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

Untersuchung der Anwendungseffizienz von Diagnosetools mit künstlicher Intelligenz (KI) in der medizinischen Bildgebung (MI) von Atemwegserkrankungen (R), Infektionskrankheiten (I) (D) (AI-MIRID)

12. August 2024 aktualisiert von: Wen-hong Zhang, Huashan Hospital
Die frühzeitige Erkennung und ernsthafte Warnung vor akuten Infektionskrankheiten der Atemwege sind von größter Bedeutung. Voraussetzung für alle wirksamen Maßnahmen ist der Einsatz wirksamer Mittel zur frühzeitigen und korrekten Diagnose der Infektionsquelle. AI-MID ist eine Forschungsinitiative, die Werkzeuge der künstlichen Intelligenz nutzt, um die klinisch-medizinische Bildgebungsdiagnose von Atemwegserkrankungen zu unterstützen. Ziel ist es, die Zeit, die Ärzte für die Überprüfung von Bildern aufwenden, zu reduzieren, die Arbeitseffizienz zu steigern und die Empfindlichkeit und Spezifität der Lungenentzündungserkennung zu erhöhen und so zu verbessern die Erkennungsrate von Lungenentzündungen an der Basis. Dieser Ansatz ermöglicht eine präzise Prävention, eine genaue Diagnose und eine präzise Behandlung.

Studienübersicht

Status

Rekrutierung

Bedingungen

Intervention / Behandlung

Studientyp

Interventionell

Einschreibung (Geschätzt)

2000

Phase

  • Unzutreffend

Kontakte und Standorte

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

Studienkontakt

Studienorte

      • Shanghai, China, 200040
        • Rekrutierung
        • Huashan 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

  • Kind
  • Erwachsene
  • Älterer Erwachsener

Akzeptiert gesunde Freiwillige

Ja

Beschreibung

Einschlusskriterien:

  1. 1–90 Jahre alt, Geschlecht nicht angegeben.
  2. Zeigt Symptome einer Atemwegsinfektion
  3. Es müssen ätiologische Untersuchungsergebnisse vorliegen
  4. Bilddaten müssen vorhanden sein;

Ausschlusskriterien:

  1. Schwere Artefakte in medizinischen Bildern
  2. Die klinische Diagnose weist auf ein gleichzeitiges Lungenödem hin
  3. Eine doppelte Überprüfung führt zu einer unklaren Diagnose oder einer möglichen Fehldiagnose
  4. Andere Situationen, die zu Schwierigkeiten beim Lesen der Filme führen können oder nach Feststellung des Forschers gilt der Studienteilnehmer als für die Einschreibung ungeeignet.

Studienplan

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

Wie ist die Studie aufgebaut?

Designdetails

  • Hauptzweck: Diagnose
  • Zuteilung: Zufällig
  • Interventionsmodell: Parallele Zuordnung
  • Maskierung: Keine (Offenes Etikett)

Waffen und Interventionen

Teilnehmergruppe / Arm
Intervention / Behandlung
Kein Eingriff: Keine Intervention
Nichteinmischung
Experimental: Auf künstlicher Intelligenz basierende Gruppe zur Interpretation medizinischer Bildgebung
Anhand klinischer Informationen, Bildgebungsdaten und entsprechender ätiologischer Ergebnisse der Studienteilnehmer wird ein KI-Diagnosetool etabliert, um die medizinische Bildgebung des Brustkorbs von Patienten gezielt zu erkennen und entsprechende diagnostische Schlussfolgerungen zu ziehen.
In der KI-Interpretationsgruppe wird unter Verwendung klinischer Informationen, Bilddaten und entsprechender ätiologischer Ergebnisse der Studienteilnehmer ein KI-Diagnosetool etabliert, um die medizinische Bildgebung des Brustkorbs von Patienten gezielt zu erkennen und entsprechende diagnostische Schlussfolgerungen zu ziehen.

Was misst die Studie?

Primäre Ergebnismessungen

Ergebnis Maßnahme
Maßnahmenbeschreibung
Zeitfenster
Bewertung der diagnostischen Wirksamkeit von Diagnosetools mit künstlicher Intelligenz in der medizinischen Bildgebung von Atemwegsinfektionskrankheiten
Zeitfenster: 2 Jahre

Um die diagnostische Wirksamkeit von CAD-Software (Computer Aided Detection) bei der Identifizierung von Lungeninfektionen zu bewerten, werden in der Studie die folgenden Methoden eingesetzt:

Bildgebungskriterien: Erfahrene Radiologen interpretieren die medizinische Bildgebung der Studienteilnehmer und dienen als Bildgebungsstandard.

Computergestützte Erkennung: Gleichzeitig analysiert die CAD-Software die medizinische Bildgebung der Teilnehmer, um diagnostische Ergebnisse zu generieren.

Wirksamkeitsbewertung: Die Genauigkeit und Konsistenz der CAD-Software wird durch Vergleich ihrer Interpretationen mit den Diagnosen der Radiologen bewertet.

2 Jahre

Sekundäre Ergebnismessungen

Ergebnis Maßnahme
Maßnahmenbeschreibung
Zeitfenster
Einsatz künstlicher Intelligenz zur Früherkennung und schwerwiegenden Warnung vor Infektionskrankheiten der Atemwege
Zeitfenster: 2 Jahre
Durch die Integration der medizinischen Bildgebung der Studienteilnehmer mit den entsprechenden Ergebnissen der Erkennung von Atemwegserregern werden diese Daten als Trainingssatzeingabe in das KI-Diagnosetool verwendet und ermöglichen so Deep Learning. Durch diesen Prozess wird ein KI-Diagnosetool basierend auf der Bildgebung von Krankheitserregern etabliert. Nach Abschluss der Datenerhebung sowohl für retrospektive als auch für prospektive Studienabschnitte planen wir, den Krankheitsverlauf und die Prognose der Studienteilnehmer auf der Grundlage von Überlebensanalysen und prädiktiver Modellierung zu bewerten. Durch die Integration klinischer Daten und Bildgebungsdaten wollen wir die Genauigkeit und Präzision des Prognosebewertungsmodells verbessern. Das Modell wird kontinuierlich entsprechend den Veränderungen der Bedingungen der eingeschriebenen Studienteilnehmer über verschiedene Zeiträume hinweg optimiert.
2 Jahre

Mitarbeiter und Ermittler

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

Sponsor

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. April 2022

Primärer Abschluss (Geschätzt)

1. Dezember 2025

Studienabschluss (Geschätzt)

1. Dezember 2026

Studienanmeldedaten

Zuerst eingereicht

7. August 2024

Zuerst eingereicht, das die QC-Kriterien erfüllt hat

12. August 2024

Zuerst gepostet (Tatsächlich)

14. August 2024

Studienaufzeichnungsaktualisierungen

Letztes Update gepostet (Tatsächlich)

14. August 2024

Letztes eingereichtes Update, das die QC-Kriterien erfüllt

12. August 2024

Zuletzt verifiziert

1. August 2024

Mehr Informationen

Begriffe im Zusammenhang mit dieser Studie

Andere Studien-ID-Nummern

  • AI-MIRID

Plan für individuelle Teilnehmerdaten (IPD)

Planen Sie, individuelle Teilnehmerdaten (IPD) zu teilen?

NEIN

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 .