Bedingungen
Intervention / Behandlung
Intervention / Behandlung
Detaillierte Beschreibung
Studientyp
Studientyp
Einschreibung (Geschätzt)
Einschreibung
Kontakte und Standorte
Studienkontakt
Studienkontakt
- Name: Haijun Huang
- Telefonnummer: 13758186635
- E-Mail: huanghaijun0826@163.com
Studienorte
-
-
Zhejiang
-
Hangzhou, Zhejiang, China, 310014
- Rekrutierung
- Haijun Huang
-
Kontakt:
- Haijun Huang
- Telefonnummer: 13758186635
- E-Mail: huanghaijun0826@163.com
-
-
Teilnahmekriterien
Zulassungskriterien
Zulassungskriterien
Studienberechtigtes Alter
- Erwachsene
Akzeptiert gesunde Freiwillige
Probenahmeverfahren
Studienpopulation
Beschreibung
Einschlusskriterien:
- Alter von 18-60 Jahren
- Die Diagnose einer chronischen Hepatitis B steht im Einklang mit den Diagnosekriterien der chinesischen Richtlinien zur Prävention und Behandlung chronischer Hepatitis B aus dem Jahr 2019, und die Diagnose einer nichtalkoholischen Fettleber steht im Einklang mit den Richtlinien der Asian Pacific Hepatology Association
- Die Bildgebung zeigte keinen Leberkrebs
Ausschlusskriterien:
- Es gibt Kontraindikationen für eine Leberbiopsie
- Die Leberpathologie erfüllte nicht die Kriterien
Studienplan
Wie ist die Studie aufgebaut?
Designdetails
Anzahl der Gruppen / Kohorten
Kohorten und Interventionen
Gruppe / KohorteGruppe / Kohorte |
|---|
|
leichte Fibrose
S0-1
|
|
erhebliche Leberfibrose
S2
|
|
Fortgeschrittene Leberfibrose
S3-4
|
Was misst die Studie?
Primäre Ergebnismessungen
Primäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Modellentwicklung
Zeitfenster: 2024.6-2024.12
|
Bildgebende Merkmale (z. B. CT-Scan, MRT, Röntgen usw.) und klinische Parameter von Patienten wurden extrahiert, einschließlich Grundlinienmerkmalen der Bevölkerung (z. B. Alter, Geschlecht, Komorbiditäten usw.) und biochemischer Blutindikatoren (z. B. Blutzucker). , Lipide, Leberfunktionsindikatoren usw.) und zytologische Blutindikatoren (z. B. Anzahl weißer Blutkörperchen, Anzahl roter Blutkörperchen usw.).
Abgeschlossene Fallauswahl und Kohortenbildung, multimodale Merkmalsextraktion und Modellentwicklung
|
2024.6-2024.12
|
Sekundäre Ergebnismessungen
Sekundäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Erstellen Sie ein multimodales Big-Data-Cloud-Plattformsystem zur Frühwarnung von Leberfibrose
Zeitfenster: 2025.1-2025.12
|
Wir beabsichtigen, eine Cloud-Plattform mit Datenspeicher-, Verarbeitungs- und Analysekomponenten zu entwerfen. Wählen Sie den geeigneten Technologie-Stack aus, um sicherzustellen, dass die Plattform in der Lage ist, große Datenmengen zu verarbeiten und über eine gute Skalierbarkeit und Leistung verfügt. Die zuvor erstellte multimodale Leberfibrose-Präzision Anschließend wurde das Typisierungsmodell in die Plattform eingebettet, um sicherzustellen, dass das Modell eine Vielzahl von Datentypen verarbeiten und nahtlos in andere Komponenten der Plattform integrieren kann. Gleichzeitig wird die Stream-Verarbeitungstechnologie verwendet, um die Echtzeitüberwachung und -analyse zu integrieren Funktion der Plattform, um eine schnelle Vorhersage und Klassifizierung der neu erfassten Leberfibrose-Falldaten zu ermöglichen. Die Genauigkeit und Stabilität des Modells wurde anhand der multizentrischen klinischen Daten und der multimodalen Big-Data-Leberfibrose-Früherkennung weiter überprüft Warnung Cloud-Plattform-System wurde erstellt
|
2025.1-2025.12
|
Andere Ergebnismessungen
Andere Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Bewertung der Wirksamkeit des multimodalen Big-Data-Leberfibrose-Warnplattformsystems
Zeitfenster: 2026.1-2026.12
|
Testen der Wirksamkeit des multimodalen Big-Data-Leberfibrose-Warnplattformsystems in einer echten multizentrischen klinischen Umgebung.
Wir werden auch die Möglichkeit prüfen, die Plattform für die langfristige Nachbeobachtung von Patienten, Ferntests von Patienten und die regelmäßige Beurteilung des Krankheitsverlaufs zu nutzen
|
2026.1-2026.12
|
Mitarbeiter und Ermittler
Sponsor
Sponsor
Mitarbeiter
Mitarbeiter
Studienaufzeichnungsdaten
Haupttermine studieren
Studienbeginn (Geschätzt)
Studienbeginn
Primärer Abschluss (Geschätzt)
Primärer Abschluss
Studienabschluss (Geschätzt)
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
Schlüsselwörter
Zusätzliche relevante MeSH-Bedingungen
Andere Studien-ID-Nummern
Andere Studien-ID-Nummern
- KY2024072
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
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 .