- ICH GCP
- Registro de ensayos clínicos de EE. UU.
- Ensayo clínico NCT02932176
Aprendizaje automático para estudios vasculares portátiles (DopplerZAM)
Desarrollo y validación de un nuevo algoritmo de aprendizaje automático para ayudar en el diagnóstico vascular portátil
El uso de "estetoscopios" arteriales portátiles (dispositivos Doppler de onda continua) es omnipresente en la práctica clínica. Sin embargo, la mayoría de los usuarios no han recibido capacitación formal en su uso o interpretación de los datos devueltos. Esto conduce a retrasos en el diagnóstico y errores en el diagnóstico.
Los investigadores tienen la intención de crear un nuevo algoritmo de aprendizaje automático para ayudar a los médicos en el uso de estos datos. Este estudio permitirá a los investigadores recopilar archivos de sonido del uso de los dispositivos y comparar los resultados de los algoritmos con las pruebas vasculares establecidas y existentes. No habrá procedimientos invasivos y el uso de estos estetoscopios es parte de la atención clínica de rutina.
Si tiene éxito, estos datos y algoritmo se implementarán más tarde a través de una aplicación de teléfono inteligente para pruebas puntuales en un estudio separado.
Descripción general del estudio
Estado
Condiciones
Intervención / Tratamiento
Descripción detallada
Hay tres tareas de investigación principales para este proyecto: 1) la identificación de características discriminantes del audio Doppler para la clasificación de pacientes, 2) la selección y entrenamiento de algoritmos de clasificación, y 3) el enriquecimiento de datos de audio CWD utilizando modelos basados en la física. Los investigadores determinarán qué características discriminantes son óptimas para la clasificación de pacientes a partir del audio de ultrasonido Doppler.
Con este fin, los investigadores emplearán características de la señal en el dominio de la frecuencia, como el ancho de banda, la frecuencia máxima, la potencia media, la frecuencia media y la distorsión armónica temporal, entre otras.
Además, los investigadores investigarán si las características del dominio del tiempo son necesarias para una clasificación precisa del sonido. Otros estudios han demostrado que las características específicas de las formas de onda de audio pueden clasificar los datos. Los investigadores emplearán algunos de los algoritmos de aprendizaje automático más efectivos para la clasificación, como SVM, regresión logística y Naïve Bayes, entre otros. Los investigadores comenzarán con un problema de clasificación binaria en el que los individuos se clasificarán como saludables o no saludables. Luego, los investigadores avanzarán en complejidad a problemas de clasificación de múltiples clases en los que los individuos se clasificarán en diferentes grupos de acuerdo con condiciones arteriales anormales definidas. Enriquecimiento de datos utilizando modelos basados en la física que emplean modelos de elementos finitos fisiológicamente precisos del flujo de fluidos en las arterias para generar señales de sonido sintéticas correspondientes a diversas condiciones arteriales. Las simulaciones basadas en la física permitirían a los investigadores producir una gran cantidad de datos de entrenamiento que pueden abarcar muchas afecciones arteriales conocidas. Esta capacidad puede aumentar la precisión de la clasificación y la generalización de nuestros algoritmos, ya que los datos clínicos pueden no ser lo suficientemente exhaustivos para incorporar todas las afecciones arteriales conocidas. Los investigadores estudiarán el rendimiento de los algoritmos entrenados en los datos de los pacientes. Con este fin, los investigadores dividirán los datos en muestras de entrenamiento y prueba. Las muestras de entrenamiento se utilizarán para el entrenamiento de los algoritmos, mientras que el conjunto de pruebas se utilizará para evaluar la capacidad de generalización. Los investigadores calcularán las tasas de clasificación errónea para cada algoritmo como una métrica de rendimiento.
Tipo de estudio
Inscripción (Estimado)
Contactos y Ubicaciones
Ubicaciones de estudio
-
-
North Carolina
-
Durham, North Carolina, Estados Unidos, 27710
- Duke University Medical Center
-
-
Criterios de participación
Criterio de elegibilidad
Edades elegibles para estudiar
- Niño
- Adulto
- Adulto Mayor
Acepta Voluntarios Saludables
Método de muestreo
Población de estudio
Descripción
Criterios de inclusión:
- Debe estar presente una solicitud clínicamente impulsada para pruebas vasculares no invasivas.
Criterio de exclusión:
- Ninguno (aparte de que el paciente se niega a participar)
Plan de estudios
¿Cómo está diseñado el estudio?
Detalles de diseño
- Modelos observacionales: Grupo
- Perspectivas temporales: Futuro
Cohortes e Intervenciones
Grupo / Cohorte |
Intervención / Tratamiento |
---|---|
Pruebas vasculares no invasivas
Todos los pacientes que se sometan a pruebas vasculares no invasivas serán elegibles para este estudio.
Los resultados oficiales se utilizarán para desarrollar el algoritmo y evaluar la precisión del algoritmo.
|
Los resultados de las pruebas vasculares no invasivas clínicamente indicadas se utilizarán para desarrollar un algoritmo de aprendizaje automático
Otros nombres:
|
¿Qué mide el estudio?
Medidas de resultado primarias
Medida de resultado |
Periodo de tiempo |
---|---|
Clasificación Doppler generada por algoritmo
Periodo de tiempo: 1 año
|
1 año
|
Medidas de resultado secundarias
Medida de resultado |
Periodo de tiempo |
---|---|
Presencia o ausencia de pulso
Periodo de tiempo: 1 año
|
1 año
|
Calidad del pulso
Periodo de tiempo: 1 año
|
1 año
|
Presencia o ausencia de señal Doppler
Periodo de tiempo: 1 año
|
1 año
|
Calidad de la señal Doppler
Periodo de tiempo: 1 año
|
1 año
|
Colaboradores e Investigadores
Patrocinador
Fechas de registro del estudio
Fechas importantes del estudio
Inicio del estudio (Actual)
Finalización primaria (Estimado)
Finalización del estudio (Estimado)
Fechas de registro del estudio
Enviado por primera vez
Primero enviado que cumplió con los criterios de control de calidad
Publicado por primera vez (Estimado)
Actualizaciones de registros de estudio
Última actualización publicada (Actual)
Última actualización enviada que cumplió con los criterios de control de calidad
Última verificación
Más información
Términos relacionados con este estudio
Palabras clave
Términos MeSH relevantes adicionales
Otros números de identificación del estudio
- Pro00070090
Plan de datos de participantes individuales (IPD)
¿Planea compartir datos de participantes individuales (IPD)?
Información sobre medicamentos y dispositivos, documentos del estudio
Estudia un producto farmacéutico regulado por la FDA de EE. UU.
Estudia un producto de dispositivo regulado por la FDA de EE. UU.
Esta información se obtuvo directamente del sitio web clinicaltrials.gov sin cambios. Si tiene alguna solicitud para cambiar, eliminar o actualizar los detalles de su estudio, comuníquese con register@clinicaltrials.gov. Tan pronto como se implemente un cambio en clinicaltrials.gov, también se actualizará automáticamente en nuestro sitio web. .
Ensayos clínicos sobre Heridas y Lesiones
-
UNC Lineberger Comprehensive Cancer CenterNational Cancer Institute (NCI); Food and Drug Administration (FDA)Aún no reclutandoUso de Little Cigars and Cigarrillos (LCC)Estados Unidos
-
Bambino Gesù Hospital and Research InstituteTerminadoObesidad Pediátrica Severa (IMC > 97° pc -Según Centers for Disease Control and Prevention IMC Charts-) | Pruebas de función hepática alterada | Intolerancia glucémicaItalia