Esta página se tradujo automáticamente y no se garantiza la precisión de la traducción. por favor refiérase a versión inglesa para un texto fuente.

Aprendizaje profundo aplicado a la vigilancia radiográfica simple de abdomen después de la reparación endovascular de un aneurisma (REVA) de un aneurisma aórtico abdominal (AAA) (DeepLearn)

4 de agosto de 2020 actualizado por: Liverpool University Hospitals NHS Foundation Trust
Deep learning aplicado a la vigilancia radiográfica simple de abdomen después de la Reparación Endovascular de Aneurisma (EVAR) de Aneurisma de Aorta Abdominal (AAA).

Descripción general del estudio

Estado

Desconocido

Descripción detallada

El aneurisma aórtico abdominal (AAA) es una afección en la que la aorta abdominal, una arteria grande, se dilata gradualmente, como consecuencia de un proceso degenerativo dentro de su pared. Esto puede conducir a la ruptura de la pared debilitada con posterior exanguinación en el abdomen. Este escenario suele ser fatal. El diámetro del aneurisma se correlaciona positivamente con el riesgo de ruptura. Por lo tanto, el tamaño del aneurisma es el principal determinante cuando se considera reparar o no los AAA de forma electiva.

La reparación endovascular de aneurismas (REVA) se ha convertido en el tratamiento estándar para los AAA en la gran mayoría de los pacientes. Es una técnica mínimamente invasiva que tiene como objetivo excluir el aneurisma de la circulación mediante la colocación de un "injerto de stent" sintético dentro de la luz aórtica. Las púas metálicas y la fuerza radial mantienen la posición de la endoprótesis cubierta en la aorta no aneurismática por encima del aneurisma, así como en las arterias ilíacas por debajo del aneurisma.

La evidencia de nivel 1 ha demostrado consistentemente una mejor supervivencia perioperatoria con EVAR en comparación con la cirugía abierta tradicional. Sin embargo, existen preocupaciones con respecto a la durabilidad a largo plazo de las endoprótesis cubiertas EVAR, con 1 de cada 5 pacientes que requieren cirugía adicional para el aneurisma en los 5 años posteriores a la operación. Esto se debe a menudo a la falla de la posición y la integridad de la endoprótesis cubierta. Por lo tanto, la práctica internacional estándar es mantener a los pacientes en vigilancia de por vida después de la REVA. Esto suele ser en forma de radiografías simples en combinación con tomografía computarizada (TC) o ecografías dúplex, todas realizadas anualmente.

Los injertos de stent son visibles en radiografías simples del abdomen y, al comparar series de imágenes tomadas a lo largo del tiempo, es posible diagnosticar una miríada de problemas de injertos de stent, incluida la migración, la desintegración y la distorsión. Pero estos cambios pueden ser sutiles en radiografías simples y difíciles de detectar, incluso para el ojo humano más entrenado. Como resultado, los pacientes se someten a exploraciones más detalladas que, lamentablemente, conllevan un riesgo de nefrotoxicidad y malignidad inducida por la radiación.

El objetivo de nuestra investigación es mejorar el potencial de diagnóstico de las radiografías simples mediante la aplicación de modernos algoritmos informáticos de aprendizaje profundo para la interpretación.

La inteligencia artificial (IA) en forma de aprendizaje profundo ha demostrado un gran éxito en los últimos años en numerosos problemas desafiantes. El éxito del aprendizaje profundo se basa en gran medida en los avances en potentes unidades de procesamiento de gráficos (GPU). Las GPU nos permiten acelerar los algoritmos de entrenamiento en órdenes de magnitud, reduciendo los tiempos de ejecución de semanas a días.

Nuestro estudio explorará el uso de la inteligencia artificial en la interpretación de series de radiografías simples anonimizadas para identificar las características de un injerto de stent fallido.

Se aplicará un algoritmo de aprendizaje profundo a las radiografías simples post-EVAR que ya se han realizado en nuestra institución en Inglaterra durante los últimos 10 años. Luego compararemos la efectividad de la máquina para identificar problemas relacionados con el injerto de stent con los resultados conocidos identificados previamente por interpretación humana.

Este proyecto se basará en avances recientes en técnicas de aprendizaje profundo. Se espera que el aprendizaje profundo brinde un buen rendimiento para la vigilancia EVAR en línea con su aplicación exitosa en dominios como el reconocimiento de dígitos, caracteres chinos y señales de tránsito donde las computadoras han producido una mayor precisión que los humanos.

Tipo de estudio

De observación

Inscripción (Anticipado)

800

Contactos y Ubicaciones

Esta sección proporciona los datos de contacto de quienes realizan el estudio e información sobre dónde se lleva a cabo este estudio.

Ubicaciones de estudio

    • Merseyside
      • Liverpool, Merseyside, Reino Unido, L7 8TX
        • University of Liverpool

Criterios de participación

Los investigadores buscan personas que se ajusten a una determinada descripción, denominada criterio de elegibilidad. Algunos ejemplos de estos criterios son el estado de salud general de una persona o tratamientos previos.

Criterio de elegibilidad

Edades elegibles para estudiar

  • Niño
  • Adulto
  • Adulto Mayor

Acepta Voluntarios Saludables

No

Géneros elegibles para el estudio

Todos

Método de muestreo

Muestra no probabilística

Población de estudio

Pacientes (aproximadamente n = 800) que se han sometido a EVAR en el Royal Liverpool University Hospital entre 2005 y 2013.

Descripción

Criterios de inclusión:

  • Pacientes que se han sometido a EVAR en el Royal Liverpool University Hospital entre 2005 y 2013.
  • Pacientes que fueron tratados por AAA infrarrenales estándar.
  • Pacientes que están en nuestro programa de vigilancia postoperatoria y se les han realizado 5 radiografías simples de abdomen hasta la fecha.

Criterio de exclusión:

  • Ninguno

Plan de estudios

Esta sección proporciona detalles del plan de estudio, incluido cómo está diseñado el estudio y qué mide el estudio.

¿Cómo está diseñado el estudio?

Detalles de diseño

  • Modelos observacionales: Solo caso
  • Perspectivas temporales: Retrospectivo

¿Qué mide el estudio?

Medidas de resultado primarias

Medida de resultado
Medida Descripción
Periodo de tiempo
Precisión de diagnóstico
Periodo de tiempo: 1-10 años
La precisión diagnóstica del algoritmo basado en el aprendizaje profundo en comparación con la interpretación humana capacitada en la detección de la migración, la desintegración y la distorsión del injerto de stent en las radiografías simples después de la EVAR.
1-10 años

Colaboradores e Investigadores

Aquí es donde encontrará personas y organizaciones involucradas en este estudio.

Investigadores

  • Investigador principal: Srinivasa Rao Vallabhaneni, MD, FRCS, Royal Liverpool University Hospital NH STrust

Fechas de registro del estudio

Estas fechas rastrean el progreso del registro del estudio y los envíos de resultados resumidos a ClinicalTrials.gov. Los registros del estudio y los resultados informados son revisados ​​por la Biblioteca Nacional de Medicina (NLM) para asegurarse de que cumplan con los estándares de control de calidad específicos antes de publicarlos en el sitio web público.

Fechas importantes del estudio

Inicio del estudio (Actual)

1 de octubre de 2019

Finalización primaria (Anticipado)

15 de octubre de 2020

Finalización del estudio (Anticipado)

31 de diciembre de 2020

Fechas de registro del estudio

Enviado por primera vez

4 de agosto de 2020

Primero enviado que cumplió con los criterios de control de calidad

4 de agosto de 2020

Publicado por primera vez (Actual)

7 de agosto de 2020

Actualizaciones de registros de estudio

Última actualización publicada (Actual)

7 de agosto de 2020

Última actualización enviada que cumplió con los criterios de control de calidad

4 de agosto de 2020

Última verificación

1 de agosto de 2019

Más información

Términos relacionados con este estudio

Información sobre medicamentos y dispositivos, documentos del estudio

Estudia un producto farmacéutico regulado por la FDA de EE. UU.

No

Estudia un producto de dispositivo regulado por la FDA de EE. UU.

No

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 Aneurisma aórtico abdominal

3
Suscribir