Diagnostische Leistung von Deep Learning für den Winkelschluss
3. April 2021 aktualisiert von: Xiulan Zhang, Sun Yat-sen University
Diagnostische Leistung von Deep Convolutional Neural Networks für Engwinkelglaukom: eine internationale multizentrische Studie
Primäre Winkelverschlusskrankheiten (PACD) kommen in Asien häufig vor.
In der klinischen Praxis ist die Gonioskopie der Goldstandard für die Winkelweitenklassifizierung bei PACD-Patienten.
Allerdings ist die Gonioskopie eine Kontaktuntersuchung und erfordert eine lange Einarbeitungszeit.
Die optische Kohärenztomographie des vorderen Augenabschnitts (AS-OCT) ist ein berührungsloser Test, mit dem innerhalb von Sekunden dreidimensionale Bilder des vorderen Augenabschnitts erstellt werden können.
Daher haben die Forscher die Studie entworfen, um zu überprüfen, ob der AS-OCT-basierte Deep-Learning-Algorithmus in der Lage ist, die durch Gonioskopie diagnostizierten PACD-Probanden zu erkennen.
Studienübersicht
Status
Aktiv, nicht rekrutierend
Bedingungen
Intervention / Behandlung
Studientyp
Beobachtungs
Einschreibung (Voraussichtlich)
3000
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, 51000
- Zhongshan Ophthalmic Center
-
-
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
Die Schulungs- und primären Validierungsdatensätze wurden vom 1. September 2016 bis zum 1. September 2019 aus den Datenbanken elektronischer Kranken- und Forschungsakten im Zhongshan Ophthalmic Center gesammelt.
Der externe Testdatensatz wurde vom Singapore Eye Research Institute (SERI), Singapur, von Juni 2008 bis November 2019 und von der Chulalongkorn University und dem King Chulalongkorn Memorial Hospital (KCMH, Bangkok, Thailand) von Oktober 2019 bis April 2020 bezogen.
Beschreibung
Die Einschlusskriterien in die Studie waren wie folgt: (1) Alle Teilnehmer müssen ≥ 18 Jahre alt sein; (2) Bei den Studienteilnehmern wurde der ACA-Status (eng oder offen, PAS oder Nicht-PAS) zuvor anhand von Gonioskopie, SS-OCT-Scans und Krankengeschichten diagnostiziert.
Zu den Ausschlusskriterien der Daten gehören: (1) schlechte Compliance bei der Gonioskopie-Untersuchung; (2) unklare AS-OCT-Scans aufgrund von Blinzeln oder Unschärfe; (3) jüngster Einsatz von Miotika innerhalb eines Monats; 4) sekundärer Winkelverschluss aufgrund von Subluxation oder Luxation, Uveitis, neovaskulärem Glaukom usw.; 5) Vorgeschichte einer Augenoperation oder Laser-Iridotomie; 6) Patienten, die zuvor eine Episode eines primären Winkelschlusses hatten (die Anamnese wurde durch Befragung der Patienten erhoben).
Studienplan
Dieser Abschnitt enthält Einzelheiten zum Studienplan, einschließlich des Studiendesigns und der Messung der Studieninhalte.
Wie ist die Studie aufgebaut?
Designdetails
- Beobachtungsmodelle: Sonstiges
- Zeitperspektiven: Retrospektive
Kohorten und Interventionen
Gruppe / Kohorte |
Intervention / Behandlung |
|---|---|
|
Winkelschlussgruppe
|
Die OCT-Scans der Studienteilnehmer würden in den Algorithmus importiert.
Der Algorithmus würde eine automatische Klassifizierung der Winkelbreite und die Erkennung von Synechien durchführen.
Die diagnostische Leistung des Algorithmus würde mit Gonioskopieaufzeichnungen verglichen.
|
|
Offene Winkelgruppe
|
Die OCT-Scans der Studienteilnehmer würden in den Algorithmus importiert.
Der Algorithmus würde eine automatische Klassifizierung der Winkelbreite und die Erkennung von Synechien durchführen.
Die diagnostische Leistung des Algorithmus würde mit Gonioskopieaufzeichnungen verglichen.
|
|
Gruppe der peripheren Synechien (PAS).
|
Die OCT-Scans der Studienteilnehmer würden in den Algorithmus importiert.
Der Algorithmus würde eine automatische Klassifizierung der Winkelbreite und die Erkennung von Synechien durchführen.
Die diagnostische Leistung des Algorithmus würde mit Gonioskopieaufzeichnungen verglichen.
|
|
Gruppe der nichtperipheren Synechien (PAS).
|
Die OCT-Scans der Studienteilnehmer würden in den Algorithmus importiert.
Der Algorithmus würde eine automatische Klassifizierung der Winkelbreite und die Erkennung von Synechien durchführen.
Die diagnostische Leistung des Algorithmus würde mit Gonioskopieaufzeichnungen verglichen.
|
Was misst die Studie?
Primäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Fläche unter der Empfängerbetriebskurve (AUC)
Zeitfenster: Unmittelbar nach Erhalt der AS-OCT-Bilder
|
AUC-Wert des Deep-Learning-Algorithmus bei der Winkelbreitenklassifizierung und Synechienerkennung
|
Unmittelbar nach Erhalt der AS-OCT-Bilder
|
Sekundäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Sensitivität und Spezifität
Zeitfenster: Unmittelbar nach Erhalt der AS-OCT-Bilder
|
Sensitivität und Spezifität des automatisierten Algorithmus bei der Winkelbreitenklassifizierung und Synechienerkennung
|
Unmittelbar nach Erhalt der AS-OCT-Bilder
|
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)
15. Januar 2019
Primärer Abschluss (Voraussichtlich)
1. Dezember 2021
Studienabschluss (Voraussichtlich)
1. März 2022
Studienanmeldedaten
Zuerst eingereicht
23. Januar 2020
Zuerst eingereicht, das die QC-Kriterien erfüllt hat
23. Januar 2020
Zuerst gepostet (Tatsächlich)
27. Januar 2020
Studienaufzeichnungsaktualisierungen
Letztes Update gepostet (Tatsächlich)
8. April 2021
Letztes eingereichtes Update, das die QC-Kriterien erfüllt
3. April 2021
Zuletzt verifiziert
1. April 2021
Mehr Informationen
Begriffe im Zusammenhang mit dieser Studie
Zusätzliche relevante MeSH-Bedingungen
Andere Studien-ID-Nummern
- 2018KYPJ074
Plan für individuelle Teilnehmerdaten (IPD)
Planen Sie, individuelle Teilnehmerdaten (IPD) zu teilen?
Ja
Beschreibung des IPD-Plans
Die Bilddaten der Studienteilnehmer würden auf begründete Anfrage anderen Forschern zur Verfügung stehen.
Ein Teil der Daten wäre nach Veröffentlichung des entsprechenden Artikels als öffentliche Datensätze verfügbar.
IPD-Sharing-Zeitrahmen
Ein Teil der Daten wäre nach Veröffentlichung des entsprechenden Artikels als öffentliche Datensätze verfügbar.
Art der unterstützenden IPD-Freigabeinformationen
- Studienprotokoll
- Analytischer Code
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 .