- ICH GCP
- US-Register für klinische Studien
- Klinische Studie NCT05080296
Evaluierung des Einsatzes maschineller Lerntechniken zur Klassifizierung neurodegenerativer PARKinson-Syndrome (Künstliche Intelligenz) (PARKIA)
Die Diagnose der Parkinson-Krankheit (PD) beruht hauptsächlich auf der klinischen Beobachtung des Patienten auf der Suche nach den drei charakteristischen Symptomen und bleibt manchmal eine echte Herausforderung. Algorithmen des maschinellen Lernens (ML) könnten dabei helfen, die Parkinson-Krankheit frühzeitig zu diagnostizieren und die idiopathische Parkinson-Krankheit von atypischen Parkinson-Syndromen zu unterscheiden.
In diesem Zusammenhang stellte die Arbeit des Castillo-Barnes-Teams eine Reihe von Bildgebungsfunktionen bereit, die auf morphologischen Merkmalen basieren, die aus Einzelphotonen-Emissions-Computertomographie-Scans (SPECT) mit DaTSCAN® oder Ioflupan (Jod-123-markiertes Radiopharmazeutikum) extrahiert wurden, um gesunde Teilnehmer zu erkennen von Teilnehmern mit Parkinson-Krankheit in einem ausgewogenen Satz von SPECTs aus der Datenbank „Parkinson's Progression Markers Initiative“ (PPMI).
Das Team von Shabii et al. bewertete die Klassifizierungsleistung von Parkinson-Patienten und normalen Kontrollpersonen anhand semiquantitativer Indikatoren und Formmerkmale, die auf dem Dopamintransporter (DAT) mittels Ioflupane (123I-IP)-Einzelphotonen-Emissions-Computertomographie (SPECT) ermittelt wurden kombiniert als Funktion des maschinellen Lernens (ML).
KI-basierte Methoden können die diagnostische Beurteilung verbessern. Mehrere dopaminerge Bildgebungsstudien mit KI haben eine Genauigkeit von bis zu 90 % für die Diagnose von Parkinson berichtet.
Diese automatisierten Ansätze nutzen Methoden des maschinellen Lernens, die auf Texturanalysen basieren, um (i) Parkinson-Krankheit und gesunde Probanden zu unterscheiden, (ii) Parkinson-Krankheit und vaskulären Parkinsonismus zu unterscheiden und (iii) zwischen verschiedenen Formen des atypischen Parkinsonismus zu unterscheiden.
Eine in zwei Zentren durchgeführte Studie unter Verwendung eines SVM-Modells (Linear Support Vector Machine) unterschied Patienten mit Parkinson-Krankheit und gesunden Probanden mit einer Genauigkeit von 82,5 %. Diese Leistung ähnelt der visuellen Beurteilung durch Nuklearmediziner. Ein lineares SVM-Modell basiert auf statistischen Voxelwerten Mithilfe parametrischer Bilder konnte die Parkinson-Krankheit mit einer Genauigkeit von 90,4 % von vaskulärem Parkinsonismus unterschieden werden. Das Nancy-Team verfügt über umfangreiche Erfahrung in der Erkennung von PD in SPECT- und SPECT/CT-Scans mit Ioflupane oder DaTSCAN™
Studienübersicht
Status
Bedingungen
Studientyp
Einschreibung (Geschätzt)
Kontakte und Standorte
Studienorte
-
-
-
Vandoeuvre les Nancy cedex, Frankreich, 54511
- Nuclear medicine department CHRU de NANCY
-
-
Teilnahmekriterien
Zulassungskriterien
Studienberechtigtes Alter
Akzeptiert gesunde Freiwillige
Probenahmeverfahren
Studienpopulation
Beschreibung
Einschlusskriterien:
- Patienten, die zwischen dem 21.11.2011 und dem 01.09.2017 einen DaTSCAN SPECT-Scan in der nuklearmedizinischen Abteilung des Nancy CHRU durchgeführt haben.
- Überprüfungen, die zwischen dem 21.11.2011 und dem 01.09.2017 stattfanden, wurden vom PACS auf die Verarbeitungskonsolen zurückgeführt.
Studienplan
Wie ist die Studie aufgebaut?
Designdetails
Kohorten und Interventionen
Gruppe / Kohorte |
---|
Bei allen Patienten wurden DaTSCAN SPECT-Scans durchgeführt
|
Was misst die Studie?
Primäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
---|---|---|
Genauigkeit des Algorithmus
Zeitfenster: 2 Monate
|
Genauigkeit des für die neuen Daten implementierten Algorithmus im Hinblick auf die Vorhersage der Art des atypischen Parkinson-Syndroms.
|
2 Monate
|
Sekundäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
---|---|---|
Vergleich zweier Netzwerke
Zeitfenster: 2 Monate
|
Vergleich der Leistung des halbüberwachten Netzwerks mit dem überwachten Netzwerk, um die Bedeutung unbeschrifteter Daten beim Lernen zu erkennen
|
2 Monate
|
Analysieren Sie die Robustheit des Netzwerks
Zeitfenster: 2 Monate
|
Analysieren Sie die Robustheit des Netzwerks gegenüber verschiedenen Daten (Daten von verschiedenen Gammakameramodellen).
|
2 Monate
|
Mitarbeiter und Ermittler
Sponsor
Studienaufzeichnungsdaten
Haupttermine studieren
Studienbeginn (Tatsächlich)
Primärer Abschluss (Tatsächlich)
Studienabschluss (Geschätzt)
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
- 2021PI187
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 DaTSCAN SPECT-Scans
-
Centre Hospitalier Universitaire de NīmesAbgeschlossen
-
AHS Cancer Control AlbertaUnbekannt
-
Daewoong Pharmaceutical Co. LTD.UnbekanntCT-Scan-PatientenKorea, Republik von
-
Assiut UniversityUnbekanntDimercaptobernsteinsäure SPECT und Planar
-
Chang Gung Memorial HospitalAbgeschlossenQuantitative Analyse von SPECT MPI
-
National Taiwan University HospitalAbgeschlossenBeißkraft | Scan-VerzögerungTaiwan
-
University Hospital, BrestAbgeschlossenPatente mit normalem VQ/SPECTFrankreich
-
Spectrum DynamicsAbgeschlossenQuantitative Validierung für die ventrikuläre SPECT-BildgebungVereinigte Staaten
-
Laval UniversityAbgeschlossenThorax-CT-Scan | Anatomie des rechten Oberlappens | Rechtsseitiger doppellumiger Endobronchialtubus
-
National Institute of Mental Health (NIMH)AbgeschlossenGesund | PET-Scan | Glutamatrezeptor | mGlur5-Protein | Exzitatorische Aminosäurerezeptoren | ArzneimittelkinetikVereinigte Staaten