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

Klinische Validierung der Deep-Learning-Plattform DystoniaNet zur Diagnose isolierter Dystonie

24. November 2025 aktualisiert von: Kristina Simonyan, Massachusetts Eye and Ear Infirmary
Diese Forschung umfasst retrospektive und prospektive Studien zur klinischen Validierung einer Deep-Learning-Plattform von DystoniaNet für die Diagnose isolierter Dystonie.

Studienübersicht

Detaillierte Beschreibung

Isolierte Dystonie ist eine Bewegungsstörung unbekannter Pathophysiologie, die unwillkürliche Muskelkontraktionen verursacht, die zu abnormen, typisch gemusterten, drehenden Bewegungen und Körperhaltungen führen. Eine erhebliche Herausforderung bei der klinischen Behandlung von Dystonie ist das Fehlen eines Biomarkers und des damit verbundenen diagnostischen „Gold“-Standardtests. Derzeit wird die Diagnose von Dystonie von klinischen Bewertungen ihrer Symptome geleitet, was zu einer geringen Übereinstimmung zwischen Klinikern und einer hohen Rate an diagnostischen Ungenauigkeiten führt. Es wird geschätzt, dass nur 5 % der Patienten zu Beginn der Symptome eine genaue Diagnose erhalten, und die durchschnittliche diagnostische Verzögerung beträgt bis zu 10,1 Jahre. Diese Studie wird retrospektive und prospektive Studien durchführen, um die Leistung von DystoniaNet, einer Biomarker-basierten Deep-Learning-Plattform für die Diagnose isolierter Dystonie, klinisch zu validieren.

Die retrospektiven Studien werden die diagnostische Leistung des DystoniaNet-Algorithmus (1) bei Patienten im Vergleich zu gesunden Probanden (normativer Test) und (2) zwischen Patienten mit Dystonie und anderen neurologischen und nicht-neurologischen Erkrankungen (Differentialtest) klinisch validieren.

Die prospektive randomisierte Studie wird die Leistung des DystoniaNet-Algorithmus für eine genaue, objektive und schnelle Diagnose von Dystonie im tatsächlichen klinischen Umfeld validieren.

Diese Forschung soll den DystoniaNet-Algorithmus für die Dystonie-Diagnose in seinen klinischen Einsatz bringen, um die Genauigkeit der Dystonie-Diagnose zu erhöhen. Die frühzeitige Erkennung und Diagnose von Dystonie wird eine frühzeitige Therapie und eine verbesserte Prognose ermöglichen, was sich insgesamt positiv auf die Gesundheitsversorgung und die Lebensqualität der Patienten auswirken wird.

Studientyp

Interventionell

Einschreibung (Geschätzt)

1000

Phase

  • Unzutreffend

Kontakte und Standorte

Dieser Abschnitt enthält die Kontaktdaten derjenigen, die die Studie durchführen, und Informationen darüber, wo diese Studie durchgeführt wird.

Studienkontakt

Studienorte

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

  • Kind
  • Erwachsene
  • Älterer Erwachsener

Akzeptiert gesunde Freiwillige

Ja

Beschreibung

Einschlusskriterien:

  1. Männer und Frauen mit unterschiedlichem rassischen und ethnischen Hintergrund, mit Alter über die gesamte Lebensdauer;
  2. Die Patienten haben mindestens eine der Formen von Dystonie, einschließlich fokaler Dystonie (z. B. Kehlkopf-, zervikale, oromandibuläre, Blepharospasmus, fokale Hand, Musiker), segmentale Dystonie oder generalisierte Dystonie;
  3. Die Patienten haben andere Bewegungsstörungen (Parkinson-Krankheit, essentieller Tremor, Dyskinesie, Myoklonus) und andere nicht-neurologische Zustände (Tic-Störungen, Torticollis, Einklemmungen des Nervus ulnaris, Kiefergelenkserkrankungen, Dysphonie), die dystone Symptome nachahmen.

Ausschlusskriterien:

  1. Patienten, die nicht in der Lage sind, eine Einverständniserklärung abzugeben;
  2. Patienten, die aufgrund des Vorhandenseins bestimmter Tätowierungen und ferromagnetischer Gegenstände in ihrem Körper (z. B. implantierte Stimulatoren, chirurgische Clips, Prothesen, künstliche Herzklappen), die nicht entfernt werden können, oder aufgrund von Schwangerschaft oder Stillzeit nicht in der Lage sind, sich einer MRT des Gehirns zu unterziehen die Studium.

Studienplan

Dieser Abschnitt enthält Einzelheiten zum Studienplan, einschließlich des Studiendesigns und der Messung der Studieninhalte.

Wie ist die Studie aufgebaut?

Designdetails

  • Hauptzweck: Diagnose
  • Zuteilung: Zufällig
  • Interventionsmodell: Parallele Zuordnung
  • Maskierung: Doppelt

Waffen und Interventionen

Teilnehmergruppe / Arm
Intervention / Behandlung
Kein Eingriff: Retrospektive klinische Validierung von DystoniaNet
Retrospektive Studien werden (1) die diagnostische Leistung von DystoniaNet im Vergleich zu einem normalen neurologischen Zustand (normativer Test) klinisch validieren und (2) DystoniaNet-Erweiterungen im Vergleich zu anderen neurologischen und nicht-neurologischen Zuständen entwickeln und testen (Differenzialtest).
Experimental: Prospektive klinische Validierung von DystoniaNet
Prospektive randomisierte Studien werden die Leistung von DystoniaNet für eine genaue, objektive und schnelle Diagnose von Dystonie im tatsächlichen klinischen Umfeld validieren.
DystoniaNet wird für die Diagnose von Dystonie und ihre Differenzialdiagnose von anderen neurologischen und nicht-neurologischen Erkrankungen, die Symptome von Dystonie nachahmen, verwendet

Was misst die Studie?

Primäre Ergebnismessungen

Ergebnis Maßnahme
Maßnahmenbeschreibung
Zeitfenster
Korrektheit der klinischen Diagnose von Dystonie mit dem DystoniaNet-Algorithmus
Zeitfenster: 4 Jahre
Die Korrektheit der Dystonie-Diagnose (ja Dystonie/keine Dystonie) wird mithilfe des maschinellen Lernalgorithmus von DystoniaNet festgestellt
4 Jahre
Zeitpunkt der klinischen Diagnose einer Dystonie mit dem DystoniaNet-Algorithmus
Zeitfenster: 4 Jahre
Die Dauer (in Monaten) vom Auftreten der Symptome bis zur klinischen Diagnose wird mithilfe des maschinellen Lernalgorithmus von DystoniaNet ermittelt
4 Jahre

Mitarbeiter und Ermittler

Hier finden Sie Personen und Organisationen, die an dieser Studie beteiligt sind.

Ermittler

  • Hauptermittler: Kristina Simonyan, MD, PhD, Massachusetts Eye and Ear

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. Juni 2022

Primärer Abschluss (Geschätzt)

30. April 2028

Studienabschluss (Geschätzt)

30. April 2028

Studienanmeldedaten

Zuerst eingereicht

28. November 2021

Zuerst eingereicht, das die QC-Kriterien erfüllt hat

30. März 2022

Zuerst gepostet (Tatsächlich)

7. April 2022

Studienaufzeichnungsaktualisierungen

Letztes Update gepostet (Tatsächlich)

2. Dezember 2025

Letztes eingereichtes Update, das die QC-Kriterien erfüllt

24. November 2025

Zuletzt verifiziert

1. November 2025

Mehr Informationen

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 .

Abonnieren