- ICH GCP
- US-Register für klinische Studien
- Klinische Studie NCT04952675
Evaluierung von Pneumokoniose-Hochrisiko-Frühwarnmodellen
2. Juli 2021 aktualisiert von: Peking University Third Hospital
Die Entwicklung und klinische Anwendung von Pneumokoniose-Hochrisiko-Frühwarnmodellen basierend auf einem Faltungs-Neuronalen Netzwerk in der Thoraxradiographie
Die Vorsorge einer Pneumokoniose ist wichtiger als die Behandlung.
Allerdings kann das derzeitige Verfahren die Arbeitnehmer, die einem hohen Staubrisiko ausgesetzt sind, nicht frühzeitig warnen, bis bei ihnen eine Pneumokoniose diagnostiziert wird.
Mit den Merkmalen Effizienz, Unpersönlichkeit und Quantifizierung ist künstliche Intelligenz genau das Richtige für die Lösung dieser Probleme.
Daher streben wir die Anpassung von Deep Learning an, um Modelle für die intelligente Erkennung von Pneumokoniose, die Schweregraddiagnose und die Frühwarnung bei hohem Risiko zu entwickeln.
Die kommentierten Bilder werden für das Training von Convolutional Neural Networks (CNNs)-Algorithmen mit dem Ziel des Pneumokoniose-Screenings und der Schweregraddiagnose verwendet.
Darüber hinaus wird die anhand der Dichtewärmekarte berechnete Risikobewertung zur Frühwarnung staubexponierter Arbeitnehmer verwendet.
Anschließend wird eine Nachverfolgung der Kohorte durchgeführt, um die Gültigkeit des Risikoscores zu überprüfen.
Auf diese Weise erhalten die Arbeitnehmer, die einem hohen Staubrisiko ausgesetzt sind, eine frühzeitige Intervention und eine bessere Prognose, was offensichtlich die medizinische Belastung verringern kann.
Studienübersicht
Status
Rekrutierung
Bedingungen
Detaillierte Beschreibung
Pneumokoniose, die häufigste Berufskrankheit in China und auf der ganzen Welt.
Die Röntgenaufnahme des Brustkorbs ist die am besten zugängliche und kostengünstigste verfügbare radiologische Untersuchung zur körperlichen Untersuchung staubexponierter Arbeitnehmer und zum Massenscreening auf Pneumokoniose.
Der Diagnoseprozess hat jedoch einige Nachteile, wie z. B. starke Subjektivität, Ineffizienz und mangelnde Beurteilung von Borderline-Läsionen usw. Darüber hinaus ist die Vorsorge bei Pneumokoniose wichtiger als die Behandlung.
Allerdings kann das derzeitige Verfahren die Arbeitnehmer, die einem hohen Staubrisiko ausgesetzt sind, nicht frühzeitig warnen, bis bei ihnen eine Pneumokoniose diagnostiziert wird.
Mit den Merkmalen Effizienz, Unpersönlichkeit und Quantifizierung ist künstliche Intelligenz geradezu geeignet, die oben genannten Probleme zu lösen.
Bisher gab es nur wenige Forschungsarbeiten zur Anpassung von Deep Learning für die Diagnose von Pneumokoniose und die Frühwarnung bei hohem Risiko.
In unseren früheren Studien haben wir eine Thorax-Röntgendatenbank erstellt, die mehr als 100.000 digitale Pneumokoniose-Röntgenbilder enthält.
Das Ergebnis der Bewertung des Erkennungssystems zeigte, dass die Genauigkeit bei der Identifizierung von Pneumokoniose 90 % erreichen kann, mit einer AUC (Area Under The Curve) von 0,965 und einer Sensitivität von 99 %.
Weitere Arbeiten müssen fortgesetzt werden.
Daher streben wir die Anpassung von Deep Learning an, um Modelle für die intelligente Erkennung von Pneumokoniose, die Schweregraddiagnose und die Frühwarnung bei hohem Risiko zu entwickeln.
Die kommentierten Bilder werden für das Training von Convolutional Neural Networks (CNNs)-Algorithmen mit dem Ziel des Pneumokoniose-Screenings und der Schweregraddiagnose verwendet.
Darüber hinaus wird die anhand der Dichtewärmekarte berechnete Risikobewertung zur Frühwarnung staubexponierter Arbeitnehmer verwendet.
Anschließend wird eine Nachverfolgung der Kohorte durchgeführt, um die Gültigkeit des Risikoscores zu überprüfen.
Auf diese Weise erhalten die Arbeitnehmer, die einem hohen Staubrisiko ausgesetzt sind, eine frühzeitige Intervention und eine bessere Prognose, was offensichtlich die medizinische Belastung verringern kann.
Studientyp
Beobachtungs
Einschreibung (Voraussichtlich)
200
Kontakte und Standorte
Dieser Abschnitt enthält die Kontaktdaten derjenigen, die die Studie durchführen, und Informationen darüber, wo diese Studie durchgeführt wird.
Studienkontakt
- Name: Xiao Li, M.D.
- Telefonnummer: +8613051709411
- E-Mail: lixiao.sy@bjmu.edu.cn
Studienorte
-
-
Beijing
-
Beijing, Beijing, China, 100191
- Rekrutierung
- Peking University Third Hospital
-
Kontakt:
- Xiao Li, M.D.
- Telefonnummer: +8613051709411
- E-Mail: lixiao.sy@bjmu.edu.cn
-
-
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 bis 60 Jahre (ERWACHSENE)
Akzeptiert gesunde Freiwillige
Nein
Studienberechtigte Geschlechter
Alle
Probenahmeverfahren
Wahrscheinlichkeitsstichprobe
Studienpopulation
staubexponierte Arbeiter in 16 Provinzen Chinas
Beschreibung
Einschlusskriterien:
- Arbeiter, die Staub ausgesetzt sind;
- eine digitale Thorax-Röntgenaufnahme durchführen lassen
Ausschlusskriterien:
- basale Lungenerkrankung;
- Befreiung von staubexponierten Arbeiten
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 |
|---|
|
Gruppe mit geringem Risiko
Risikoindex∈[0,0,5)
|
|
Hochrisikogruppe
Risikoindex∈[0,5,1)
|
Was misst die Studie?
Primäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Bei den Teilnehmern wurde „Pneumokoniose“ diagnostiziert
Zeitfenster: vor dem 31. Dezember 2022
|
Anzahl der Teilnehmer mit der Diagnose „Pneumokoniose“
|
vor dem 31. Dezember 2022
|
|
Tod
Zeitfenster: vor dem 31. Dezember 2022
|
Anzahl der verstorbenen Teilnehmer
|
vor dem 31. Dezember 2022
|
Sekundäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Forciertes exspiratorisches Volumen in 1s (FEV1) in %
Zeitfenster: vor dem 31. Dezember 2022
|
Forciertes Exspirationsvolumen in 1 s
|
vor dem 31. Dezember 2022
|
|
arterieller Sauerstoffpartialdruck, PaO2
Zeitfenster: vor dem 31. Dezember 2022
|
arterieller Sauerstoffpartialdruck
|
vor dem 31. Dezember 2022
|
|
modifizierter Medical Research Council, mMRC
Zeitfenster: vor dem 31. Dezember 2022
|
ein Fragebogen zur Beurteilung der Symptome
|
vor dem 31. Dezember 2022
|
Mitarbeiter und Ermittler
Hier finden Sie Personen und Organisationen, die an dieser Studie beteiligt sind.
Sponsor
Ermittler
- Hauptermittler: Xiao Li, M.D., Peking University Third Hospital
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. August 2018
Primärer Abschluss (ERWARTET)
1. Dezember 2021
Studienabschluss (ERWARTET)
1. Dezember 2025
Studienanmeldedaten
Zuerst eingereicht
23. Juni 2021
Zuerst eingereicht, das die QC-Kriterien erfüllt hat
2. Juli 2021
Zuerst gepostet (TATSÄCHLICH)
7. Juli 2021
Studienaufzeichnungsaktualisierungen
Letztes Update gepostet (TATSÄCHLICH)
7. Juli 2021
Letztes eingereichtes Update, das die QC-Kriterien erfüllt
2. Juli 2021
Zuletzt verifiziert
1. Juni 2021
Mehr Informationen
Begriffe im Zusammenhang mit dieser Studie
Schlüsselwörter
Zusätzliche relevante MeSH-Bedingungen
Andere Studien-ID-Nummern
- PekingUTH-002
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 .