Detection of Systemic Diseases Such as Hepatobiliary Diseases From Ocular Images Via Deep Learning
11. Mai 2026 aktualisiert von: Zhongshan Ophthalmic Center, Sun Yat-sen University
Oculomics is an emerging interdisciplinary field that deciphers multi-dimensional, high-throughput ocular data to predict, diagnose, and monitor systemic diseases and health span.In recent years, artificial Intelligence may provide insight into exploring the potential covert association behind and reveal some early ocular architecture changes in individuals with systemic diseases.
The investigators conducted a survey to explore the association between the eye and systemic diseases via deep learning, to develop and evaluate different deep learning models to predict the systemic diseases such as hepatobiliary disease by using ocular images.
Studienübersicht
Status
Abgeschlossen
Bedingungen
Intervention / Behandlung
Studientyp
Beobachtungs
Einschreibung (Tatsächlich)
775
Kontakte und Standorte
Dieser Abschnitt enthält die Kontaktdaten derjenigen, die die Studie durchführen, und Informationen darüber, wo diese Studie durchgeführt wird.
Studienorte
-
-
Guangdong
-
Guangzhou, Guangdong, China, 510000
- Zhongshan Ophthalmic Center, Sun Yat-sen Univerisity
-
-
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
- Erwachsene
- Älterer Erwachsener
Akzeptiert gesunde Freiwillige
Ja
Probenahmeverfahren
Wahrscheinlichkeitsstichprobe
Studienpopulation
ocular images collected from the Third Affiliated Hospital of Sun Yat-sen University and Pazhou Medical Centre of Aikang Health Care
Beschreibung
Inclusion Criteria:
- The quality of ocular images should clinical acceptable.
- Complete clinical information such as baseline demographic characteristics, the history of systematic diseases and so on.
Exclusion Criteria:
- Individuals diagnosed with severe eye diseases or acute systematic diseases.
- Incompatible with ocular examinations.
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 |
Intervention / Behandlung |
|---|---|
|
development dataset 01
ocular images collected from the Third Affiliated Hospital of Sun Yat-sen University
|
The training dataset was used to train the deep learning model, which was validated and tested by the other two datasets.
|
|
development dataset 02
ocular images collected from Pazhou Medical Centre of Aikang Health Care
|
The training dataset was used to train the deep learning model, which was validated and tested by the other two datasets.
|
|
test dataset 01
ocular images collected from the Third Affiliated Hospital of Sun Yat-sen University
|
The training dataset was used to train the deep learning model, which was validated and tested by the other two datasets.
|
|
test dataset 02
ocular images collected from Pazhou Medical Centre of Aikang Health Care
|
The training dataset was used to train the deep learning model, which was validated and tested by the other two datasets.
|
Was misst die Studie?
Primäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Fläche unter der Empfängerbetriebskennlinie des Deep-Learning-Systems
Zeitfenster: Grundlinie
|
Die Ermittler werden die Fläche unter der Empfängerbetriebskennlinie des Deep-Learning-Systems berechnen und diesen Index zwischen Deep-Learning-System und menschlichen Ärzten vergleichen
|
Grundlinie
|
Sekundäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
sensitivity of the deep learning system
Zeitfenster: baseline
|
The investigators will calculate the sensitivity of deep learning system and compare this index between deep learning system and human doctors
|
baseline
|
|
specificity of the deep learning system
Zeitfenster: baseline
|
The investigators will calculate the specifity of deep learning system and compare this index between deep learning system and human doctors
|
baseline
|
Mitarbeiter und Ermittler
Hier finden Sie Personen und Organisationen, die an dieser Studie beteiligt sind.
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)
10. April 2020
Primärer Abschluss (Tatsächlich)
30. Juli 2024
Studienabschluss (Tatsächlich)
30. Juli 2024
Studienanmeldedaten
Zuerst eingereicht
6. Mai 2026
Zuerst eingereicht, das die QC-Kriterien erfüllt hat
6. Mai 2026
Zuerst gepostet (Tatsächlich)
12. Mai 2026
Studienaufzeichnungsaktualisierungen
Letztes Update gepostet (Tatsächlich)
14. Mai 2026
Letztes eingereichtes Update, das die QC-Kriterien erfüllt
11. Mai 2026
Zuletzt verifiziert
1. Mai 2026
Mehr Informationen
Begriffe im Zusammenhang mit dieser Studie
Zusätzliche relevante MeSH-Bedingungen
Andere Studien-ID-Nummern
- 2019KYPJ163
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
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 Systemische Erkrankungen
-
University of ArkansasBeendetPädiatrische Patienten mit SIRS (Systemic Inflammatory Response Syndrome)Vereinigte Staaten