Multimodaalinen kuvantaminen vitreo-verkkokalvokirurgiassa ja makuladystrofioissa (MICAI)
lauantai 10. helmikuuta 2024 päivittänyt: RIZZO STANISLAO, Fondazione Policlinico Universitario Agostino Gemelli IRCCS
Multimodaalinen kuvantaminen lasikalvokirurgiassa ja makuladystrofioissa: morfofunktionaalisen palautumisen biomarkkerit tekoälyn avulla
Tutkimuksen tavoitteena on tunnistaa morfologisia ja toiminnallisia biomarkkereita lasikalvoleikkauksen jälkeen leikkauksen jälkeiselle toipumiselle käyttämällä päätöksentekojärjestelmiä (DSS), multimodaalisen big-data-analyysin pohjalta koneoppimistekniikoiden avulla päivittäisessä kliinisessä käytännössä.
Tutkimuksen yleiskatsaus
Tila
Rekrytointi
Yksityiskohtainen kuvaus
Tutkimuksen tavoitteena on identifioida morfologisia ja toiminnallisia biomarkkereita leikkauksen jälkeiselle toipumiselle lasiaisen leikkauksen jälkeen.
Biomarkkerien tunnistaminen ja toipumisen ennustettavuuden arviointi mahdollistaa niiden potilasryhmien nostamisen, jotka hyötyvät eniten kirurgisesta hoidosta, ja kohdistaa potilaan tarkemmin yksilölliseen lääketieteeseen ja kirurgiaan.
Uusien päätöksenteon tukijärjestelmien (DSS) käyttöönotto, joka perustuu multimodaaliseen big-data-analyysiin koneoppimistekniikoiden avulla päivittäisessä kliinisessä käytännössä, tarjoaa uutta hyödyllistä tietoa yksilöllisen leikkauksen potilaiden arvioinnissa.
Opintotyyppi
Havainnollistava
Ilmoittautuminen (Arvioitu)
100
Yhteystiedot ja paikat
Tässä osiossa on tutkimuksen suorittajien yhteystiedot ja tiedot siitä, missä tämä tutkimus suoritetaan.
Opiskeluyhteys
- Nimi: Maria Cristina Savastano, MD,PhD
- Puhelinnumero: +39 3384443002
- Sähköposti: mariacristina.savastano@unicatt.it
Tutki yhteystietojen varmuuskopiointi
- Nimi: Alfonso Savastano, MD,PhD
- Sähköposti: alfonso.savastano@policlinicogemelli.it
Opiskelupaikat
-
-
-
Rome, Italia, 00168
- Rekrytointi
- Prof. Stanislao Rizzo
-
Ottaa yhteyttä:
- Stanislao Rizzo, MD,PhD
-
-
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
1 vuosi ja vanhemmat (Lapsi, Aikuinen, Vanhempi Aikuinen)
Hyväksyy terveitä vapaaehtoisia
Ei
Näytteenottomenetelmä
Todennäköisyysnäyte
Tutkimusväestö
Kaikki potilaat joutuvat silmänpohjan silmänpohjan sairauden (eli silmänpohjan reikä, epiretinaalikalvot, verkkokalvon irtauma, silmänpohjan dystrofiat (verkkokalvon esiproteesi) vuoksi leikkaukseen.
Kuvaus
Sisällyttämiskriteerit:
Kaikki potilaat, joille tehdään vitreo-verkkokalvoleikkaus:
- Makulaarinen reikä
- Epiretinaaliset kalvot
- Verkkokalvon irtauma
- Makulaarinen dystrofia (verkkokalvon esiproteesi)
Poissulkemiskriteerit:
- Alle 18-vuotiaat potilaat suljetaan pois. potilaat, joille morfologisia tutkimuksia ei voida tehdä huonon yhteistyön tai dioptrian väliaineen sameuden vuoksi (esim. sarveiskalvon patologia). Morfologisten kuvien laatu ei ole riittävä jälkikäsittelyyn (<6/10).
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 |
Interventio / Hoito |
|---|---|
|
Makulaarinen reikä
Potilaat, joilla on silmänpohjan reikä.
|
Biometriset mittaukset suoritettiin IOL Masterilla, jos suoritettava kosketus tai immersioekobiometria, jos IOL Masteria ei voida suorittaa
Väri + AF: EIDON, jos saatavilla (60° ei moduloitavissa) Väri: COBRA (60° ei muunnettavissa) AF: Spectralis-Heidelberg (valitse 55°) Muu, jos saatavilla (valitse posteriorinen napatutkimus 50-60°)
OCT B-skannaus: 2 skannausta (6 mm) 1 poikkiviiva OCTA: 3x3 mm + 6x6 mm fovean keskellä 4,5 mm näköhermon keskellä
1) kiinnityskuvio 2) verkkokalvon herkkyyskartta
Verkkokalvon kerros-kerroksinen arviointi käyttämällä fokaalista ERG:tä ja malli-ERG:tä standardoitujen ja julkaistujen menetelmien mukaisesti. Potilaille, joilla on visus < 3/10 ja epävakaa kiinnitys, käytetään protokollaa, joka perustuu diffuusin välähdyksen valovoimaisen ERG:n komponenttianalyysiin.
|
|
Epiretinaaliset kalvot
Potilaat, joilla on epiretinaalinen kalvo.
|
Biometriset mittaukset suoritettiin IOL Masterilla, jos suoritettava kosketus tai immersioekobiometria, jos IOL Masteria ei voida suorittaa
Väri + AF: EIDON, jos saatavilla (60° ei moduloitavissa) Väri: COBRA (60° ei muunnettavissa) AF: Spectralis-Heidelberg (valitse 55°) Muu, jos saatavilla (valitse posteriorinen napatutkimus 50-60°)
OCT B-skannaus: 2 skannausta (6 mm) 1 poikkiviiva OCTA: 3x3 mm + 6x6 mm fovean keskellä 4,5 mm näköhermon keskellä
1) kiinnityskuvio 2) verkkokalvon herkkyyskartta
Verkkokalvon kerros-kerroksinen arviointi käyttämällä fokaalista ERG:tä ja malli-ERG:tä standardoitujen ja julkaistujen menetelmien mukaisesti. Potilaille, joilla on visus < 3/10 ja epävakaa kiinnitys, käytetään protokollaa, joka perustuu diffuusin välähdyksen valovoimaisen ERG:n komponenttianalyysiin.
|
|
Verkkokalvon irtauma
Potilaat, joilla on verkkokalvon irtauma.
|
Biometriset mittaukset suoritettiin IOL Masterilla, jos suoritettava kosketus tai immersioekobiometria, jos IOL Masteria ei voida suorittaa
Väri + AF: EIDON, jos saatavilla (60° ei moduloitavissa) Väri: COBRA (60° ei muunnettavissa) AF: Spectralis-Heidelberg (valitse 55°) Muu, jos saatavilla (valitse posteriorinen napatutkimus 50-60°)
OCT B-skannaus: 2 skannausta (6 mm) 1 poikkiviiva OCTA: 3x3 mm + 6x6 mm fovean keskellä 4,5 mm näköhermon keskellä
1) kiinnityskuvio 2) verkkokalvon herkkyyskartta
Verkkokalvon kerros-kerroksinen arviointi käyttämällä fokaalista ERG:tä ja malli-ERG:tä standardoitujen ja julkaistujen menetelmien mukaisesti. Potilaille, joilla on visus < 3/10 ja epävakaa kiinnitys, käytetään protokollaa, joka perustuu diffuusin välähdyksen valovoimaisen ERG:n komponenttianalyysiin.
|
|
Makulaarinen dystrofia
Potilaat, joilla on makuladystrofia.
|
Biometriset mittaukset suoritettiin IOL Masterilla, jos suoritettava kosketus tai immersioekobiometria, jos IOL Masteria ei voida suorittaa
Väri + AF: EIDON, jos saatavilla (60° ei moduloitavissa) Väri: COBRA (60° ei muunnettavissa) AF: Spectralis-Heidelberg (valitse 55°) Muu, jos saatavilla (valitse posteriorinen napatutkimus 50-60°)
OCT B-skannaus: 2 skannausta (6 mm) 1 poikkiviiva OCTA: 3x3 mm + 6x6 mm fovean keskellä 4,5 mm näköhermon keskellä
1) kiinnityskuvio 2) verkkokalvon herkkyyskartta
Verkkokalvon kerros-kerroksinen arviointi käyttämällä fokaalista ERG:tä ja malli-ERG:tä standardoitujen ja julkaistujen menetelmien mukaisesti. Potilaille, joilla on visus < 3/10 ja epävakaa kiinnitys, käytetään protokollaa, joka perustuu diffuusin välähdyksen valovoimaisen ERG:n komponenttianalyysiin.
|
Mitä tutkimuksessa mitataan?
Ensisijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
Morfologisesti funktionaalisten radioaktiivisten tietojen ennustettavuus
Aikaikkuna: 3 vuotta
|
Morfologisesti funktionaalisten radioaktiivisten tietojen ennustettavuusaste leikkauksen jälkeisen toipumisasteen määrittämiseksi tekoälyn (AI) koneoppimismallin avulla.
|
3 vuotta
|
Toissijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
Tunnista ennustavat erot diagnoosin mukaan
Aikaikkuna: 3 vuotta
|
Jako alaryhmiin ennustavien erojen tunnistamiseksi diagnoosin mukaan
|
3 vuotta
|
|
Korreloi potilaiden iän kanssa
Aikaikkuna: 3 vuotta
|
Tunnista ennustavat erot diagnoosin mukaan ja korreloi ne potilaiden iän kanssa
|
3 vuotta
|
|
Korreloi sairauden alkamisiän kanssa
Aikaikkuna: 3 vuotta
|
Tunnista ennustavat erot diagnoosin mukaan ja korreloi ne sairauden alkamisiän kanssa
|
3 vuotta
|
Yhteistyökumppanit ja tutkijat
Täältä löydät tähän tutkimukseen osallistuvat ihmiset ja organisaatiot.
Julkaisuja ja hyödyllisiä linkkejä
Tutkimusta koskevien tietojen syöttämisestä vastaava henkilö toimittaa nämä julkaisut vapaaehtoisesti. Nämä voivat koskea mitä tahansa tutkimukseen liittyvää.
Yleiset julkaisut
- Gulshan V, Peng L, Coram M, Stumpe MC, Wu D, Narayanaswamy A, Venugopalan S, Widner K, Madams T, Cuadros J, Kim R, Raman R, Nelson PC, Mega JL, Webster DR. Development and Validation of a Deep Learning Algorithm for Detection of Diabetic Retinopathy in Retinal Fundus Photographs. JAMA. 2016 Dec 13;316(22):2402-2410. doi: 10.1001/jama.2016.17216.
- Harris PA, Taylor R, Minor BL, Elliott V, Fernandez M, O'Neal L, McLeod L, Delacqua G, Delacqua F, Kirby J, Duda SN; REDCap Consortium. The REDCap consortium: Building an international community of software platform partners. J Biomed Inform. 2019 Jul;95:103208. doi: 10.1016/j.jbi.2019.103208. Epub 2019 May 9.
- Duker JS, Kaiser PK, Binder S, de Smet MD, Gaudric A, Reichel E, Sadda SR, Sebag J, Spaide RF, Stalmans P. The International Vitreomacular Traction Study Group classification of vitreomacular adhesion, traction, and macular hole. Ophthalmology. 2013 Dec;120(12):2611-2619. doi: 10.1016/j.ophtha.2013.07.042. Epub 2013 Sep 17.
- Kermany DS, Goldbaum M, Cai W, Valentim CCS, Liang H, Baxter SL, McKeown A, Yang G, Wu X, Yan F, Dong J, Prasadha MK, Pei J, Ting MYL, Zhu J, Li C, Hewett S, Dong J, Ziyar I, Shi A, Zhang R, Zheng L, Hou R, Shi W, Fu X, Duan Y, Huu VAN, Wen C, Zhang ED, Zhang CL, Li O, Wang X, Singer MA, Sun X, Xu J, Tafreshi A, Lewis MA, Xia H, Zhang K. Identifying Medical Diagnoses and Treatable Diseases by Image-Based Deep Learning. Cell. 2018 Feb 22;172(5):1122-1131.e9. doi: 10.1016/j.cell.2018.02.010.
- Esteva A, Kuprel B, Novoa RA, Ko J, Swetter SM, Blau HM, Thrun S. Dermatologist-level classification of skin cancer with deep neural networks. Nature. 2017 Feb 2;542(7639):115-118. doi: 10.1038/nature21056. Epub 2017 Jan 25. Erratum In: Nature. 2017 Jun 28;546(7660):686.
- Schmidt-Erfurth U, Waldstein SM, Klimscha S, Sadeghipour A, Hu X, Gerendas BS, Osborne A, Bogunovic H. Prediction of Individual Disease Conversion in Early AMD Using Artificial Intelligence. Invest Ophthalmol Vis Sci. 2018 Jul 2;59(8):3199-3208. doi: 10.1167/iovs.18-24106.
- Garrity ST, Sarraf D, Freund KB, Sadda SR. Multimodal Imaging of Nonneovascular Age-Related Macular Degeneration. Invest Ophthalmol Vis Sci. 2018 Mar 20;59(4):AMD48-AMD64. doi: 10.1167/iovs.18-24158.
- Acon D, Wu L. Multimodal Imaging in Diabetic Macular Edema. Asia Pac J Ophthalmol (Phila). 2018 Jan-Feb;7(1):22-27. doi: 10.22608/APO.2017504. Epub 2017 Jan 29.
- Spaide RF, Fujimoto JG, Waheed NK, Sadda SR, Staurenghi G. Optical coherence tomography angiography. Prog Retin Eye Res. 2018 May;64:1-55. doi: 10.1016/j.preteyeres.2017.11.003. Epub 2017 Dec 8.
- Sun P, Tandias RM, Yu G, Arroyo JG. SPECTRAL DOMAIN OPTICAL COHERENCE TOMOGRAPHY FINDINGS AND VISUAL OUTCOME AFTER TREATMENT FOR VITREOMACULAR TRACTION. Retina. 2019 Jun;39(6):1054-1060. doi: 10.1097/IAE.0000000000002116.
- Lee CS, Tyring AJ, Deruyter NP, Wu Y, Rokem A, Lee AY. Deep-learning based, automated segmentation of macular edema in optical coherence tomography. Biomed Opt Express. 2017 Jun 23;8(7):3440-3448. doi: 10.1364/BOE.8.003440. eCollection 2017 Jul 1.
- Zur D, Iglicki M, Busch C, Invernizzi A, Mariussi M, Loewenstein A; International Retina Group. OCT Biomarkers as Functional Outcome Predictors in Diabetic Macular Edema Treated with Dexamethasone Implant. Ophthalmology. 2018 Feb;125(2):267-275. doi: 10.1016/j.ophtha.2017.08.031. Epub 2017 Sep 19.
- Beam AL, Kohane IS. Big Data and Machine Learning in Health Care. JAMA. 2018 Apr 3;319(13):1317-1318. doi: 10.1001/jama.2017.18391. No abstract available.
- Ngiam KY, Khor IW. Big data and machine learning algorithms for health-care delivery. Lancet Oncol. 2019 May;20(5):e262-e273. doi: 10.1016/S1470-2045(19)30149-4. Erratum In: Lancet Oncol. 2019 Jun;20(6):293.
- Abramoff MD, Lou Y, Erginay A, Clarida W, Amelon R, Folk JC, Niemeijer M. Improved Automated Detection of Diabetic Retinopathy on a Publicly Available Dataset Through Integration of Deep Learning. Invest Ophthalmol Vis Sci. 2016 Oct 1;57(13):5200-5206. doi: 10.1167/iovs.16-19964.
- Lakhani P, Sundaram B. Deep Learning at Chest Radiography: Automated Classification of Pulmonary Tuberculosis by Using Convolutional Neural Networks. Radiology. 2017 Aug;284(2):574-582. doi: 10.1148/radiol.2017162326. Epub 2017 Apr 24.
- Ting DSW, Cheung CY, Lim G, Tan GSW, Quang ND, Gan A, Hamzah H, Garcia-Franco R, San Yeo IY, Lee SY, Wong EYM, Sabanayagam C, Baskaran M, Ibrahim F, Tan NC, Finkelstein EA, Lamoureux EL, Wong IY, Bressler NM, Sivaprasad S, Varma R, Jonas JB, He MG, Cheng CY, Cheung GCM, Aung T, Hsu W, Lee ML, Wong TY. Development and Validation of a Deep Learning System for Diabetic Retinopathy and Related Eye Diseases Using Retinal Images From Multiethnic Populations With Diabetes. JAMA. 2017 Dec 12;318(22):2211-2223. doi: 10.1001/jama.2017.18152.
- Li Z, He Y, Keel S, Meng W, Chang RT, He M. Efficacy of a Deep Learning System for Detecting Glaucomatous Optic Neuropathy Based on Color Fundus Photographs. Ophthalmology. 2018 Aug;125(8):1199-1206. doi: 10.1016/j.ophtha.2018.01.023. Epub 2018 Mar 2.
- Burlina P, Joshi N, Pacheco KD, Freund DE, Kong J, Bressler NM. Utility of Deep Learning Methods for Referability Classification of Age-Related Macular Degeneration. JAMA Ophthalmol. 2018 Nov 1;136(11):1305-1307. doi: 10.1001/jamaophthalmol.2018.3799.
- Grassmann F, Mengelkamp J, Brandl C, Harsch S, Zimmermann ME, Linkohr B, Peters A, Heid IM, Palm C, Weber BHF. A Deep Learning Algorithm for Prediction of Age-Related Eye Disease Study Severity Scale for Age-Related Macular Degeneration from Color Fundus Photography. Ophthalmology. 2018 Sep;125(9):1410-1420. doi: 10.1016/j.ophtha.2018.02.037. Epub 2018 Apr 10.
- Brown JM, Campbell JP, Beers A, Chang K, Ostmo S, Chan RVP, Dy J, Erdogmus D, Ioannidis S, Kalpathy-Cramer J, Chiang MF; Imaging and Informatics in Retinopathy of Prematurity (i-ROP) Research Consortium. Automated Diagnosis of Plus Disease in Retinopathy of Prematurity Using Deep Convolutional Neural Networks. JAMA Ophthalmol. 2018 Jul 1;136(7):803-810. doi: 10.1001/jamaophthalmol.2018.1934.
- De Fauw J, Ledsam JR, Romera-Paredes B, Nikolov S, Tomasev N, Blackwell S, Askham H, Glorot X, O'Donoghue B, Visentin D, van den Driessche G, Lakshminarayanan B, Meyer C, Mackinder F, Bouton S, Ayoub K, Chopra R, King D, Karthikesalingam A, Hughes CO, Raine R, Hughes J, Sim DA, Egan C, Tufail A, Montgomery H, Hassabis D, Rees G, Back T, Khaw PT, Suleyman M, Cornebise J, Keane PA, Ronneberger O. Clinically applicable deep learning for diagnosis and referral in retinal disease. Nat Med. 2018 Sep;24(9):1342-1350. doi: 10.1038/s41591-018-0107-6. Epub 2018 Aug 13.
- Schmidt-Erfurth U, Sadeghipour A, Gerendas BS, Waldstein SM, Bogunovic H. Artificial intelligence in retina. Prog Retin Eye Res. 2018 Nov;67:1-29. doi: 10.1016/j.preteyeres.2018.07.004. Epub 2018 Aug 1.
- Sarao V, Veritti D, Borrelli E, Sadda SVR, Poletti E, Lanzetta P. A comparison between a white LED confocal imaging system and a conventional flash fundus camera using chromaticity analysis. BMC Ophthalmol. 2019 Nov 19;19(1):231. doi: 10.1186/s12886-019-1241-8.
- Fernandez-Avellaneda P, Breazzano MP, Fragiotta S, Xu X, Zhang Q, Wang RK, Freund KB. BACILLARY LAYER DETACHMENT OVERLYING REDUCED CHORIOCAPILLARIS FLOW IN ACUTE IDIOPATHIC MACULOPATHY. Retin Cases Brief Rep. 2022 Jan 1;16(1):59-66. doi: 10.1097/ICB.0000000000000943.
- Huang NT, Georgiadis C, Gomez J, Tang PH, Drayna P, Koozekanani DD, van Kuijk FJGM, Montezuma SR. Comparing fundus autofluorescence and infrared imaging findings of peripheral retinoschisis, schisis detachment, and retinal detachment. Am J Ophthalmol Case Rep. 2020 Mar 26;18:100666. doi: 10.1016/j.ajoc.2020.100666. eCollection 2020 Jun.
- Stanga PE, Williams JI, Shaarawy SA, Agarwal A, Venkataraman A, Kumar DA, You TT, Hope RS. FIRST-IN-HUMAN CLINICAL STUDY TO INVESTIGATE THE EFFECTIVENESS AND SAFETY OF PARS PLANA VITRECTOMY SURGERY USING A NEW HYPERSONIC TECHNOLOGY. Retina. 2020 Jan;40(1):16-23. doi: 10.1097/IAE.0000000000002365.
- Hubschman JP, Govetto A, Spaide RF, Schumann R, Steel D, Figueroa MS, Sebag J, Gaudric A, Staurenghi G, Haritoglou C, Kadonosono K, Thompson JT, Chang S, Bottoni F, Tadayoni R. Optical coherence tomography-based consensus definition for lamellar macular hole. Br J Ophthalmol. 2020 Dec;104(12):1741-1747. doi: 10.1136/bjophthalmol-2019-315432. Epub 2020 Feb 27.
- Bae K, Lee SM, Kang SW, Kim ES, Yu SY, Kim KT. Atypical epiretinal tissue in full-thickness macular holes: pathogenic and prognostic significance. Br J Ophthalmol. 2019 Feb;103(2):251-256. doi: 10.1136/bjophthalmol-2017-311810. Epub 2018 Apr 26.
- Rizzo S, Tartaro R, Barca F, Caporossi T, Bacherini D, Giansanti F. INTERNAL LIMITING MEMBRANE PEELING VERSUS INVERTED FLAP TECHNIQUE FOR TREATMENT OF FULL-THICKNESS MACULAR HOLES: A COMPARATIVE STUDY IN A LARGE SERIES OF PATIENTS. Retina. 2018 Sep;38 Suppl 1:S73-S78. doi: 10.1097/IAE.0000000000001985.
- Christensen UC. Value of internal limiting membrane peeling in surgery for idiopathic macular hole and the correlation between function and retinal morphology. Acta Ophthalmol. 2009 Dec;87 Thesis 2:1-23. doi: 10.1111/j.1755-3768.2009.01777.x.
- Fukuyama H, Ishikawa H, Komuku Y, Araki T, Kimura N, Gomi F. Comparative analysis of metamorphopsia and aniseikonia after vitrectomy for epiretinal membrane, macular hole, or rhegmatogenous retinal detachment. PLoS One. 2020 May 8;15(5):e0232758. doi: 10.1371/journal.pone.0232758. eCollection 2020.
- Rizzo S, Savastano A, Bacherini D, Savastano MC. Vascular Features of Full-Thickness Macular Hole by OCT Angiography. Ophthalmic Surg Lasers Imaging Retina. 2017 Jan 1;48(1):62-68. doi: 10.3928/23258160-20161219-09.
- Bacherini D, Savastano MC, Dragotto F, Finocchio L, Lenzetti C, Bitossi A, Tartaro R, Giansanti F, Barca F, Savastano A, Caporossi T, Vannozzi L, Sodi A, Luca M, Faraldi F, Virgili G, Rizzo S. Morpho-Functional Evaluation of Full-Thickness Macular Holes by the Integration of Optical Coherence Tomography Angiography and Microperimetry. J Clin Med. 2020 Jan 15;9(1):229. doi: 10.3390/jcm9010229.
- Qi Y, Wang Z, Li SM, You Q, Liang X, Yu Y, Liu W. Effect of internal limiting membrane peeling on normal retinal function evaluated by microperimetry-3. BMC Ophthalmol. 2020 Apr 9;20(1):140. doi: 10.1186/s12886-020-01383-3.
- Smith AJ, Telander DG, Zawadzki RJ, Choi SS, Morse LS, Werner JS, Park SS. High-resolution Fourier-domain optical coherence tomography and microperimetric findings after macula-off retinal detachment repair. Ophthalmology. 2008 Nov;115(11):1923-9. doi: 10.1016/j.ophtha.2008.05.025. Epub 2008 Jul 31.
- Reumueller A, Wassermann L, Salas M, Karantonis MG, Sacu S, Georgopoulos M, Drexler W, Pircher M, Pollreisz A, Schmidt-Erfurth U. Morphologic and Functional Assessment of Photoreceptors After Macula-Off Retinal Detachment With Adaptive-Optics OCT and Microperimetry. Am J Ophthalmol. 2020 Jun;214:72-85. doi: 10.1016/j.ajo.2019.12.015. Epub 2019 Dec 25.
- Falsini B, Serrao S, Fadda A, Iarossi G, Porrello G, Cocco F, Merendino E. Focal electroretinograms and fundus appearance in nonexudative age-related macular degeneration. Quantitative relationship between retinal morphology and function. Graefes Arch Clin Exp Ophthalmol. 1999 Mar;237(3):193-200. doi: 10.1007/s004170050218.
- Falsini B, Bardocci A, Porciatti V, Bolzani R, Piccardi M. Macular dysfunction in multiple sclerosis revealed by steady-state flicker and pattern ERGs. Electroencephalogr Clin Neurophysiol. 1992 Jan;82(1):53-9. doi: 10.1016/0013-4694(92)90182-h.
- Abed E, Placidi G, Campagna F, Federici M, Minnella A, Guerri G, Bertelli M, Piccardi M, Galli-Resta L, Falsini B. Early impairment of the full-field photopic negative response in patients with Stargardt disease and pathogenic variants of the ABCA4 gene. Clin Exp Ophthalmol. 2018 Jul;46(5):519-530. doi: 10.1111/ceo.13115. Epub 2017 Dec 28.
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 15. tammikuuta 2021
Ensisijainen valmistuminen (Arvioitu)
Keskiviikko 15. tammikuuta 2025
Opintojen valmistuminen (Arvioitu)
Torstai 16. tammikuuta 2025
Opintoihin ilmoittautumispäivät
Ensimmäinen lähetetty
Perjantai 17. helmikuuta 2023
Ensimmäinen toimitettu, joka täytti QC-kriteerit
Perjantai 17. helmikuuta 2023
Ensimmäinen Lähetetty (Todellinen)
Tiistai 28. helmikuuta 2023
Tutkimustietojen päivitykset
Viimeisin päivitys julkaistu (Todellinen)
Tiistai 13. helmikuuta 2024
Viimeisin lähetetty päivitys, joka täytti QC-kriteerit
Lauantai 10. helmikuuta 2024
Viimeksi vahvistettu
Torstai 1. helmikuuta 2024
Lisää tietoa
Tähän tutkimukseen liittyvät termit
Muita asiaankuuluvia MeSH-ehtoja
Muut tutkimustunnusnumerot
- 3680
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 .