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

Deep Learning -järjestelmän kehittäminen neuro-oftalmologisten tilojen tunnistamiseksi silmänpohjan värikuvista päivystysosastolla (DEEP-VISION)

maanantai 14. lokakuuta 2024 päivittänyt: Fondation Ophtalmologique Adolphe de Rothschild

Viime vuosina tekoäly (AI) on integroitu laajalti lääketieteen alalle, mikä on osaltaan parantanut potilaiden diagnoosia. BONSAI-tutkimus, Brain and Optic Nerve Study with AI, johon tiimimme osallistuu, on onnistuneesti osoittanut tekoälyn kyvyn tunnistaa yksittäisiä näköhermoihin ja/tai aivoihin vaikuttavia neuro-oftalmologisia tai neurologisia patologioita yksinkertaisesta silmänpohjakuvasta.

Vaikka tämä on lupaava edistysaskel, se on edelleen rajallinen nykyisessä kliinisessä käytännössä. Suurin haasteemme on pystyä tunnistamaan samassa analyysissä samanaikaisesti useampia näköhermon ja/tai aivosairauksia, mikä parantaa potilashallintaa erityisesti ensiapuun lähetettävien osalta. Tarkan diagnoosin puuttuessa komplikaatiot voivat todellakin olla peruuttamattomia ja hengenvaarallisia.

Päivystyksen hälyttävimpiin kliinisiin oireisiin kuuluu staasin papilledeema, joka akuutin päänsäryn ohella voi viitata kallonsisäiseen kohonneeseen verenpaineeseen, tulehdukselliseen tai iskeemiseen patologiaan. Jälkimmäinen voi olla Hortonin taudin ilmentymä. Tiimimme on kehittänyt tekoälyalgoritmin verkkokalvon ja näköhermon poikkeavuuksien diagnosoimiseksi retinovalokuvien perusteella, jotka on otettu ihanteellisissa olosuhteissa ajoitettujen konsultaatioiden aikana, eikä kuviin päivystykseen saapuvista potilaista. Sairaaloissa, joissa ei ole silmätautien päivystystä, on välttämätöntä, että päivystyslääkärit (päivystyslääkärit, yleislääkärit, neurologit) pystyvät arvioimaan silmänpohjan silmälääkärin poissa ollessa. Tämä arviointi, vaikka osa yleistä tutkimusta, asettaa usein haasteita muille kuin silmälääkäreille. Tutkimuksemme tavoitteena on parantaa tekoälyalgoritmimme suorituskykyä niin, että se pystyy erottamaan eri verkkokalvon ja näköhermon patologiat ensiapuosastolla. Siksi aiomme rakentaa silmänpohjakuvien tietokannan ottamalla mukaan potilaat, jotka saapuvat Fondation Adolphe de Rothschild -sairaalan silmä- ja neurologian ensiapuosastoille. Kehitetyn algoritmin suorituskykyä arvioidaan herkkyyden, spesifisyyden, käyrän alla olevan pinta-alan (AUC) ja tarkkuuden standardikriteerien mukaan.

Tutkimuksen yleiskatsaus

Tila

Rekrytointi

Ehdot

Opintotyyppi

Havainnollistava

Ilmoittautuminen (Arvioitu)

1000

Yhteystiedot ja paikat

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

Opiskeluyhteys

Opiskelupaikat

      • Paris, Ranska, 75019
        • Rekrytointi
        • Hôpital Fondation Adolphe de Rothschild
        • Ottaa yhteyttä:

Osallistumiskriteerit

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

Kelpoisuusvaatimukset

Opintokelpoiset iät

  • Aikuinen
  • Vanhempi Aikuinen

Hyväksyy terveitä vapaaehtoisia

Joo

Näytteenottomenetelmä

Ei-todennäköisyysnäyte

Tutkimusväestö

Aikuiset potilaat, jotka saapuvat Fondation Adolphe de Rothschild -sairaalan ensiapuosastolle ilman merkkejä infektiosta ja/tai silmäallergiasta (vuotosilmäisyys, punasilmäisyys).

Kuvaus

Sisällön kriteerit:

  • Potilas 18 vuotta täyttänyt
  • Esittely Fondation Adolphe de Rothschild -sairaalan ensiapuosastolle
  • Ilmaise suostumuksesi tutkimukseen osallistumiseen
  • sosiaaliturvajärjestelmän jäsen tai edunsaaja

Poissulkemiskriteerit:

  • Potilas lain suojassa
  • Raskaana olevat tai imettävät naiset

Opintosuunnitelma

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

Miten tutkimus on suunniteltu?

Suunnittelun yksityiskohdat

Mitä tutkimuksessa mitataan?

Ensisijaiset tulostoimenpiteet

Tulosmittaus
Toimenpiteen kuvaus
Aikaikkuna
Oikeiden ennusteiden osuus kaikista positiivisista ennusteista kaikista algoritmin kokonaisennusteista (positiivinen + negatiivinen)
Aikaikkuna: Päivä 30
Kultastandardi on vanhempi silmälääkärin tekemä diagnoosi potilaan sairauskertomusten perusteella, jotka on konsultoitu klo 30 hätäkäynnin jälkeen.
Päivä 30

Toissijaiset tulostoimenpiteet

Tulosmittaus
Toimenpiteen kuvaus
Aikaikkuna
Algoritmin herkkyys kullekin silmäsairaudelle
Aikaikkuna: Päivä 30
Kultastandardi on vanhempi silmälääkärin tekemä diagnoosi potilaan sairauskertomusten perusteella, jotka on konsultoitu klo 30 hätäkäynnin jälkeen.
Päivä 30
Algoritmin spesifisyys kullekin silmäsairaudelle
Aikaikkuna: Päivä 30
Kultastandardi on vanhempi silmälääkärin tekemä diagnoosi potilaan sairauskertomusten perusteella, jotka on konsultoitu klo 30 hätäkäynnin jälkeen.
Päivä 30
Käyrän alla oleva pinta-ala (AUC) jokaiselle silmäsairaudelle
Aikaikkuna: Päivä 30
Kultastandardi on vanhempi silmälääkärin tekemä diagnoosi potilaan sairauskertomusten perusteella, jotka on konsultoitu klo 30 hätäkäynnin jälkeen.
Päivä 30

Yhteistyökumppanit ja tutkijat

Täältä löydät tähän tutkimukseen osallistuvat ihmiset ja organisaatiot.

Sponsori

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)

Maanantai 9. syyskuuta 2024

Ensisijainen valmistuminen (Arvioitu)

Perjantai 1. lokakuuta 2027

Opintojen valmistuminen (Arvioitu)

Perjantai 1. lokakuuta 2027

Opintoihin ilmoittautumispäivät

Ensimmäinen lähetetty

Perjantai 9. elokuuta 2024

Ensimmäinen toimitettu, joka täytti QC-kriteerit

Maanantai 14. lokakuuta 2024

Ensimmäinen Lähetetty (Todellinen)

Keskiviikko 16. lokakuuta 2024

Tutkimustietojen päivitykset

Viimeisin päivitys julkaistu (Todellinen)

Keskiviikko 16. lokakuuta 2024

Viimeisin lähetetty päivitys, joka täytti QC-kriteerit

Maanantai 14. lokakuuta 2024

Viimeksi vahvistettu

Tiistai 1. lokakuuta 2024

Lisää tietoa

Tähän tutkimukseen liittyvät termit

Muita asiaankuuluvia MeSH-ehtoja

Muut tutkimustunnusnumerot

  • DMA_2024_6

Yksittäisten osallistujien tietojen suunnitelma (IPD)

Aiotko jakaa yksittäisten osallistujien tietoja (IPD)?

EI

Lääke- ja laitetiedot, tutkimusasiakirjat

Tutkii yhdysvaltalaista FDA sääntelemää lääkevalmistetta

Ei

Tutkii yhdysvaltalaista FDA sääntelemää laitetuotetta

Ei

Yhdysvalloissa valmistettu ja sieltä viety tuote

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 .