Untersuchung der Anwendungseffizienz von Diagnosetools mit künstlicher Intelligenz (KI) in der medizinischen Bildgebung (MI) von Atemwegserkrankungen (R), Infektionskrankheiten (I) (D) (AI-MIRID)
Studienübersicht
Status
Status
Bedingungen
Bedingungen
Intervention / Behandlung
Intervention / Behandlung
Studientyp
Studientyp
Einschreibung (Geschätzt)
Einschreibung
Phase
Phase
- Unzutreffend
Kontakte und Standorte
Studienkontakt
Studienkontakt
- Name: Wenhong Zhang
- Telefonnummer: (86)52889999
- E-Mail: zhangwenhong@fudan.edu.cn
Studienorte
-
-
-
Shanghai, China, 200040
- Rekrutierung
- Huashan Hospital
-
Kontakt:
- Wenhong Zhang, Professor
- Telefonnummer: (86)52889999
- E-Mail: zhangwenhong@fudan.edu.cn
-
-
Teilnahmekriterien
Zulassungskriterien
Zulassungskriterien
Studienberechtigtes Alter
- Kind
- Erwachsene
- Älterer Erwachsener
Akzeptiert gesunde Freiwillige
Beschreibung
Einschlusskriterien:
- 1–90 Jahre alt, Geschlecht nicht angegeben.
- Zeigt Symptome einer Atemwegsinfektion
- Es müssen ätiologische Untersuchungsergebnisse vorliegen
- Bilddaten müssen vorhanden sein;
Ausschlusskriterien:
- Schwere Artefakte in medizinischen Bildern
- Die klinische Diagnose weist auf ein gleichzeitiges Lungenödem hin
- Eine doppelte Überprüfung führt zu einer unklaren Diagnose oder einer möglichen Fehldiagnose
- 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
Wie ist die Studie aufgebaut?
Designdetails
- Hauptzweck: Diagnose
- Zuteilung: Zufällig
- Interventionsmodell: Parallele Zuordnung
- Maskierung: Keine (Offenes Etikett)
Anzahl der Arme
Waffen und Interventionen
Teilnehmergruppe / ArmTeilnehmergruppe / Arm |
Intervention / BehandlungIntervention / 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
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
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
Sponsor
Sponsor
Studienaufzeichnungsdaten
Haupttermine studieren
Studienbeginn (Tatsächlich)
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
Zusätzliche relevante MeSH-Bedingungen
Andere Studien-ID-Nummern
Andere Studien-ID-Nummern
- AI-MIRID
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 .