- ICH GCP
- US-Register für klinische Studien
- Klinische Studie NCT04503226
Deep Learning angewendet auf die einfache abdominale Röntgenüberwachung nach endovaskulärer Aneurysma-Reparatur (EVAR) von abdominalem Aortenaneurysma (AAA) (DeepLearn)
Studienübersicht
Status
Bedingungen
Detaillierte Beschreibung
Das abdominale Aortenaneurysma (AAA) ist ein Zustand, bei dem sich die abdominale Aorta, eine große Arterie, aufgrund eines degenerativen Prozesses in ihrer Wand allmählich erweitert. Dies kann zu einer Ruptur der geschwächten Wand mit anschließender Ausblutung in den Bauchraum führen. Dieses Szenario ist normalerweise fatal. Der Durchmesser des Aneurysmas korreliert positiv mit dem Rupturrisiko. Die Aneurysmagröße ist daher die primäre Determinante bei der Überlegung, ob AAAs elektiv repariert werden sollen oder nicht.
Die endovaskuläre Aneurysma-Reparatur (EVAR) ist bei der überwiegenden Mehrheit der Patienten zur Standardbehandlung für AAAs geworden. Es handelt sich um eine minimal-invasive Technik, die darauf abzielt, das Aneurysma durch Platzierung eines synthetischen „Stent-Grafts“ im Aortenlumen von der Zirkulation auszuschließen. Metallische Widerhaken sowie Radialkraft halten die Position des Stent-Transplantats in der nicht-aneurysmalen Aorta über dem Aneurysma sowie in den Beckenarterien unterhalb des Aneurysmas aufrecht.
Evidenz der Stufe 1 hat durchgängig ein verbessertes perioperatives Überleben mit EVAR im Vergleich zur herkömmlichen offenen Operation gezeigt. Es gibt jedoch Bedenken hinsichtlich der langfristigen Haltbarkeit von EVAR-Stentgrafts, da bei 1 von 5 Patienten in den 5 Jahren nach der Operation eine weitere Operation des Aneurysmas erforderlich ist. Dies ist häufig auf ein Versagen der Position und Unversehrtheit des Stent-Implantats zurückzuführen. Daher ist es internationale Standardpraxis, Patienten nach EVAR lebenslang zu überwachen. Dies erfolgt in der Regel in Form von einfachen Röntgenaufnahmen in Kombination mit einer Computertomographie (CT) oder Duplex-Ultraschalluntersuchungen, die alle jährlich durchgeführt werden.
Stent-Grafts sind auf einfachen Röntgenaufnahmen des Abdomens sichtbar, und durch den Vergleich von Bildserien, die im Laufe der Zeit aufgenommen wurden, ist es möglich, eine Vielzahl von Stent-Graft-Problemen zu diagnostizieren, einschließlich Migration, Zerfall und Verformung. Aber diese Veränderungen können auf normalen Röntgenbildern subtil und selbst für das geschulteste menschliche Auge schwer zu erkennen sein. Infolgedessen werden die Patienten detaillierteren Scans unterzogen, die leider ein Risiko für Nephrotoxizität und strahleninduzierte Malignität bergen.
Das Ziel unserer Forschung ist es, das diagnostische Potenzial von Nativröntgenbildern zu verbessern, indem moderne Deep-Learning-Computeralgorithmen zur Interpretation angewendet werden.
Künstliche Intelligenz (KI) in Form von Deep Learning hat in den letzten Jahren bei zahlreichen herausfordernden Fragestellungen große Erfolge gezeigt. Der Erfolg von Deep Learning wird weitgehend durch Fortschritte bei leistungsstarken Grafikprozessoren (GPUs) untermauert. GPUs ermöglichen es uns, Trainingsalgorithmen um Größenordnungen zu beschleunigen und Laufzeiten von Wochen auf Tage zu reduzieren.
Unsere Studie wird den Einsatz künstlicher Intelligenz bei der Interpretation von Serien anonymisierter einfacher Röntgenaufnahmen untersuchen, um Merkmale eines fehlerhaften Stent-Grafts zu identifizieren.
Ein Deep-Learning-Algorithmus wird auf einfache Post-EVAR-Röntgenaufnahmen angewendet, die bereits in den letzten 10 Jahren an unserer Einrichtung in England durchgeführt wurden. Wir werden dann die Wirksamkeit der Maschine bei der Identifizierung von Problemen im Zusammenhang mit Stent-Transplantaten mit den bekannten Ergebnissen vergleichen, die zuvor durch menschliche Interpretation identifiziert wurden.
Dieses Projekt wird sich auf die jüngsten Fortschritte bei Deep-Learning-Techniken stützen. Es wird erwartet, dass Deep Learning eine gute Leistung für die EVAR-Überwachung bringen wird, im Einklang mit seiner erfolgreichen Anwendung in Bereichen wie der Erkennung von Ziffern, chinesischen Schriftzeichen und Verkehrszeichen, in denen Computer eine bessere Genauigkeit als Menschen erzielt haben.
Studientyp
Einschreibung (Voraussichtlich)
Kontakte und Standorte
Studienorte
-
-
Merseyside
-
Liverpool, Merseyside, Vereinigtes Königreich, L7 8TX
- University of Liverpool
-
-
Teilnahmekriterien
Zulassungskriterien
Studienberechtigtes Alter
- Kind
- Erwachsene
- Älterer Erwachsener
Akzeptiert gesunde Freiwillige
Studienberechtigte Geschlechter
Probenahmeverfahren
Studienpopulation
Beschreibung
Einschlusskriterien:
- Patienten, die sich zwischen 2005 und 2013 am Royal Liverpool University Hospital einer EVAR unterzogen haben.
- Patienten, die wegen standardmäßiger infrarenaler AAA behandelt wurden.
- Patienten, die sich in unserem postoperativen Überwachungsprogramm befinden und bis heute 5 einfache Röntgenaufnahmen des Abdomens erhalten haben.
Ausschlusskriterien:
- Keiner
Studienplan
Wie ist die Studie aufgebaut?
Designdetails
- Beobachtungsmodelle: Nur Fall
- Zeitperspektiven: Retrospektive
Was misst die Studie?
Primäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
---|---|---|
Diagnostische Genauigkeit
Zeitfenster: 1-10 Jahre
|
Die diagnostische Genauigkeit eines auf Deep Learning basierenden Algorithmus im Vergleich zu einer geschulten menschlichen Interpretation bei der Erkennung von Stentgraft-Migration, -Desintegration und -Verzerrung auf einfachen Röntgenbildern nach EVAR.
|
1-10 Jahre
|
Mitarbeiter und Ermittler
Ermittler
- Hauptermittler: Srinivasa Rao Vallabhaneni, MD, FRCS, Royal Liverpool University Hospital NH STrust
Studienaufzeichnungsdaten
Haupttermine studieren
Studienbeginn (Tatsächlich)
Primärer Abschluss (Voraussichtlich)
Studienabschluss (Voraussichtlich)
Studienanmeldedaten
Zuerst eingereicht
Zuerst eingereicht, das die QC-Kriterien erfüllt hat
Zuerst gepostet (Tatsächlich)
Studienaufzeichnungsaktualisierungen
Letztes Update gepostet (Tatsächlich)
Letztes eingereichtes Update, das die QC-Kriterien erfüllt
Zuletzt verifiziert
Mehr Informationen
Begriffe im Zusammenhang mit dieser Studie
Zusätzliche relevante MeSH-Bedingungen
Andere Studien-ID-Nummern
- 5851
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 .
Klinische Studien zur Bauchaortenaneurysma
-
University Health Network, TorontoThe Plastic Surgery Foundation; Canadian Society of Plastic SurgeonsAbgeschlossenTransversus Abdominis Plane (TAP) Blockkatheter | DIEP oder Free MS-TRAM Brustrekonstruktion | Lokale Schmerztherapie | Abdominal-/ SpenderstelleKanada
-
Hangzhou Endonom Medtech Co., Ltd.UnbekanntGuos viszerale Arterienrekonstruktion: Die erste Studie am Menschen zum WeFlow-JAAA-StentgraftsystemJuxta Renal Abdominal Aortenaneurysma ohne RupturChina
-
University of AberdeenNHS GrampianAbgeschlossenBauchschmerzen | Abdominal Cutaneous Nerve Trapment SyndromeVereinigtes Königreich
-
Temple UniversityZurückgezogenAbdominal Cutaneous Nerve Trapment Syndrome | Chronischer Bauchwandschmerz