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

Kaulavaltimon plakin ja sen stabiilisuuden älykäs havaitseminen Deep Learning -dynaamisen ultraääniskannauksen perusteella

keskiviikko 13. syyskuuta 2023 päivittänyt: Jia Liu

Rutiininomaiseen ultraääniskannausvideoon perustuva syväoppimismalli auttaa lääkäreitä parantamaan kaulavaltimon plakin diagnoosia

Tämän tutkimuksen tarkoituksena on rakentaa syvän oppimisen avulla malli, joka pystyy automaattisesti ja tarkasti havaitsemaan plakit, laskemaan luumenin ahtauman ja arvioimaan plakkien stabiilisuutta kaulavaltimon poikkiakselin dynaamisten ultraäänikuvien ja kontrastitehostettujen ultraäänikuvien perusteella, jotta voidaan arvioida kokonaisvaltaisesti. kaulavaltimon plakkien mahdollisuus. sydän- ja verisuoniriski. Tämän tutkimuksen onnistunut kehitys simuloi ja toistaa automaattisesti kliinisen sonografien suorittaman kaulavaltimon plakin arviointiprosessin. Ratkaise ultraäänitarkastuslaitteiden ja kokemusriippuvuuden ongelma. Sen odotetaan toteuttavan laajamittainen väestön älykäs seulonta, joka tarjoaa uusia ideoita varhaiseen ehkäisyyn ja hoitoon. Varsinkin lääketieteellisesti alikehittyneillä syrjäisillä alueilla ja kokeneiden sonografien puutteessa sillä on suuri käytännön arvo kliinisen terveydenhuollon kannalta ja se voi tuoda suurempia sosiaalisia ja taloudellisia hyötyjä.

Tutkimuksen yleiskatsaus

Yksityiskohtainen kuvaus

Tausta:

Kaulavaltimon plakki on haitallista ihmisten terveydelle. Maailman terveysjärjestön arvioiden mukaan vuosittain tapahtuu 6,7 miljoonaa aivoverisuonionnettomuutta ja aivohalvausta, jotka liittyvät pääasiassa kaulavaltimon ateroskleroottisten plakkien muodostumiseen. Toisaalta kaulavaltimon plakki voi aiheuttaa kaulavaltimon ahtauman tai jopa tukkeutumisen, mikä aiheuttaa aivoiskemiaa. Kaulavaltimon plakkien varhainen havaitseminen ja tarkka arviointi auttavat kliinikoita toteuttamaan tehokkaita interventiotoimenpiteitä, jotka voivat vähentää merkittävästi aivohalvauksen työkyvyttömyyttä ja kuolleisuutta.

Kaulavaltimon CTA ja MRA voivat tarjota suhteellisen korkearesoluutioisia ja korkealaatuisia plakkikuvia, mutta niillä on kustannus- ja skannausrajoituksia, jotka rajoittavat niiden käyttöä päivittäisessä kliinisessä käytännössä. Ultraäänitutkimuksen etuna on ei-invasiivisuus, mukavuus, alhaiset kustannukset ja hyvä toistettavuus. Se on suositeltu kuvantamismenetelmä plakin havaitsemiseen, stenoosiin ja plakin stabiilisuuteen. Kontrastilla tehostettu ultraäänitutkimus (CEUS) voi osoittaa herkästi plakinsisäisen mikroverenkierron injektoimalla mikrokuplavarjoaineita, ja se on yhdenmukainen histopatologisten löydösten kanssa, ja sitä on käytetty yhä enemmän kliinisesti plakin stabiilisuuden arvioinnissa.

Yhtäältä ultraäänitutkimuksen rajoituksena on kuitenkin se, että sen täytyy luottaa instrumenttien ja toimijoiden tasoon tarkkuuden parantamiseksi. Toisaalta väestöpohjan kasvun ja yhteiskunnan ikääntymisen myötä perinteinen lääketieteellinen malli ei ole kyennyt vastaamaan vuosittaiseen potilasmäärän kasvuun. potilaiden tutkimustarpeita. Siksi on erittäin tärkeää kehittää integroitu tekoälysovellusalusta, joka pystyy automaattisesti ja tarkasti havaitsemaan plakin ultraäänikuvatietojen perusteella ja arvioimaan ontelon ahtaumaa ja plakin stabiilisuutta.

Tarkoitus:

Tämän tutkimuksen tarkoituksena on rakentaa syväoppimiseen perustuva malli plakin havaitsemiseksi automaattisesti ja tarkasti kaulavaltimon poikkiakselin dynaamisen ultraäänikuvan perusteella, laskea luumenin ahtaumatiheys ja suorittaa vakausarviointi, jotta voidaan arvioida kattavasti kaulavaltimon plakin mahdollisia kardiovaskulaarisia vaikutuksia. . riski. Se toteuttaa kliinisen ultraääniasiantuntijoiden suorittaman kohdunkaulan plakin arviointiprosessin automaattisen simuloinnin ja toiston.

Opintojen suunnittelu:

Kaksi kolmasosaa ilmoittautuneista potilaista ja heidän vastaavat kaulavaltimoiden dynaamiset skannauskuvat ja asiantuntijadiagnoosin tulokset valittiin satunnaisesti syväoppimisen harjoituskohortiksi. Kaulavaltimon dynaamisia skannauskuvia ja asiantuntijadiagnoosin tuloksia jäljellä olevista 1/3 potilaasta käytettiin validointikohorttina syväoppimismallin yleisen diagnostisen tarkkuuden arvioimiseksi.

Tilastollinen analyysi:

Syväoppimisen herkkyys, spesifisyys, positiivinen ennustearvo ja negatiivinen ennustearvo plakin havaitsemiseksi, luminaalisen ahtaumanopeuden arvioimiseksi tai plakin stabiiliuden ennustamiseksi laskettiin arvioitavan vastaanottimen toimintakäyrän (ROC) alla olevan alueen (AUROC) perusteella. Tilastollinen analyysi suoritettiin SPSS 22.0 -ohjelmistolla.

Laadunvalvonta:

Kehitetään standardoituja ja standardoituja kaulavaltimon ultraäänitutkimusmenetelmiä ja toimintamenetelmiä sekä kehitetään yhtenäisiä kuvanotto- ja tallennusstandardeja. Kaikki operaattorit ovat tiukasti koulutettuja kaulavaltimon ultraäänitutkimukseen. Kaksi operaattoria, joilla oli yli 5 vuoden kokemus ultraäänikäytöstä, palkattiin laadunvalvontahenkilöstöksi tarkistamaan kaikki kuvat ja jättämään pois kelvottomia kuvia.

Ultraääni on turvallista ja säteilytöntä. Tutkimuksen aikana lääkäri ja potilas olivat aina kommunikaatiotilassa, ja potilas tunsi olonsa vähemmän hermostuneeksi ja pelokkaalta, hänellä oli hyvä sietokyky ja korkea myöntymys.

Tutkimuksen etiikka:

Tässä tutkimuksessa noudatetaan Maailman lääketieteen kongressin Helsingin julistuksen eettisiä ohjeita ja asiaankuuluvia kliinisen tutkimuksen normeja ja määräyksiä. Selvitys alkaa eettisen toimikunnan hyväksynnän jälkeen. Ennen tutkimuksen aloittamista tutkijan tulee tiedottaa koehenkilöille kliinisen tutkimuksen kaikesta asiaankuuluvasta sisällöstä helposti ymmärrettävällä kielellä ja ilmoittaa potilaille, että heillä on milloin tahansa oikeus vetäytyä tutkimuksesta. Tutkimus aloitettiin vasta, kun potilaat allekirjoittivat tietoisen suostumuksen vapaaehtoisesti.

Opintotyyppi

Havainnollistava

Ilmoittautuminen (Todellinen)

2000

Yhteystiedot ja paikat

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

Opiskelupaikat

    • Guangdong
      • Guangzhou, Guangdong, Kiina
        • The third affiliated hospital of Sun Yat-Sen University

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

18 vuotta ja vanhemmat (Aikuinen, Vanhempi Aikuinen)

Hyväksyy terveitä vapaaehtoisia

Ei

Näytteenottomenetelmä

Todennäköisyysnäyte

Tutkimusväestö

Ikä ≥ 18 vuotta vanha, sukupuoli ei ole rajoitettu, eriasteisia kaulavaltimon ateroskleroosia.

Kuvaus

Sisällyttämiskriteerit:

  • (1) Ikä ≥ 18 vuotta vanha, sukupuolta ei ole rajoitettu. (2) Potilaat, jotka osallistuivat vapaaehtoisesti tähän tutkimukseen, allekirjoittivat tietoisen suostumuksen.

Poissulkemiskriteerit:

  • (1) Vaikea aivoverenkiertosairaus, yhteistyökyvyttömät potilaat ja ne, jotka eivät siedä tutkimusta. (2) Niskaleikkauksen jälkeiset haavasidokset vaikuttavat kaulavaltimon ultraäänitutkimukseen. (3) Kaula on lyhyt ja paksu, eikä mittapäätä voi laskea pystysuoraan.

Opintosuunnitelma

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

Miten tutkimus on suunniteltu?

Suunnittelun yksityiskohdat

  • Havaintomallit: Kohortti
  • Aikanäkymät: Tulevaisuuden

Kohortit ja interventiot

Ryhmä/Kohortti
Interventio / Hoito
Syväoppimisen koulutuskohortti
2/3 osallistuneista potilaista ja heidän vastaavat kaulavaltimoiden dynaamiset skannauskuvat ja asiantuntijadiagnoosin tulokset valittiin satunnaisesti syväoppimisen koulutuskohortiksi.
harjoittele syväoppimismallia
Syväoppimisen validointikohortti
Kaulavaltimon dynaamisia skannauskuvia ja asiantuntijadiagnoosin tuloksia jäljelle jääneestä 1/3 potilaasta käytettiin validointikohorttina syväoppimismallin yleisen diagnostisen tarkkuuden arvioimiseksi.
arvioi mallia

Mitä tutkimuksessa mitataan?

Ensisijaiset tulostoimenpiteet

Tulosmittaus
Toimenpiteen kuvaus
Aikaikkuna
Tekoäly auttaa nuorempia radiologeja lukemaan kuvia ja peruslääkärit lukevat kuvia itsenäisesti
Aikaikkuna: opintojen päätyttyä keskimäärin 2 vuotta
Ottaen vanhempien sonografien lukutulokset kultastandardiksi, testattiin tekoälyavusteisen lukemisen herkkyys, spesifisyys, tarkkuus, positiivinen ennustearvo ja negatiivinen ennustearvo sekä nuorempien lääkäreiden riippumattomat lukemat kaulavaltimon plakki-avusteisessa diagnoosissa. AUC arvioidaan.
opintojen päätyttyä keskimäärin 2 vuotta
AI-mallin suorituskyvyn arviointi
Aikaikkuna: opintojen päätyttyä keskimäärin 2 vuotta
Vanhempien sonografien lukutulokset otetaan kultaiseksi standardiksi, tekoälyn riippumattoman lukemisen herkkyys, spesifisyys, tarkkuus, positiivinen ennustearvo ja negatiivinen ennustearvo. Se arvioitiin vastaanottimen toimintakäyrän (ROC) alla olevan alueen (AUC) perusteella.
opintojen päätyttyä keskimäärin 2 vuotta
AI arvioi luumenin ahtauman määrän
Aikaikkuna: opintojen päätyttyä keskimäärin 2 vuotta
Ottaen vanhempien sonografien lukutulokset kultastandardiksi, tekoäly voi arvioida ontelon ahtaumatiheyden herkkyyttä, spesifisyyttä, tarkkuutta, positiivista ennustusarvoa ja negatiivista ennustusarvoa. Se arvioitiin vastaanottimen toimintakäyrän (ROC) alla olevan alueen (AUC) perusteella.
opintojen päätyttyä keskimäärin 2 vuotta
AI ennustaa plakin stabiiliutta.
Aikaikkuna: opintojen päätyttyä keskimäärin 2 vuotta
Ottaen vanhempien sonografien lukutulokset kultastandardiksi, tekoäly ennustaa plakin stabiiliuden herkkyyden, spesifisyyden, tarkkuuden, positiivisen ennustusarvon ja negatiivisen ennustusarvon. Se arvioitiin vastaanottimen toimintakäyrän (ROC) alla olevan alueen (AUC) perusteella.
opintojen päätyttyä keskimäärin 2 vuotta
Plakin tunnistus tekoälymallilla erityyppisillä laitteilla hankituissa videoissa.
Aikaikkuna: opintojen päätyttyä keskimäärin 2 vuotta
Ottaen vanhempien sonografien lukutulokset kultastandardiksi, tekoäly havaitsee plakin herkkyyden, spesifisyyden, tarkkuuden, positiivisen ennustusarvon ja negatiivisen ennustusarvon eri ultraäänilaitteissa. Arvioitu vastaanottimen toimintakäyrän (ROC) alla olevan alueen (AUC) perusteella.
opintojen päätyttyä keskimäärin 2 vuotta

Yhteistyökumppanit ja tutkijat

Täältä löydät tähän tutkimukseen osallistuvat ihmiset ja organisaatiot.

Sponsori

Tutkijat

  • Päätutkija: Jia Liu, Third Affiliated Hospital, Sun Yat-Sen University

Julkaisuja ja hyödyllisiä linkkejä

Tutkimusta koskevien tietojen syöttämisestä vastaava henkilö toimittaa nämä julkaisut vapaaehtoisesti. Nämä voivat koskea mitä tahansa tutkimukseen liittyvää.

Yleiset julkaisut

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)

Perjantai 1. toukokuuta 2020

Ensisijainen valmistuminen (Todellinen)

Torstai 1. kesäkuuta 2023

Opintojen valmistuminen (Todellinen)

Torstai 1. kesäkuuta 2023

Opintoihin ilmoittautumispäivät

Ensimmäinen lähetetty

Torstai 27. tammikuuta 2022

Ensimmäinen toimitettu, joka täytti QC-kriteerit

Tiistai 8. helmikuuta 2022

Ensimmäinen Lähetetty (Todellinen)

Keskiviikko 9. helmikuuta 2022

Tutkimustietojen päivitykset

Viimeisin päivitys julkaistu (Todellinen)

Torstai 14. syyskuuta 2023

Viimeisin lähetetty päivitys, joka täytti QC-kriteerit

Keskiviikko 13. syyskuuta 2023

Viimeksi vahvistettu

Perjantai 1. syyskuuta 2023

Lisää tietoa

Tähän tutkimukseen liittyvät termit

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

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 .

Tilaa