Koneoppiminen kädessä pidettäviin verisuonitutkimuksiin (DopplerZAM)
Uuden koneoppimisalgoritmin kehittäminen ja validointi kädessä pidettävässä verisuonidiagnostiikassa
Kädessä pidettävien valtimostetoskooppien (jatkuvaaalto-Doppler-laitteiden) käyttö on yleistä kliinisessä käytännössä. Suurin osa käyttäjistä ei kuitenkaan ole saanut muodollista koulutusta heidän käytössään tai palautettujen tietojen tulkinnassa. Tämä johtaa diagnoosin viivästymiseen ja diagnoosivirheisiin.
Tutkijat aikovat luoda uuden koneoppimisalgoritmin auttamaan kliinikkoja näiden tietojen käytössä. Tämän tutkimuksen avulla tutkijat voivat kerätä äänitiedostoja laitteiden käytöstä ja verrata algoritmien tuloksia vakiintuneisiin, olemassa oleviin verisuonitesteihin. Invasiivisia toimenpiteitä ei tehdä, ja näiden stetoskooppien käyttö on osa rutiininomaista kliinistä hoitoa.
Jos tämä onnistuu, nämä tiedot ja algoritmi otetaan myöhemmin käyttöön älypuhelinsovelluksen kautta tapaustestausta varten erillisessä tutkimuksessa
Tutkimuksen yleiskatsaus
Tila
Interventio / Hoito
Yksityiskohtainen kuvaus
Tässä projektissa on kolme päätutkimustehtävää: 1) Doppler-äänen erottelevien ominaisuuksien tunnistaminen potilaiden luokittelua varten, 2) luokitusalgoritmien valinta ja koulutus sekä 3) CWD-äänitietojen rikastaminen fysiikkapohjaisten mallien avulla. Tutkijat määrittävät, mitkä erotteluominaisuudet ovat optimaalisia potilaan luokittelussa ultraääni Doppler-äänestä.
Tätä varten tutkijat käyttävät taajuusalueen signaaliominaisuuksia, kuten kaistanleveyttä, huipputaajuutta, keskitehoa, keskitaajuutta ja aikaharmonista säröä.
Lisäksi tutkijat selvittävät, ovatko aikatason ominaisuudet tarpeellisia tarkan äänen luokittelun kannalta. Muut tutkimukset ovat osoittaneet, että audioaaltomuotojen erityispiirteet voivat luokitella tiedot. Tutkijat käyttävät luokittelussa tehokkaimpia koneoppimisalgoritmeja, kuten SVM:ää, logistista regressiota ja Naive Bayesiä. Tutkijat aloittavat binääriluokitteluongelmalla, jossa yksilöt luokitellaan terveiksi tai epäterveiksi. Sitten tutkijat siirtyvät monimutkaisemmin moniluokkaisiin luokitteluongelmiin, joissa yksilöt luokitellaan eri ryhmiin määriteltyjen epänormaalien valtimoiden tilojen mukaan. Tietojen rikastaminen fysiikkapohjaisilla malleilla, joissa käytetään fysiologisesti tarkkoja äärelliselementtimalleja valtimoiden nestevirtauksesta synteettisten äänisignaalien tuottamiseksi, jotka vastaavat erilaisia valtimoiden olosuhteita. Fysiikkaan perustuvat simulaatiot antaisivat tutkijoille mahdollisuuden tuottaa runsaasti harjoitustietoa, joka kattaa monia tunnettuja valtimotiloja. Tämä ominaisuus voi parantaa algoritmiemme luokittelutarkkuutta ja yleistämistä, koska kliiniset tiedot eivät välttämättä ole tarpeeksi tyhjentäviä sisällyttämään kaikki tunnetut valtimotilat. Tutkijat tutkivat koulutettujen algoritmien suorituskykyä potilastietojen perusteella. Tätä varten tutkijat jakavat tiedot koulutus- ja testausnäytteiksi. Harjoitusnäytteitä käytetään algoritmien koulutukseen, kun taas testaussarjaa käytetään yleistyskyvyn arvioimiseen. Tutkijat laskevat kunkin algoritmin virheluokitusosuudet suorituskyvyn mittarina.
Opintotyyppi
Ilmoittautuminen (Todellinen)
Yhteystiedot ja paikat
Opiskelupaikat
-
-
North Carolina
-
Durham, North Carolina, Yhdysvallat, 27710
- Duke University Medical Center
-
-
Osallistumiskriteerit
Kelpoisuusvaatimukset
Opintokelpoiset iät
- Lapsi
- Aikuinen
- Vanhempi Aikuinen
Hyväksyy terveitä vapaaehtoisia
Näytteenottomenetelmä
Tutkimusväestö
Kuvaus
Sisällyttämiskriteerit:
- Ei-invasiivista verisuonitestiä koskeva kliininen pyyntö on esitettävä
Poissulkemiskriteerit:
- Ei mikään (muut kuin potilas kieltäytyy osallistumasta)
Opintosuunnitelma
Miten tutkimus on suunniteltu?
Suunnittelun yksityiskohdat
- Havaintomallit: Kohortti
- Aikanäkymät: Tulevaisuuden
Kohortit ja interventiot
Ryhmä/Kohortti |
Interventio / Hoito |
|---|---|
|
Ei-invasiivinen verisuonitestaus
Kaikki potilaat, joille tehdään ei-invasiiviset verisuonitestit, ovat kelvollisia tähän tutkimukseen.
Virallisia tuloksia käytetään algoritmin kehittämiseen ja algoritmin tarkkuuden arvioimiseen
|
Kliinisesti indikoitujen ei-invasiivisten verisuonitestien tuloksia käytetään koneoppimisalgoritmin kehittämiseen
Muut nimet:
|
Mitä tutkimuksessa mitataan?
Ensisijaiset tulostoimenpiteet
Tulosmittaus |
Aikaikkuna |
|---|---|
|
Algoritmin luoma Doppler-luokitus
Aikaikkuna: 1 vuosi
|
1 vuosi
|
Toissijaiset tulostoimenpiteet
Tulosmittaus |
Aikaikkuna |
|---|---|
|
Pulssin läsnäolo tai puuttuminen
Aikaikkuna: 1 vuosi
|
1 vuosi
|
|
Pulssin laatu
Aikaikkuna: 1 vuosi
|
1 vuosi
|
|
Doppler-signaalin olemassaolo tai puuttuminen
Aikaikkuna: 1 vuosi
|
1 vuosi
|
|
Doppler-signaalin laatu
Aikaikkuna: 1 vuosi
|
1 vuosi
|
Yhteistyökumppanit ja tutkijat
Sponsori
Opintojen ennätyspäivät
Opi tärkeimmät päivämäärät
Opiskelun aloitus (Todellinen)
Ensisijainen valmistuminen (Todellinen)
Opintojen valmistuminen (Todellinen)
Opintoihin ilmoittautumispäivät
Ensimmäinen lähetetty
Ensimmäinen toimitettu, joka täytti QC-kriteerit
Ensimmäinen Lähetetty (Arvioitu)
Tutkimustietojen päivitykset
Viimeisin päivitys julkaistu (Todellinen)
Viimeisin lähetetty päivitys, joka täytti QC-kriteerit
Viimeksi vahvistettu
Lisää tietoa
Tähän tutkimukseen liittyvät termit
Avainsanat
Muita asiaankuuluvia MeSH-ehtoja
Muut tutkimustunnusnumerot
- Pro00070090
Yksittäisten osallistujien tietojen suunnitelma (IPD)
Aiotko jakaa yksittäisten osallistujien tietoja (IPD)?
Lääke- ja laitetiedot, tutkimusasiakirjat
Tutkii yhdysvaltalaista FDA sääntelemää lääkevalmistetta
Tutkii yhdysvaltalaista FDA sääntelemää laitetuotetta
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 .