Automatische Diagnose der Spinalkanalstenose im CT (ASSIST)
16. November 2018 aktualisiert von: Shisheng He, MD, Shanghai 10th People's Hospital
Automatische Diagnose der Spinalkanalstenose im CT mit Deep Learning
MRI ist ein übliches Werkzeug zur radiologischen Diagnose von Spinalkanalstenose, aber es ist teuer und erfordert eine lange Scanzeit.
CT ist auch ein nützliches Werkzeug zur Diagnose von Spinalkanalstenose, aber die Interpretation kann zeitaufwändig sein, da die Variabilität zwischen den Lesern selbst bei den spezialisiertesten Radiologen hoch ist.
In dieser Studie wollen die Forscher einen Deep-Learning-Algorithmus entwickeln, um eine lumbale Spinalkanalstenose automatisch zu erkennen und zu klassifizieren.
Studienübersicht
Detaillierte Beschreibung
MRI ist ein übliches Werkzeug zur radiologischen Diagnose von Spinalkanalstenose, aber es ist teuer und erfordert eine lange Scanzeit.
CT ist auch ein nützliches Werkzeug zur Diagnose von Spinalkanalstenose, aber die Interpretation kann zeitaufwändig sein, da die Variabilität zwischen den Lesern selbst bei den spezialisiertesten Radiologen hoch ist.
In dieser Studie wollen die Forscher einen Deep-Learning-Algorithmus entwickeln, um eine lumbale Spinalkanalstenose automatisch zu erkennen und zu klassifizieren.
Es wäre ein zeitsparender Arbeitsablauf, wenn die Software die Radiologen dabei unterstützen könnte, die verdächtige Läsion zu erkennen und zu lokalisieren.
Studientyp
Beobachtungs
Einschreibung (Voraussichtlich)
500
Kontakte und Standorte
Dieser Abschnitt enthält die Kontaktdaten derjenigen, die die Studie durchführen, und Informationen darüber, wo diese Studie durchgeführt wird.
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
18 Jahre und älter (Erwachsene, Älterer Erwachsener)
Akzeptiert gesunde Freiwillige
Nein
Studienberechtigte Geschlechter
Alle
Probenahmeverfahren
Nicht-Wahrscheinlichkeitsprobe
Studienpopulation
Spinale Stenose ist eine Verengung der Räume innerhalb der Wirbelsäule, die Druck auf die Nerven ausüben kann, die durch die Wirbelsäule verlaufen. Spinalkanalstenose tritt am häufigsten im Rücken, im Nacken und manchmal in der Brustwirbelsäule auf.
Manche Menschen mit Spinalkanalstenose haben möglicherweise keine Symptome. Bei anderen können Schmerzen, Kribbeln, Taubheitsgefühl und Muskelschwäche auftreten. Die Symptome können sich im Laufe der Zeit verschlimmern.
Beschreibung
Einschlusskriterien:
- Alter >18 Jahre
- mit CT-Berichten von Radiologen über zervikale, thorakale und lumbale Stenosen
Ausschlusskriterien:
- nicht zutreffend (nur bestimmte Ebenen mit ausgedehnten Infektionen, Frakturen, Tumoren, hochgradiger Spondylolisthesis würden für die Analyse ausgeschlossen).
Studienplan
Dieser Abschnitt enthält Einzelheiten zum Studienplan, einschließlich des Studiendesigns und der Messung der Studieninhalte.
Wie ist die Studie aufgebaut?
Designdetails
- Beobachtungsmodelle: Nur Fall
- Zeitperspektiven: Retrospektive
Kohorten und Interventionen
Gruppe / Kohorte |
Intervention / Behandlung |
|---|---|
|
spinale Stenose
Spinale Stenose ist eine Verengung der Räume innerhalb Ihrer Wirbelsäule, die Druck auf die Nerven ausüben kann, die durch die Wirbelsäule verlaufen.
Spinalkanalstenose tritt am häufigsten im unteren Rücken und im Nacken auf.
|
erkennen und klassifizieren Spinalkanalstenose durch Deep Learning
|
Was misst die Studie?
Primäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
diagnostische Genauigkeit von Deep Learning
Zeitfenster: 1 Tag
|
Diagnostische Genauigkeit von Deep Learning zur Bestimmung von Spinalkanalstenose im Vergleich zu radiologen Labels basierend auf CT
|
1 Tag
|
Sekundäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Diagnostische Leistung von Deep Learning
Zeitfenster: 1 Tag
|
Sensitivität, Spezifität, positiver Vorhersagewert und negativer Vorhersagewert von Deep Learning im Vergleich zu auf CT basierenden Labels von Radiologen
|
1 Tag
|
Mitarbeiter und Ermittler
Hier finden Sie Personen und Organisationen, die an dieser Studie beteiligt sind.
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 (Voraussichtlich)
1. November 2018
Primärer Abschluss (Voraussichtlich)
1. April 2019
Studienabschluss (Voraussichtlich)
1. Mai 2019
Studienanmeldedaten
Zuerst eingereicht
7. November 2018
Zuerst eingereicht, das die QC-Kriterien erfüllt hat
16. November 2018
Zuerst gepostet (Tatsächlich)
19. November 2018
Studienaufzeichnungsaktualisierungen
Letztes Update gepostet (Tatsächlich)
19. November 2018
Letztes eingereichtes Update, das die QC-Kriterien erfüllt
16. November 2018
Zuletzt verifiziert
1. November 2018
Mehr Informationen
Begriffe im Zusammenhang mit dieser Studie
Zusätzliche relevante MeSH-Bedingungen
Andere Studien-ID-Nummern
- SHSY181022
Plan für individuelle Teilnehmerdaten (IPD)
Planen Sie, individuelle Teilnehmerdaten (IPD) zu teilen?
Unentschieden
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 .