Tämä sivu käännettiin automaattisesti, eikä käännösten tarkkuutta voida taata. Katso englanninkielinen versio lähdetekstiä varten.

Deep Learning Algorithm for the Diagnosis of Gastrointestinal Diseases Depending on Tongue Images

lauantai 20. maaliskuuta 2021 päivittänyt: Xiuli Zuo, Shandong University
The purpose of this study is to analysize the relationship between the characteristics of tongue image and the diagnosis of gastrointestinal diseases , then develop and validate a deep learning algorithm for the diagnosis of gastrointestinal diseases depending on tongue images, so as to improve the objectiveness and intelligence of tongue diagnosis. At the same time, gastrointestinal flora of common tongue images were analyzed in order to provide a microecological basis for understanding the relationship between tongue images and digestive tract diseases.

Tutkimuksen yleiskatsaus

Tila

Tila

Ilmaisee nykyisen rekrytointitilan tai laajennetun pääsyn tilan.
Tuntematon

Ehdot

Ehdot

Sairaus, häiriö, oireyhtymä, sairaus tai vamma, jota tutkitaan. Sivustolla ClinicalTrials.gov olosuhteet voivat sisältää myös muita terveyteen liittyviä kysymyksiä, kuten elinikää, elämänlaatua ja terveysriskejä.

Yksityiskohtainen kuvaus

Tongue diagnosis is an important part of traditional Chinese medicine.According to traditional Chinese medicine theory,health condition can assessed by observing tougue features,including color, gloss, shape and coating of the tongue, tongue features reflect gastric mucosal state, disease classification and prognosis. Recently, deep learning based on central neural networks (CNN) has shownTongue diagnosis is an important part of traditional Chinese medicine.According to traditional Chinese medicine theory,health condition can assessed by observing tougue features,including color, gloss, shape and coating of the tongue, tongue features reflect gastric mucosal state, disease classification and prognosis. Recently, deep learning based on central neural networks (CNN) has shown multiple potential in detecting and diagnosing gastrointestinal diseases. However, there is still a blank in recognition of gastrointestinal diseases .This study aims to develop and validate a deep learning algorithm for the diagnosis of digestive tract diseases depending on tongue images,and analyze gastrointestinal flora of common tongue images.

Opintotyyppi

Opintotyyppi

Kuvaa kliinisen tutkimuksen luonnetta. Tutkimustyyppejä ovat interventiotutkimukset (kutsutaan myös kliinisiksi kokeiksi), havaintotutkimukset (mukaan lukien potilasrekisterit) ja laajennettu pääsy.
Havainnollistava

Ilmoittautuminen (Odotettu)

Ilmoittautuminen

Kliinisen tutkimuksen osallistujien määrä. "Odotettu" ilmoittautuminen on tavoitemäärä osallistujia, jonka tutkijat tarvitsevat tutkimukseen.
2000

Yhteystiedot ja paikat

Tässä osiossa on tutkimuksen suorittajien yhteystiedot ja tiedot siitä, missä tämä tutkimus suoritetaan.

Opiskelupaikat

  • Kiina
    • Shandong
      • Jinan, Shandong, Kiina, 250012
        • Qilu Hospital, Shandong University

Osallistumiskriteerit

Tutkijat etsivät ihmisiä, jotka sopivat tiettyyn kuvaukseen, jota kutsutaan kelpoisuuskriteereiksi. Joitakin esimerkkejä näistä kriteereistä ovat henkilön yleinen terveydentila tai aiemmat hoidot.

Kelpoisuusvaatimukset

Kelpoisuusvaatimukset

Keskeiset vaatimukset, jotka ihmisten, jotka haluavat osallistua kliiniseen tutkimukseen, on täytettävä tai ominaisuudet, jotka heillä on oltava. Kelpoisuuskriteerit koostuvat sekä osallistumiskriteereistä (jotka vaaditaan, jotta henkilö voi osallistua tutkimukseen) että poissulkemisperusteista (jotka estävät henkilöä osallistumasta). Kelpoisuuskriteerityyppejä ovat muun muassa se, otetaanko tutkimukseen terveitä vapaaehtoisia, onko ikä- tai ikäryhmävaatimuksia vai sukupuolen mukaan rajoitettu.

Opintokelpoiset iät

18 vuotta - 80 vuotta (Aikuinen, Vanhempi Aikuinen)

Hyväksyy terveitä vapaaehtoisia

Joo

Sukupuolet, jotka voivat opiskella

Kaikki

Näytteenottomenetelmä

Ei-todennäköisyysnäyte

Tutkimusväestö

Patients aged 18 - 80 years undergoing endoscopic examination

Kuvaus

Inclusion Criteria:

  • Patients aged 18 - 80 years undergoing endoscopic examination;patients gave informed consent and signed informed consent.

Exclusion Criteria:

-

Opintosuunnitelma

Tässä osiossa on tietoja tutkimussuunnitelmasta, mukaan lukien kuinka tutkimus on suunniteltu ja mitä tutkimuksella mitataan.

Miten tutkimus on suunniteltu?

Suunnittelun yksityiskohdat

Kohortit ja interventiot

Ryhmä/Kohortti

Ryhmä/Kohortti

Ryhmä tai alaryhmä havainnointitutkimuksen osallistujia, jonka biolääketieteelliset tai terveydelliset tulokset arvioidaan.
deep learning algorithm group
Before patients going through colonoscopy or gastroscopy ,taking them tongue images and collecting basic information by mobile phone with Anymed.After examination,endoscopic report and histology analysis is collected .Categorizing the images by gastrointestinal diseases，developing and validating a deep learning algorithm for the diagnosis of digestive tract diseases depending on tongue images.Extracting tougue coating,gastric mucosa and stool DNA by high-throughput sequencing,and analyzing their composation,adundance and diversity.

Mitä tutkimuksessa mitataan?

Ensisijaiset tulostoimenpiteet

Ensisijaiset tulostoimenpiteet

Kliinisen tutkimuksen protokollassa suunniteltu tulosmittaus, joka on tärkein toimenpiteen/hoidon vaikutuksen arvioinnissa. Useimmilla kliinisillä tutkimuksilla on yksi ensisijainen tulosmittaus, mutta joissakin on useampia kuin yksi.
Tulosmittaus
Toimenpiteen kuvaus
Aikaikkuna
The diagnostic accuracy of gastrointestinal diseases with deep learning algorithm
Aikaikkuna: 1 month
The diagnostic accuracy of gastrointestinal diseases with deep learning algorithm.
1 month

Toissijaiset tulostoimenpiteet

Toissijaiset tulostoimenpiteet

Kliinisen tutkimuksen protokollassa suunniteltu tulosmittaus, joka ei ole yhtä tärkeä kuin ensisijainen tulosmitta toimenpiteen vaikutuksen arvioinnissa, mutta joka on silti kiinnostava. Useimmissa kliinisissä tutkimuksissa on enemmän kuin yksi toissijainen tulosmitta.
Tulosmittaus
Toimenpiteen kuvaus
Aikaikkuna
The diagnostic sensitivity of gastrointestinal diseases with deep learning algorithm
Aikaikkuna: 1 month
The diagnostic sensitivity of gastrointestinal diseases with deep learning algorithm.
1 month
The diagnostic specificity of gastrointestinal diseases with deep learning algorithm
Aikaikkuna: 1 month
The diagnostic specificity of gastrointestinal diseases with deep learning algorithm
1 month
The diagnostic positive predictive value of gastrointestinal diseases with deep learning algorithm
Aikaikkuna: 1 month
The diagnostic specificity of gastrointestinal diseases with deep learning algorithm
1 month
The diagnostic negative predictive value of gastrointestinal diseases with deep learning algorithm
Aikaikkuna: 1 month
The diagnostic specificity of gastrointestinal diseases with deep learning algorithm
1 month

Yhteistyökumppanit ja tutkijat

Täältä löydät tähän tutkimukseen osallistuvat ihmiset ja organisaatiot.

Sponsori

Sponsori

Organisaatio tai henkilö, joka käynnistää tutkimuksen ja jolla on valtuudet ja määräysvalta tutkimuksessa.
Shandong University

Tutkijat

Tutkijat

Kliiniseen tutkimukseen osallistuva tutkija. Aiheeseen liittyviä termejä ovat kohteen päätutkija, työpaikan osatutkija, tutkimusjohtaja, tutkimuksen johtaja ja tutkimuksen päätutkija.
  • Opintojen puheenjohtaja: Xiuli Zuo, MD,PhD, study principal investigator

Opintojen ennätyspäivät

Nämä päivämäärät seuraavat ClinicalTrials.gov-sivustolle lähetettyjen tutkimustietueiden ja yhteenvetojen edistymistä. National Library of Medicine (NLM) tarkistaa tutkimustiedot ja raportoidut tulokset varmistaakseen, että ne täyttävät tietyt laadunvalvontastandardit, ennen kuin ne julkaistaan ​​julkisella verkkosivustolla.

Opi tärkeimmät päivämäärät

Opiskelun aloitus (Todellinen)

Opiskelun aloitus

Todellinen päivämäärä, jolloin ensimmäinen osallistuja otettiin mukaan kliiniseen tutkimukseen. "Odotettu" tutkimuksen aloituspäivä on päivämäärä, jonka tutkijat uskovat olevan tutkimuksen aloituspäivä.
Sunnuntai 21. maaliskuuta 2021

Ensisijainen valmistuminen (Odotettu)

Ensisijainen valmistuminen

Päivämäärä, jolloin viimeinen kliinisen tutkimuksen osallistuja tutkittiin tai jona hän sai intervention lopullisen datan keräämiseksi ensisijaista tulosmittausta varten. Tähän päivämäärään ei vaikuta se, päättyikö kliininen tutkimus protokollan mukaisesti vai lopetettiinko se. Kliinisissä tutkimuksissa, joissa on useampi kuin yksi ensisijainen tulosmitta ja eri päättymispäivämäärät, tämä termi viittaa päivämäärään, jolloin kaikkien ensisijaisten tulosmittausten tiedonkeruu on saatu päätökseen. "Odotettu" ensisijainen valmistumispäivä on päivämäärä, jonka tutkijat uskovat olevan tutkimuksen ensisijainen valmistumispäivä.
Keskiviikko 1. kesäkuuta 2022

Opintojen valmistuminen (Odotettu)

Opintojen valmistuminen

Päivämäärä, jolloin viimeinen kliinisen tutkimuksen osallistuja tutkittiin tai jona hän sai interventiota/hoitoa lopullisen datan keräämiseksi ensisijaisia ​​tulosmittauksia, toissijaisia ​​tulosmittauksia ja haittatapahtumia varten (eli viimeisen osallistujan viimeinen käynti). "Odotettu" tutkimuksen päättymispäivä on päivämäärä, jonka tutkijat uskovat olevan tutkimuksen päättymispäivä.
Keskiviikko 1. kesäkuuta 2022

Opintoihin ilmoittautumispäivät

Ensimmäinen lähetetty

Ensimmäinen lähetetty

Päivämäärä, jolloin tutkimuksen sponsori tai tutkija ensimmäisen kerran toimitti tutkimustietueen ClinicalTrials.gov Ensimmäisen lähetyspäivän ja tietueen saatavuuden ClinicalTrials.gov-sivustolla (ensimmäinen julkaisupäivämäärä) välillä on yleensä muutaman päivän viive.
Lauantai 20. maaliskuuta 2021

Ensimmäinen toimitettu, joka täytti QC-kriteerit

Ensimmäinen toimitettu, joka täytti QC-kriteerit

Päivämäärä, jolloin tutkimuksen rahoittaja tai tutkija lähettää ensimmäisen kerran tutkimustietueen, joka on yhdenmukainen National Library of Medicine (NLM) -laadunvalvonnan (QC) tarkistuskriteereillä. Toimeksiantajan tai tutkijan on ehkä tarkistettava ja toimitettava tutkimustietue yhden tai useamman kerran, ennen kuin NLM laadunvalvontatarkastuksen kriteerit täyttyvät. Toimeksiantajan tai tutkijan vastuulla on varmistaa, että tutkimustietue on yhdenmukainen NLM laadunvalvontatarkastuskriteerien kanssa.
Lauantai 20. maaliskuuta 2021

Ensimmäinen Lähetetty (Todellinen)

Ensimmäinen Lähetetty

Päivämäärä, jolloin tutkimustietue oli ensimmäisen kerran saatavilla ClinicalTrials.gov -sivustolla National Library of Medicine (NLM) -laadunvalvontatarkastuksen (QC) tarkastuksen jälkeen. Tutkimuksen toimeksiantajan tai tutkijan tutkimustietueen toimittamisen ja ensimmäisen julkaisupäivän välillä on tyypillisesti muutaman päivän viive.
Tiistai 23. maaliskuuta 2021

Tutkimustietojen päivitykset

Viimeisin päivitys julkaistu (Todellinen)

Viimeisin päivitys julkaistu

Viimeisin päivämäärä, jolloin tutkimustietueen muutokset otettiin käyttöön osoitteessa ClinicalTrials.gov. Voi olla viive sen välillä, kun tutkimuksen sponsori tai tutkija on toimittanut muutokset ClinicalTrials.gov-sivustolle (viimeinen päivityksen lähetyspäivä) ja viimeisen päivityksen julkaisupäivämäärän välillä.
Tiistai 23. maaliskuuta 2021

Viimeisin lähetetty päivitys, joka täytti QC-kriteerit

Viimeisin lähetetty päivitys, joka täytti QC-kriteerit

Viimeisin päivämäärä, jolloin tutkimuksen rahoittaja tai tutkija on toimittanut tutkimustietueeseen muutoksia, jotka ovat yhdenmukaisia ​​National Library of Medicine (NLM) -laadunvalvonnan (QC) tarkistuskriteereillä. Toimeksiantajan tai tutkijan vastuulla on varmistaa, että tutkimustietue on yhdenmukainen NLM laadunvalvontatarkastuskriteerien kanssa.
Lauantai 20. maaliskuuta 2021

Viimeksi vahvistettu

Viimeksi vahvistettu

Viimeisin päivämäärä, jolloin tutkimuksen rahoittaja tai tutkija vahvisti kliinisen tutkimuksen tiedot ClinicalTrials.gov-sivustolla oikeiksi ja ajantasaisiksi. Jos tutkimus, jonka rekrytointitila on rekrytointi; ei vielä rekrytoi; tai aktiivinen, ei rekrytointia ole varmistettu viimeisen 2 vuoden aikana, tutkimuksen rekrytointistatus näytetään tuntemattomana.
Maanantai 1. maaliskuuta 2021

Lisää tietoa

Tähän tutkimukseen liittyvät termit

Avainsanat

Muita asiaankuuluvia MeSH-ehtoja

Muut tutkimustunnusnumerot

Muut tutkimustunnusnumerot

Muut tunnisteet tai tunnusnumerot kuin NCT-numero, jotka tutkimuksen sponsori, rahoittaja tai joku muu on määrittänyt kliiniselle tutkimukselle. Nämä numerot voivat sisältää yksilöllisiä tunnisteita muista tutkimusrekistereistä ja National Institutes of Health -apurahojen numeroista.
  • 2020-SDU-QILU-G056

Lääke- ja laitetiedot, tutkimusasiakirjat

Tutkii yhdysvaltalaista FDA sääntelemää lääkevalmistetta

Ei

Tutkii yhdysvaltalaista FDA sääntelemää laitetuotetta

Ei

Nämä tiedot haettiin suoraan verkkosivustolta clinicaltrials.gov ilman muutoksia. Jos sinulla on pyyntöjä muuttaa, poistaa tai päivittää tutkimustietojasi, ota yhteyttä register@clinicaltrials.gov. Heti kun muutos on otettu käyttöön osoitteessa clinicaltrials.gov, se päivitetään automaattisesti myös verkkosivustollemme .

Evästeasetukset

Käytämme evästeitä varmistaaksemme, että annamme sinulle parhaan kokemuksen verkkosivustollamme. Lisätietoja on tietosuoja- ja evästekäytännössämme. ...>>>Voit muuttaa asetuksiasi tai peruuttaa suostumuksesi milloin tahansa poistamalla evästeet verkkosivustoltasi tai tietokoneeltasi käytännössä kuvatulla tavalla. Hyväksy se ja valitse mieltymyksesi merkitsemällä vastaavat ruudut alla olevaan "Asetusten hallinta" -osioon. Lue huolellisesti käyttöehdot ennen kuin jatkat minkä tahansa tämän verkkosivuston osan käyttöä.
«Hallitse asetuksia