Neuartiger neuroradiologischer Workflow für die assistierte Diagnose und Behandlung von Demenz mit künstlicher Intelligenz (DIADEMA)
14. März 2025 aktualisiert von: IRCCS SYNLAB SDN
Identifizieren, Screening und Überwachung von Personen, bei denen das Risiko einer Alzheimer -Krankheit (AD) und Demenz besteht, ist eine gewaltige Herausforderung.
Die Neuroimaging und insbesondere die Magnetresonanztomographie (MRT) sind entscheidend, um die strukturelle Neurodegeneration nachzuweisen.
Aktuelle Quantifizierungsinstrumente beschränken sich jedoch hauptsächlich auf Forschungskontexte und erzielen nicht standardisierte Ergebnisse.
Diadema baut einen systematischen und standardisierten Workflow zur Unterstützung der logischen Diagnose der Neuro (Radio) auf.
Durch die Kombination künstlicher Intelligenz (KI) und maschinelles Lernen (ML) werden wir die klinische Diagnose von AD in der Neuroradiologie erheblich verbessern.
Unsere Haupthypothese ist, dass ein effizienter Workflow und eine damit verbundene höhere diagnostische Genauigkeit erheblich die Kosten für die Gesundheitsversorgung reduzieren, die klinische Entscheidungsfindung unterstützen, zweite Meinungswerkzeuge bieten und die Patientenversorgung verbessern.
Dieser doppelte Fortschritt wird tiefgreifende Auswirkungen auf das Gesundheitssystem haben und einen wichtigen Schritt im Kampf gegen die Alzheimer -Krankheit und die Demenz darstellen.
Studienübersicht
Status
Aktiv, nicht rekrutierend
Bedingungen
Intervention / Behandlung
Studientyp
Beobachtungs
Einschreibung (Geschätzt)
80000
Kontakte und Standorte
Dieser Abschnitt enthält die Kontaktdaten derjenigen, die die Studie durchführen, und Informationen darüber, wo diese Studie durchgeführt wird.
Studienorte
-
-
-
Naples, Italien, 80146
- Irccs Synlab Sdn
-
-
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
Nein
Probenahmeverfahren
Nicht-Wahrscheinlichkeitsprobe
Studienpopulation
Patienten, die in den letzten 20 Jahren eine Magnetresonanz des Gehirns durchführen
Beschreibung
Einschlusskriterien:
- Patienten, die in den letzten 20 Jahren eine Magnetresonanz des Gehirns durchführen
Ausschlusskriterien:
- -
Studienplan
Dieser Abschnitt enthält Einzelheiten zum Studienplan, einschließlich des Studiendesigns und der Messung der Studieninhalte.
Wie ist die Studie aufgebaut?
Designdetails
Was misst die Studie?
Primäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Verbesserung der neuroradiologischen Workflow -Leistung
Zeitfenster: 1-36 Monat
|
ROC -Kurven
|
1-36 Monat
|
Mitarbeiter und Ermittler
Hier finden Sie Personen und Organisationen, die an dieser Studie beteiligt sind.
Sponsor
Ermittler
- Hauptermittler: Marco Aiello, Irccs Synlab Sdn
Publikationen und hilfreiche Links
Die Bereitstellung dieser Publikationen erfolgt freiwillig durch die für die Eingabe von Informationen über die Studie verantwortliche Person. Diese können sich auf alles beziehen, was mit dem Studium zu tun hat.
Allgemeine Veröffentlichungen
- McKhann GM, Knopman DS, Chertkow H, Hyman BT, Jack CR Jr, Kawas CH, Klunk WE, Koroshetz WJ, Manly JJ, Mayeux R, Mohs RC, Morris JC, Rossor MN, Scheltens P, Carrillo MC, Thies B, Weintraub S, Phelps CH. The diagnosis of dementia due to Alzheimer's disease: recommendations from the National Institute on Aging-Alzheimer's Association workgroups on diagnostic guidelines for Alzheimer's disease. Alzheimers Dement. 2011 May;7(3):263-9. doi: 10.1016/j.jalz.2011.03.005. Epub 2011 Apr 21.
- Jack CR Jr, Bennett DA, Blennow K, Carrillo MC, Feldman HH, Frisoni GB, Hampel H, Jagust WJ, Johnson KA, Knopman DS, Petersen RC, Scheltens P, Sperling RA, Dubois B. A/T/N: An unbiased descriptive classification scheme for Alzheimer disease biomarkers. Neurology. 2016 Aug 2;87(5):539-47. doi: 10.1212/WNL.0000000000002923. Epub 2016 Jul 1.
- Hosny A, Parmar C, Quackenbush J, Schwartz LH, Aerts HJWL. Artificial intelligence in radiology. Nat Rev Cancer. 2018 Aug;18(8):500-510. doi: 10.1038/s41568-018-0016-5.
- van Leeuwen KG, Schalekamp S, Rutten MJCM, van Ginneken B, de Rooij M. Artificial intelligence in radiology: 100 commercially available products and their scientific evidence. Eur Radiol. 2021 Jun;31(6):3797-3804. doi: 10.1007/s00330-021-07892-z. Epub 2021 Apr 15.
- Filip AC, Azevedo T, Passamonti L, Toschi N, Lio P. A novel Graph Attention Network Architecture for modeling multimodal brain connectivity. Annu Int Conf IEEE Eng Med Biol Soc. 2020 Jul;2020:1071-1074. doi: 10.1109/EMBC44109.2020.9176613.
- Spasov SE, Passamonti L, Duggento A, Lio P, Toschi N. A Multi-modal Convolutional Neural Network Framework for the Prediction of Alzheimer's Disease. Annu Int Conf IEEE Eng Med Biol Soc. 2018 Jul;2018:1271-1274. doi: 10.1109/EMBC.2018.8512468.
- Spasov S, Passamonti L, Duggento A, Lio P, Toschi N; Alzheimer's Disease Neuroimaging Initiative. A parameter-efficient deep learning approach to predict conversion from mild cognitive impairment to Alzheimer's disease. Neuroimage. 2019 Apr 1;189:276-287. doi: 10.1016/j.neuroimage.2019.01.031. Epub 2019 Jan 14.
- Esteban O, Birman D, Schaer M, Koyejo OO, Poldrack RA, Gorgolewski KJ. MRIQC: Advancing the automatic prediction of image quality in MRI from unseen sites. PLoS One. 2017 Sep 25;12(9):e0184661. doi: 10.1371/journal.pone.0184661. eCollection 2017.
- Archetti D, Young AL, Oxtoby NP, Ferreira D, Martensson G, Westman E, Alexander DC, Frisoni GB, Redolfi A; for Alzheimer's Disease Neuroimaging Initiative and EuroPOND Consortium. Inter-Cohort Validation of SuStaIn Model for Alzheimer's Disease. Front Big Data. 2021 May 20;4:661110. doi: 10.3389/fdata.2021.661110. eCollection 2021.
- Redolfi A, De Francesco S, Palesi F, Galluzzi S, Muscio C, Castellazzi G, Tiraboschi P, Savini G, Nigri A, Bottini G, Bruzzone MG, Ramusino MC, Ferraro S, Gandini Wheeler-Kingshott CAM, Tagliavini F, Frisoni GB, Ryvlin P, Demonet JF, Kherif F, Cappa SF, D'Angelo E. Medical Informatics Platform (MIP): A Pilot Study Across Clinical Italian Cohorts. Front Neurol. 2020 Sep 23;11:1021. doi: 10.3389/fneur.2020.01021. eCollection 2020.
- Ribaldi F, Altomare D, Jovicich J, Ferrari C, Picco A, Pizzini FB, Soricelli A, Mega A, Ferretti A, Drevelegas A, Bosch B, Muller BW, Marra C, Cavaliere C, Bartres-Faz D, Nobili F, Alessandrini F, Barkhof F, Gros-Dagnac H, Ranjeva JP, Wiltfang J, Kuijer J, Sein J, Hoffmann KT, Roccatagliata L, Parnetti L, Tsolaki M, Constantinidis M, Aiello M, Salvatore M, Montalti M, Caulo M, Didic M, Bargallo N, Blin O, Rossini PM, Schonknecht P, Floridi P, Payoux P, Visser PJ, Bordet R, Lopes R, Tarducci R, Bombois S, Hensch T, Fiedler U, Richardson JC, Frisoni GB, Marizzoni M. Accuracy and reproducibility of automated white matter hyperintensities segmentation with lesion segmentation tool: A European multi-site 3T study. Magn Reson Imaging. 2021 Feb;76:108-115. doi: 10.1016/j.mri.2020.11.008. Epub 2020 Nov 19.
- Morid MA, Borjali A, Del Fiol G. A scoping review of transfer learning research on medical image analysis using ImageNet. Comput Biol Med. 2021 Jan;128:104115. doi: 10.1016/j.compbiomed.2020.104115. Epub 2020 Nov 13.
- Bao S, Boyd BD, Kanakaraj P, Ramadass K, Meyer FAC, Liu Y, Duett WE, Huo Y, Lyu I, Zald DH, Smith SA, Rogers BP, Landman BA. Integrating the BIDS Neuroimaging Data Format and Workflow Optimization for Large-Scale Medical Image Analysis. J Digit Imaging. 2022 Dec;35(6):1576-1589. doi: 10.1007/s10278-022-00679-8. Epub 2022 Aug 3.
- Rajput D, Wang WJ, Chen CC. Evaluation of a decided sample size in machine learning applications. BMC Bioinformatics. 2023 Feb 14;24(1):48. doi: 10.1186/s12859-023-05156-9.
- Boccardi M, Altomare D, Ferrari C, Festari C, Guerra UP, Paghera B, Pizzocaro C, Lussignoli G, Geroldi C, Zanetti O, Cotelli MS, Turla M, Borroni B, Rozzini L, Mirabile D, Defanti C, Gennuso M, Prelle A, Gentile S, Morandi A, Vollaro S, Volta GD, Bianchetti A, Conti MZ, Cappuccio M, Carbone P, Bellandi D, Abruzzi L, Bettoni L, Villani D, Raimondi MC, Lanari A, Ciccone A, Facchi E, Di Fazio I, Rozzini R, Boffelli S, Manzoni L, Salvi GP, Cavaliere S, Belotti G, Avanzi S, Pasqualetti P, Muscio C, Padovani A, Frisoni GB; Incremental Diagnostic Value of Amyloid PET With [18F]-Florbetapir (INDIA-FBP) Working Group. Assessment of the Incremental Diagnostic Value of Florbetapir F 18 Imaging in Patients With Cognitive Impairment: The Incremental Diagnostic Value of Amyloid PET With [18F]-Florbetapir (INDIA-FBP) Study. JAMA Neurol. 2016 Dec 1;73(12):1417-1424. doi: 10.1001/jamaneurol.2016.3751.
- Teipel S, Grothe MJ; Alzheimer's Disease Neuroimaging Initiative. MRI-based basal forebrain atrophy and volumetric signatures associated with limbic TDP-43 compared to Alzheimer's disease pathology. Neurobiol Dis. 2023 May;180:106070. doi: 10.1016/j.nbd.2023.106070. Epub 2023 Mar 8.
- De Francesco S, Galluzzi S, Vanacore N, Festari C, Rossini PM, Cappa SF, Frisoni GB, Redolfi A. Norms for Automatic Estimation of Hippocampal Atrophy and a Step Forward for Applicability to the Italian Population. Front Neurosci. 2021 Jun 28;15:656808. doi: 10.3389/fnins.2021.656808. eCollection 2021.
- Qiu S, Miller MI, Joshi PS, Lee JC, Xue C, Ni Y, Wang Y, De Anda-Duran I, Hwang PH, Cramer JA, Dwyer BC, Hao H, Kaku MC, Kedar S, Lee PH, Mian AZ, Murman DL, O'Shea S, Paul AB, Saint-Hilaire MH, Alton Sartor E, Saxena AR, Shih LC, Small JE, Smith MJ, Swaminathan A, Takahashi CE, Taraschenko O, You H, Yuan J, Zhou Y, Zhu S, Alosco ML, Mez J, Stein TD, Poston KL, Au R, Kolachalama VB. Multimodal deep learning for Alzheimer's disease dementia assessment. Nat Commun. 2022 Jun 20;13(1):3404. doi: 10.1038/s41467-022-31037-5.
- Faggioni L, Coppola F, Ferrari R, Neri E, Regge D. Usage of structured reporting in radiological practice: results from an Italian online survey. Eur Radiol. 2017 May;27(5):1934-1943. doi: 10.1007/s00330-016-4553-6. Epub 2016 Aug 29.
- Bosco P, Redolfi A, Bocchetta M, Ferrari C, Mega A, Galluzzi S, Austin M, Chincarini A, Collins DL, Duchesne S, Marechal B, Roche A, Sensi F, Wolz R, Alegret M, Assal F, Balasa M, Bastin C, Bougea A, Emek-Savas DD, Engelborghs S, Grimmer T, Grosu G, Kramberger MG, Lawlor B, Mandic Stojmenovic G, Marinescu M, Mecocci P, Molinuevo JL, Morais R, Niemantsverdriet E, Nobili F, Ntovas K, O'Dwyer S, Paraskevas GP, Pelini L, Picco A, Salmon E, Santana I, Sotolongo-Grau O, Spiru L, Stefanova E, Popovic KS, Tsolaki M, Yener GG, Zekry D, Frisoni GB. The impact of automated hippocampal volumetry on diagnostic confidence in patients with suspected Alzheimer's disease: A European Alzheimer's Disease Consortium study. Alzheimers Dement. 2017 Sep;13(9):1013-1023. doi: 10.1016/j.jalz.2017.01.019. Epub 2017 Mar 3.
- Buchlak QD, Milne MR, Seah J, Johnson A, Samarasinghe G, Hachey B, Esmaili N, Tran A, Leveque JC, Farrokhi F, Goldschlager T, Edelstein S, Brotchie P. Charting the potential of brain computed tomography deep learning systems. J Clin Neurosci. 2022 May;99:217-223. doi: 10.1016/j.jocn.2022.03.014. Epub 2022 Mar 12.
- Redolfi A, Archetti D, De Francesco S, Crema C, Tagliavini F, Lodi R, Ghidoni R, Gandini Wheeler-Kingshott CAM, Alexander DC, D'Angelo E. Italian, European, and international neuroinformatics efforts: An overview. Eur J Neurosci. 2023 Jun;57(12):2017-2039. doi: 10.1111/ejn.15854. Epub 2022 Dec 14.
- Kwee TC, Kwee RM. Workload of diagnostic radiologists in the foreseeable future based on recent scientific advances: growth expectations and role of artificial intelligence. Insights Imaging. 2021 Jun 29;12(1):88. doi: 10.1186/s13244-021-01031-4.
- Aiello M, Cavaliere C, D'Albore A, Salvatore M. The Challenges of Diagnostic Imaging in the Era of Big Data. J Clin Med. 2019 Mar 6;8(3):316. doi: 10.3390/jcm8030316.
- Aiello M, Esposito G, Pagliari G, Borrelli P, Brancato V, Salvatore M. How does DICOM support big data management? Investigating its use in medical imaging community. Insights Imaging. 2021 Nov 8;12(1):164. doi: 10.1186/s13244-021-01081-8.
- Jonsson L, Tate A, Frisell O, Wimo A. The Costs of Dementia in Europe: An Updated Review and Meta-analysis. Pharmacoeconomics. 2023 Jan;41(1):59-75. doi: 10.1007/s40273-022-01212-z. Epub 2022 Nov 15.
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)
30. August 2024
Primärer Abschluss (Geschätzt)
30. Dezember 2025
Studienabschluss (Geschätzt)
31. August 2027
Studienanmeldedaten
Zuerst eingereicht
10. März 2025
Zuerst eingereicht, das die QC-Kriterien erfüllt hat
10. März 2025
Zuerst gepostet (Tatsächlich)
25. März 2025
Studienaufzeichnungsaktualisierungen
Letztes Update gepostet (Tatsächlich)
25. März 2025
Letztes eingereichtes Update, das die QC-Kriterien erfüllt
14. März 2025
Zuletzt verifiziert
1. März 2025
Mehr Informationen
Begriffe im Zusammenhang mit dieser Studie
Schlüsselwörter
Zusätzliche relevante MeSH-Bedingungen
Andere Studien-ID-Nummern
- 1/24
Plan für individuelle Teilnehmerdaten (IPD)
Planen Sie, individuelle Teilnehmerdaten (IPD) zu teilen?
NEIN
Arzneimittel- und Geräteinformationen, Studienunterlagen
Studiert ein von der US-amerikanischen FDA reguliertes Arzneimittelprodukt
Nein
Studiert ein von der US-amerikanischen FDA reguliertes Geräteprodukt
Nein
Produkt, das in den USA hergestellt und aus den USA exportiert wird
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 .