- ICH GCP
- US-Register für klinische Studien
- Klinische Studie NCT04213183
Screening und Identifizierung hepatobiliärer Erkrankungen durch Deep Learning unter Verwendung von Augenbildern
16. August 2020 aktualisiert von: Haotian Lin, Sun Yat-sen University
Künstliche Intelligenz kann einen Einblick in die Erforschung der potenziellen verdeckten Assoziation geben und einige frühe Veränderungen der Augenarchitektur bei Personen mit hepatobiliären Erkrankungen aufdecken.
Wir haben eine Pionierarbeit geleistet, um die Assoziation zwischen Auge und Leber durch Deep Learning zu erforschen, um verschiedene Deep-Learning-Modelle zu entwickeln und zu evaluieren, um die hepatobiliäre Erkrankung anhand von Augenbildern vorherzusagen.
Studienübersicht
Status
Abgeschlossen
Intervention / Behandlung
Studientyp
Beobachtungs
Einschreibung (Tatsächlich)
1789
Kontakte und Standorte
Dieser Abschnitt enthält die Kontaktdaten derjenigen, die die Studie durchführen, und Informationen darüber, wo diese Studie durchgeführt wird.
Studienorte
-
-
Guangdong
-
Guangzhou, Guangdong, China, 510000
- Zhongshan Ophthalmic Center, Sun Yat-sen Univerisity
-
-
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
- OLDER_ADULT
- KIND
Akzeptiert gesunde Freiwillige
Ja
Studienberechtigte Geschlechter
Alle
Probenahmeverfahren
Wahrscheinlichkeitsstichprobe
Studienpopulation
Spaltlampen- und Fundusbilder der Netzhaut, gesammelt von der Abteilung für Infektionskrankheiten, drittes angeschlossenes Krankenhaus der Sun Yat-sen-Universität, Abteilung für Infektionskrankheiten, drittes angeschlossenes Krankenhaus der Sun Yat-sen-Universität, angeschlossenes Huadu-Krankenhaus der Southern Medical University, Nantian Medical Center von Aikang Health Care und Huanshidong Medical Center von Aikang Health Care.
Beschreibung
Einschlusskriterien:
- Die Qualität der Fundus- und Spaltlampenbilder sollte klinisch akzeptabel sein.
- Mehr als 90 % des Fundusbildbereichs einschließlich der vier Hauptregionen (Papille, Makula, obere und untere Gefäßbögen der Netzhaut) sind leicht zu lesen und zu unterscheiden.
- Mehr als 90 % des Spaltlampen-Bildbereichs einschließlich der drei Hauptbereiche (Sklera, Pupille und Linse) sind leicht zu lesen und zu unterscheiden.
Ausschlusskriterien:
- Bilder mit Lichtverlust (>10 % der Fläche), Flecken von Linsenreflexionen oder Flecken und Überbelichtung wurden von der weiteren Analyse ausgeschlossen.
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 |
---|---|
Entwicklungsdatensatz 01
Spaltlampen- und Netzhautfundusbilder, gesammelt von der Abteilung für hepatobiliäre Chirurgie des dritten angeschlossenen Krankenhauses der Sun Yat-sen-Universität.
|
Der Trainingsdatensatz wurde verwendet, um das Deep-Learning-Modell zu trainieren, das von den beiden anderen Datensätzen validiert und getestet wurde.
|
Entwicklungsdatensatz 02
Spaltlampen- und Netzhautfundusbilder, gesammelt vom angeschlossenen Huadu-Krankenhaus der Southern Medical University.
|
Der Trainingsdatensatz wurde verwendet, um das Deep-Learning-Modell zu trainieren, das von den beiden anderen Datensätzen validiert und getestet wurde.
|
Entwicklungsdatensatz 03
Spaltlampen- und Netzhautfundusbilder, gesammelt vom Nantian Medical Center of Aikang Health Care.
|
Der Trainingsdatensatz wurde verwendet, um das Deep-Learning-Modell zu trainieren, das von den beiden anderen Datensätzen validiert und getestet wurde.
|
Testdatensatz 01
Spaltlampen- und Netzhauthintergrundbilder, gesammelt von der Abteilung für Infektionskrankheiten, drittes angeschlossenes Krankenhaus der Sun Yat-sen-Universität.
|
Der Trainingsdatensatz wurde verwendet, um das Deep-Learning-Modell zu trainieren, das von den beiden anderen Datensätzen validiert und getestet wurde.
|
Testdatensatz 02
Spaltlampen- und Netzhautfundusbilder, gesammelt vom Huanshidong Medical Center of Aikang Health Care.
|
Der Trainingsdatensatz wurde verwendet, um das Deep-Learning-Modell zu trainieren, das von den beiden anderen Datensätzen validiert und getestet wurde.
|
Was misst die Studie?
Primäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
---|---|---|
Fläche unter der Empfängerbetriebskennlinie des Deep-Learning-Systems
Zeitfenster: Grundlinie
|
Die Ermittler werden die Fläche unter der Empfängerbetriebskennlinie des Deep-Learning-Systems berechnen und diesen Index zwischen Deep-Learning-System und menschlichen Ärzten vergleichen
|
Grundlinie
|
Sekundäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
---|---|---|
Empfindlichkeit und Spezifität des Deep-Learning-Systems
Zeitfenster: Grundlinie
|
Die Ermittler werden die Empfindlichkeit und Spezifität des Deep-Learning-Systems berechnen und diesen Index zwischen Deep-Learning-System und menschlichen Ärzten vergleichen
|
Grundlinie
|
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 (TATSÄCHLICH)
1. Dezember 2018
Primärer Abschluss (TATSÄCHLICH)
31. Januar 2020
Studienabschluss (TATSÄCHLICH)
31. Januar 2020
Studienanmeldedaten
Zuerst eingereicht
25. Dezember 2019
Zuerst eingereicht, das die QC-Kriterien erfüllt hat
25. Dezember 2019
Zuerst gepostet (TATSÄCHLICH)
30. Dezember 2019
Studienaufzeichnungsaktualisierungen
Letztes Update gepostet (TATSÄCHLICH)
18. August 2020
Letztes eingereichtes Update, das die QC-Kriterien erfüllt
16. August 2020
Zuletzt verifiziert
1. August 2020
Mehr Informationen
Begriffe im Zusammenhang mit dieser Studie
Schlüsselwörter
Zusätzliche relevante MeSH-Bedingungen
Andere Studien-ID-Nummern
- AEHD-2019
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 .
Klinische Studien zur Leber- und Gallenerkrankungen
-
University Hospital, ToulouseAbgeschlossenGeschlechtsspezifische Dysphorie, JugendlicherFrankreich
-
Marmara UniversityAbgeschlossenBelastung der Pflegekraft | Spinale MuskelatrophieTruthahn
-
University of South FloridaUniversity of MiamiUnbekanntMisophonieVereinigte Staaten
-
University of PennsylvaniaWeill Medical College of Cornell UniversityRekrutierungOpioidgebrauchsstörung | Psychische ErkrankungenVereinigte Staaten
-
Ain Shams UniversityAbgeschlossenParkinson-Krankheit | Vaskulärer ParkinsonismusÄgypten