Aplicación del modelo de aprendizaje profundo multitarea para clasificar la gravedad de la degeneración de la articulación facetaria espinal
8 de agosto de 2025 actualizado por: Hai Lv
La osteoartritis de la articulación facetaria espinal es una enfermedad con alta incidencia entre las personas mayores de 40 años.
Es una enfermedad caracterizada por una serie de cambios patológicos degenerativos y manifestaciones clínicas de la membrana sinovial, cartílago articular, hueso subcondral, espacio articular y tejidos accesorios de las articulaciones facetarias espinales bajo la acción de múltiples factores.
Algunos factores fisiológicos o patológicos pueden conducir a la osteoartritis de las articulaciones facetarias espinales.
Los pacientes con osteoartritis de facetas espinales suelen tener diferentes grados de manifestaciones clínicas, como dolor de espalda y discinesia, que afectan significativamente la salud física y mental de los pacientes.
La gravedad de la osteoartritis de la faceta espinal no solo tiene un cierto impacto en el dolor lumbar y los cambios en la densidad muscular de la espalda baja, sino que también afecta el manejo del paciente y el plan de tratamiento.
En la actualidad, diferentes médicos tienen cierta subjetividad en la clasificación de la osteoartritis de la faceta lumbar, y la consistencia y repetibilidad de los resultados son deficientes.
Además, los médicos necesitan leer las imágenes de las imágenes y juzgar la calificación, lo que requiere mucho tiempo y es un trabajo repetitivo.
En los últimos años, los médicos se han preocupado mucho por la aplicación de la tecnología de aprendizaje profundo en el análisis de imágenes médicas.
El aprendizaje profundo tiene grandes beneficios potenciales en el diagnóstico por imágenes médicas.
Puede proporcionar informes semiautomáticos bajo la supervisión de radiólogos, a fin de mejorar la precisión, consistencia, objetividad y rapidez de la evaluación del grado de la enfermedad, y respaldar aún más la toma de decisiones clínicas sobre esta base.
Este proyecto planea desarrollar un sistema inteligente de diagnóstico y clasificación para enfermedades degenerativas de las pequeñas articulaciones de la columna vertebral con múltiples tareas y aprendizaje en profundidad, y verificar su viabilidad clínica, con el objetivo de ayudar a los médicos a mejorar la precisión, consistencia, objetividad y rapidez del diagnóstico. correspondiente evaluación del grado de enfermedad, y apoyar aún más la toma de decisiones clínicas de seguimiento.
Descripción general del estudio
Estado
Activo, no reclutando
Intervención / Tratamiento
Descripción detallada
Este proyecto es un estudio clínico retrospectivo.
de 2019 a 2022, se recopilaron imágenes en formato DICOM e información básica de imágenes de rayos X, TC y RM de pacientes ambulatorios y hospitalizados con sospecha de espalda baja y en el Quinto Hospital Afiliado de la Universidad Sun Yat sen.
Obtenga el modo de imagen DICOM y la sección de información exportará los datos después de que el lote de OA se haya enviado con éxito; La información básica del paciente se recopila del historial médico del paciente hospitalizado.
Se prevé incluir 700 pacientes.
Esos proyectos se dividen aleatoriamente en conjunto de entrenamiento, conjunto de verificación y conjunto de prueba de acuerdo con la proporción de 7: 1.5: 1.5 para el diagnóstico automático del modelo de aprendizaje en profundidad de la computadora para probar la estabilidad y confiabilidad del modelo.
En 700 proyectos, dos médicos junior y dos médicos senior con diez años de experiencia en lectura de películas, respectivamente, tomaron lecturas de clasificación de estenosis articular, hipertrofia, osteofito, erosión de la superficie articular y quiste subcondral.
Los resultados inconsistentes en el grupo de médicos jóvenes fueron decididos conjuntamente por los dos médicos.
El grupo estándar de referencia fue decidido por el grupo de médicos senior.
Al comparar los resultados del diagnóstico de los médicos y los modelos, para evaluar el rendimiento y la viabilidad clínica del modelo de aprendizaje profundo para el diagnóstico automático de la degeneración de la faceta lumbar. Compare los resultados del juicio del médico y la predicción del modelo, y analice estadísticamente el rendimiento del diagnóstico automático de la modelo.
Los indicadores de evaluación del rendimiento incluyen precisión, sensibilidad, especificidad, precisión, recuperación, valor F1 y valor AUC.
El valor F1 y el valor AUC son los principales indicadores para una evaluación integral del rendimiento del modelo.
Cuanto mayor sea el valor de F1 y el valor de AUC, mayor será el rendimiento del modelo.
Tipo de estudio
De observación
Inscripción (Estimado)
1132
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
-
-
Guangdong
-
Zhuhai, Guangdong, Porcelana
- The fifth affiliated hospital of SYSU
-
-
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
Método de muestreo
Muestra no probabilística
Población de estudio
Para los pacientes que reciben un examen por imágenes debido al dolor lumbar, el grado de degeneración de las articulaciones facetarias de los pacientes no es grave.
Retire a los pacientes que cumplan los criterios de exclusión para evitar que la mala calidad de la imagen afecte el juicio.
Descripción
Criterios de inclusión:
- De 2019 a 2022, datos de pacientes que recibieron un examen de imagen lumbar en el Quinto Hospital Afiliado de la Universidad Sun Yat sen
Criterio de exclusión:
- Espondilolistesis lumbar
- Fractura vertebral previa
- Tener antecedentes de cirugía vertebral
- Artefactos severos en imágenes lumbares
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: Otro
- Perspectivas temporales: Retrospectivo
Cohortes e Intervenciones
Grupo / Cohorte |
|---|
|
Grupo de entrenamiento
El 70% de los participantes se dividieron aleatoriamente en grupos de entrenamiento para entrenar el rendimiento de aprendizaje de la máquina.
|
|
Grupo de validación
El 15 % de los participantes se dividió aleatoriamente en grupos de validación para mejorar el rendimiento de aprendizaje de la máquina y evitar el ajuste excesivo.
|
|
Grupo de prueba
El 15 % de los participantes se dividió aleatoriamente en grupos de prueba para probar el rendimiento de aprendizaje de la máquina y sacar conclusiones de la investigación.
|
¿Qué mide el estudio?
Medidas de resultado primarias
Medida de resultado |
Medida Descripción |
Periodo de tiempo |
|---|---|---|
|
Comparar la precisión del modelo de aprendizaje profundo multitarea y los médicos para juzgar la degeneración de las articulaciones facetarias espinales
Periodo de tiempo: 2022.12.01-2023.07.31
|
Se utiliza principalmente para indicar el número de muestras predichas correctamente en el número total de muestras. Positivo verdadero (TP), Negativo falso (FN), Positivo falso (FP), Negativo verdadero (TN). Precisión = (TP + TN) / (TP + FN + FP +TN)
|
2022.12.01-2023.07.31
|
|
Comparar la precisión del modelo de aprendizaje profundo multitarea y los médicos para juzgar la degeneración de las articulaciones facetarias espinales
Periodo de tiempo: 2022.12.01-2023.07.31
|
Verdadero positivo (TP), Falso negativo (FN), Falso positivo (FP), Verdadero negativo (TN). Precisión = TP / (TP + FP)
|
2022.12.01-2023.07.31
|
|
Comparar la sensibilidad del modelo de aprendizaje profundo multitarea y los médicos en la evaluación de la degeneración de la articulación facetaria espinal
Periodo de tiempo: 2022.12.01-2023.07.31
|
Verdadero positivo (TP), Falso negativo (FN), Falso positivo (FP), Verdadero negativo (TN). Sensibilidad = TP / (TP + FN)
|
2022.12.01-2023.07.31
|
|
Comparar la especificidad del modelo de aprendizaje profundo multitarea y los médicos en la evaluación de la degeneración de las articulaciones facetarias espinales
Periodo de tiempo: 2022.12.01-2023.07.31
|
Verdadero positivo (TP), Falso negativo (FN), Falso positivo (FP), Verdadero negativo (TN). Especificidad = TN / (TN + FP)
|
2022.12.01-2023.07.31
|
|
Calcule la puntuación F1 para evaluar la gravedad de la degeneración de las articulaciones facetarias en el modelo de aprendizaje profundo multitarea
Periodo de tiempo: 2022.12.01-2023.07.31
|
La puntuación F1 es un indicador de evaluación importante para la clasificación automática, F1 =2*Precisión*Sensibilidad/(Precisión+Sensibilidad)=2TP/(2TP+FP+FN)
|
2022.12.01-2023.07.31
|
|
ROC (Receiver Operation Characteristic) se denomina curva característica de operación del receptor, que es un índice para evaluar el rendimiento del modelo de aprendizaje profundo
Periodo de tiempo: 2022.12.01-2023.07.31
|
ROC (Característica de funcionamiento del receptor) se denomina curva característica de funcionamiento del receptor.
Cuanto más cerca esté la curva de la esquina superior izquierda, mejor será el clasificador.
El área bajo la curva ROC se llama AUC.
Cuanto mayor sea el AUC, mejor será el efecto de clasificación del clasificador.
|
2022.12.01-2023.07.31
|
Colaboradores e Investigadores
Aquí es donde encontrará personas y organizaciones involucradas en este estudio.
Patrocinador
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)
31 de diciembre de 2022
Finalización primaria (Estimado)
31 de diciembre de 2026
Finalización del estudio (Estimado)
31 de diciembre de 2026
Fechas de registro del estudio
Enviado por primera vez
23 de noviembre de 2022
Primero enviado que cumplió con los criterios de control de calidad
1 de diciembre de 2022
Publicado por primera vez (Actual)
2 de diciembre de 2022
Actualizaciones de registros de estudio
Última actualización publicada (Actual)
13 de agosto de 2025
Última actualización enviada que cumplió con los criterios de control de calidad
8 de agosto de 2025
Última verificación
1 de agosto de 2025
Más información
Términos relacionados con este estudio
Otros números de identificación del estudio
- ZDWY.JZWK.004
Plan de datos de participantes individuales (IPD)
¿Planea compartir datos de participantes individuales (IPD)?
NO
Descripción del plan IPD
Si es necesario, se puede proporcionar
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
producto fabricado y exportado desde los 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. .