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

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

Bedingungen

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

  • China
    • 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.
Diagnosetest: Leber- und Gallenerkrankungen
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.
Diagnosetest: Leber- und Gallenerkrankungen
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.
Diagnosetest: Leber- und Gallenerkrankungen
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.
Diagnosetest: Leber- und Gallenerkrankungen
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.
Diagnosetest: Leber- und Gallenerkrankungen
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.

Sponsor

Sun Yat-sen University

Mitarbeiter

Third Affiliated Hospital, Sun Yat-Sen University
Affiliated Huadu Hospital of Southern Medical University
Aikang Health Care

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

Suchen Sie nach ähnlichen Studien

Sponsoren und Mitarbeiter

Krankheiten

Drogeninterventionen

CROs by country

CROs in Sweden

Bedingungen

Seltene Krankheiten

Drogeninterventionen

Nahrungsergänzungsmittel

Sponsor / Mitarbeiter

Standorte

3
Abonnieren