Interesse an der Verwendung eines Deep-Learning-Algorithmus zur Erkennung von Otosklerose in der hochauflösenden Schläfenknochen-CT (OtoIA)
Otosklerose ist eine relativ häufige Pathologie multifaktoriellen Ursprungs mit genetischem und hormonellem Anteil, die vorwiegend bei Frauen auftritt. Diese Krankheit verursacht eine Störung des Knochenstoffwechsels des Mittel- und Innenohrs, die zu einer fortschreitenden Taubheit führt, die schwerwiegend sein kann.
Für die Diagnose einer Otosklerose sind mehrere Elemente notwendig: die klinische Untersuchung und Befragung, die audiometrische Beurteilung und schließlich die Schläfenbein-CT.
Der CT-Scan ermöglicht die Erkennung von Otoskleroseherden im Knochen des Mittel- oder Innenohrs. Diese Diagnose ist manchmal schwierig und erfordert die Interpretation durch einen ausgebildeten Radiologen.
Die Forscher möchten die Fähigkeit eines Deep-Learning-Algorithmus zur Erkennung dieser Otoskleroseherde bewerten und seine diagnostische Leistung mit einem ausgebildeten Radiologen vergleichen.
Studienübersicht
Status
Bedingungen
Intervention / Behandlung
Detaillierte Beschreibung
Otosklerose ist eine relativ häufige Pathologie multifaktoriellen Ursprungs mit genetischem und hormonellem Anteil, die vorwiegend bei Frauen auftritt. Diese Krankheit verursacht eine Störung des Knochenstoffwechsels des Mittel- und Innenohrs, die zu einer fortschreitenden Taubheit führt, die schwerwiegend sein kann.
Für die Diagnose einer Otosklerose sind mehrere Elemente notwendig: die klinische Untersuchung und Befragung, die audiometrische Beurteilung und schließlich die Schläfenbein-CT.
Der CT-Scan ermöglicht die Erkennung von Otoskleroseherden im Knochen des Mittel- oder Innenohrs. Diese Diagnose ist manchmal schwierig und erfordert die Interpretation durch einen ausgebildeten Radiologen.
Die Forscher möchten die Fähigkeit eines Deep-Learning-Algorithmus zur Erkennung dieser Otoskleroseherde bewerten und seine diagnostische Leistung mit einem ausgebildeten Radiologen vergleichen.
Studientyp
Einschreibung (Geschätzt)
Kontakte und Standorte
Studienorte
-
-
-
Pierre-Bénite, Frankreich, 69310
- Hospices Civils de Lyon, Centre Hospitalier Lyon sud, Service d'ORL, d'otoneurchirurgie et de chirurgie cervico-facaile
-
-
Teilnahmekriterien
Zulassungskriterien
Studienberechtigtes Alter
- Erwachsene
- Älterer Erwachsener
Akzeptiert gesunde Freiwillige
Probenahmeverfahren
Studienpopulation
Beschreibung
Einschlusskriterien * :
- Alter über 18
- Zur Analyse steht ein hochauflösender CT-Scan des Schläfenbeins zur Verfügung
- für die Gruppe „Fall“: chirurgische Bestätigung der positiven Diagnose einer Otosklerose
- Für die „Kontroll“-Gruppe: eine erste radiologische Analyse zugunsten eines normalen CT-Scanners des Schläfenbeins und ein erster radiologischer Bericht, der ebenfalls als normal angesehen wird
Ausschlusskriterien * :
- Alter unter 18 Jahren
- Für die Analyse steht kein hochauflösender CT-Scan des Schläfenbeins zur Verfügung
- mangelnde Bereitschaft, an der Studie teilzunehmen
Studienplan
Wie ist die Studie aufgebaut?
Designdetails
Kohorten und Interventionen
Gruppe / Kohorte |
Intervention / Behandlung |
|---|---|
|
FALL
Patienten mit chirurgisch bestätigter Otosklerose, die ursprünglich wegen Schallleitungsschwerhörigkeit mit normaler Otoskopie und einer hochauflösenden Computertomographie des Schläfenbeins konsultiert wurden
|
Jeder CT-Scan wird von einem Radiologen interpretiert und für die Diagnose einer Otosklerose als positiv oder negativ eingestuft
Jeder CT-Scan wird durch den Deep-Learning-Algorithmus überprüft und für die Diagnose einer Otosklerose als positiv oder negativ eingestuft
|
|
KONTROLLE
Zufällige Patienten mit einem hochauflösenden Computertomographie-Scan des Schläfenbeins, der ohne Verdacht auf Otosklerose durchgeführt und als normal angesehen wurde
|
Jeder CT-Scan wird von einem Radiologen interpretiert und für die Diagnose einer Otosklerose als positiv oder negativ eingestuft
Jeder CT-Scan wird durch den Deep-Learning-Algorithmus überprüft und für die Diagnose einer Otosklerose als positiv oder negativ eingestuft
|
Was misst die Studie?
Primäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Diagnoseleistung des Algorithmus der künstlichen Intelligenz im Vergleich zur Diagnoseleistung des Radiologen: Sensitivität, Spezifität, positiver und negativer Vorhersagewert, Fläche unter der ROC-Kurve
Zeitfenster: bis zum Studienabschluss durchschnittlich 5 Monate
|
Diese diagnostischen Leistungen werden anhand der positiven oder negativen Diagnosen des Algorithmus und des Radiologen im Vergleich zum „Fall“- oder „Kontroll“-Status jedes in die Studie einbezogenen Patienten ermittelt
|
bis zum Studienabschluss durchschnittlich 5 Monate
|
Mitarbeiter und Ermittler
Sponsor
Ermittler
- Hauptermittler: Maxime FIEUX, MD, Hospices Civils de Lyon
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
Schlüsselwörter
Zusätzliche relevante MeSH-Bedingungen
Andere Studien-ID-Nummern
- 22-5019 / 69HCL22_1193
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 .