- ICH GCP
- Registre américain des essais cliniques
- Essai clinique NCT04952675
Évaluation des modèles d'alerte précoce à haut risque de pneumoconiose
2 juillet 2021 mis à jour par: Peking University Third Hospital
Le développement et l'application clinique de modèles d'alerte précoce à haut risque de pneumoconiose basés sur un réseau neuronal convolutif en radiographie thoracique
La prévention de la pneumoconiose est plus importante que le traitement.
Cependant, le processus actuel ne peut pas avertir tôt les travailleurs exposés à la poussière à haut risque jusqu'à ce qu'ils soient diagnostiqués avec une pneumoconiose.
Avec ses caractéristiques d'efficacité, d'impersonnalité et de quantification, l'intelligence artificielle est tout à fait appropriée pour résoudre ces problèmes.
Par conséquent, nous visons à adapter l'apprentissage en profondeur pour développer des modèles de détection intelligente de la pneumoconiose, de diagnostic de grade et d'alerte précoce à haut risque.
Les images annotées seront utilisées pour la formation à l'algorithme des réseaux de neurones convolutifs (CNN), visant le dépistage de la pneumoconiose et le diagnostic de grade.
De plus, le score de risque calculé par carte thermique de densité sera utilisé pour l'alerte précoce des travailleurs exposés à la poussière.
Ensuite, un suivi de la cohorte sera impliqué pour vérifier la validité du score de risque.
De cette manière, les travailleurs à haut risque exposés à la poussière bénéficieront d'une intervention précoce et d'un meilleur pronostic, ce qui peut évidemment réduire le fardeau médical.
Aperçu de l'étude
Statut
Recrutement
Les conditions
Description détaillée
La pneumoconiose, maladie professionnelle prédominante en Chine et dans le monde.
La radiographie thoracique est le test radiologique le plus accessible et le plus abordable disponible pour l'examen physique des travailleurs exposés à la poussière et le dépistage de masse de la pneumoconiose.
Mais le processus de diagnostic présente certains inconvénients, tels qu'une forte subjectivité, une inefficacité et une incapacité de jugement de la lésion limite, etc. En outre, la précaution de la pneumoconiose est plus importante que le traitement.
Cependant, le processus actuel ne peut pas avertir tôt les travailleurs exposés à la poussière à haut risque jusqu'à ce qu'ils soient diagnostiqués avec une pneumoconiose.
Avec ses caractéristiques d'efficacité, d'impersonnalité et de quantification, l'intelligence artificielle est juste appropriée pour résoudre les problèmes susmentionnés.
Jusqu'à présent, il y a eu de rares recherches sur l'adaptation de l'apprentissage en profondeur pour le diagnostic de grade de pneumoconiose et l'alerte précoce à haut risque.
Dans nos études précédentes, nous avons mis en place une base de données de radiographies thoraciques, qui contient plus de 100 000 images radiographiques numériques de pneumoconiose.
Le résultat de l'évaluation du système de détection a démontré que la précision dans l'identification de la pneumoconiose pouvait atteindre 90 %, avec une ASC (aire sous la courbe) de 0,965 et une sensibilité de 99 %.
D'autres travaux doivent être poursuivis.
Par conséquent, nous visons à adapter l'apprentissage en profondeur pour développer des modèles de détection intelligente de la pneumoconiose, de diagnostic de grade et d'alerte précoce à haut risque.
Les images annotées seront utilisées pour la formation à l'algorithme des réseaux de neurones convolutifs (CNN), visant le dépistage de la pneumoconiose et le diagnostic de grade.
De plus, le score de risque calculé par carte thermique de densité sera utilisé pour l'alerte précoce des travailleurs exposés à la poussière.
Ensuite, un suivi de la cohorte sera impliqué pour vérifier la validité du score de risque.
De cette manière, les travailleurs à haut risque exposés à la poussière bénéficieront d'une intervention précoce et d'un meilleur pronostic, ce qui peut évidemment réduire le fardeau médical.
Type d'étude
Observationnel
Inscription (Anticipé)
200
Contacts et emplacements
Cette section fournit les coordonnées de ceux qui mènent l'étude et des informations sur le lieu où cette étude est menée.
Coordonnées de l'étude
- Nom: Xiao Li, M.D.
- Numéro de téléphone: +8613051709411
- E-mail: lixiao.sy@bjmu.edu.cn
Lieux d'étude
-
-
Beijing
-
Beijing, Beijing, Chine, 100191
- Recrutement
- Peking University Third Hospital
-
Contact:
- Xiao Li, M.D.
- Numéro de téléphone: +8613051709411
- E-mail: lixiao.sy@bjmu.edu.cn
-
-
Critères de participation
Les chercheurs recherchent des personnes qui correspondent à une certaine description, appelée critères d'éligibilité. Certains exemples de ces critères sont l'état de santé général d'une personne ou des traitements antérieurs.
Critère d'éligibilité
Âges éligibles pour étudier
18 ans à 60 ans (ADULTE)
Accepte les volontaires sains
Non
Sexes éligibles pour l'étude
Tout
Méthode d'échantillonnage
Échantillon de probabilité
Population étudiée
travailleurs exposés à la poussière de 16 provinces de Chine
La description
Critère d'intégration:
- travailleurs exposés à la poussière;
- avoir une radiographie pulmonaire numérique
Critère d'exclusion:
- maladie pulmonaire basale;
- dimission du travail exposé à la poussière
Plan d'étude
Cette section fournit des détails sur le plan d'étude, y compris la façon dont l'étude est conçue et ce que l'étude mesure.
Comment l'étude est-elle conçue ?
Détails de conception
Cohortes et interventions
Groupe / Cohorte |
|---|
|
groupe à faible risque
Indice de risque∈[0,0.5)
|
|
groupe à haut risque
Indice de risque∈[0.5,1)
|
Que mesure l'étude ?
Principaux critères de jugement
Mesure des résultats |
Description de la mesure |
Délai |
|---|---|---|
|
participants diagnostiqués comme "pneumoconiose"
Délai: avant le 31 décembre 2022
|
Nombre de participants diagnostiqués comme "pneumoconiose"
|
avant le 31 décembre 2022
|
|
décès
Délai: avant le 31 décembre 2022
|
Nombre de participants décédés
|
avant le 31 décembre 2022
|
Mesures de résultats secondaires
Mesure des résultats |
Description de la mesure |
Délai |
|---|---|---|
|
Volume expiratoire forcé en 1s(FEV1) en %
Délai: avant le 31 décembre 2022
|
Volume expiratoire forcé en 1s
|
avant le 31 décembre 2022
|
|
pression partielle artérielle d'oxygène, PaO2
Délai: avant le 31 décembre 2022
|
pression partielle artérielle d'oxygène
|
avant le 31 décembre 2022
|
|
Conseil de la recherche médicale modifié,mMRC
Délai: avant le 31 décembre 2022
|
un questionnaire utilisé pour évaluer les symptômes
|
avant le 31 décembre 2022
|
Collaborateurs et enquêteurs
C'est ici que vous trouverez les personnes et les organisations impliquées dans cette étude.
Parrainer
Les enquêteurs
- Chercheur principal: Xiao Li, M.D., Peking University Third Hospital
Dates d'enregistrement des études
Ces dates suivent la progression des dossiers d'étude et des soumissions de résultats sommaires à ClinicalTrials.gov. Les dossiers d'étude et les résultats rapportés sont examinés par la Bibliothèque nationale de médecine (NLM) pour s'assurer qu'ils répondent à des normes de contrôle de qualité spécifiques avant d'être publiés sur le site Web public.
Dates principales de l'étude
Début de l'étude (RÉEL)
1 août 2018
Achèvement primaire (ANTICIPÉ)
1 décembre 2021
Achèvement de l'étude (ANTICIPÉ)
1 décembre 2025
Dates d'inscription aux études
Première soumission
23 juin 2021
Première soumission répondant aux critères de contrôle qualité
2 juillet 2021
Première publication (RÉEL)
7 juillet 2021
Mises à jour des dossiers d'étude
Dernière mise à jour publiée (RÉEL)
7 juillet 2021
Dernière mise à jour soumise répondant aux critères de contrôle qualité
2 juillet 2021
Dernière vérification
1 juin 2021
Plus d'information
Termes liés à cette étude
Mots clés
Termes MeSH pertinents supplémentaires
Autres numéros d'identification d'étude
- PekingUTH-002
Plan pour les données individuelles des participants (IPD)
Prévoyez-vous de partager les données individuelles des participants (DPI) ?
INDÉCIS
Informations sur les médicaments et les dispositifs, documents d'étude
Étudie un produit pharmaceutique réglementé par la FDA américaine
Non
Étudie un produit d'appareil réglementé par la FDA américaine
Non
Ces informations ont été extraites directement du site Web clinicaltrials.gov sans aucune modification. Si vous avez des demandes de modification, de suppression ou de mise à jour des détails de votre étude, veuillez contacter register@clinicaltrials.gov. Dès qu'un changement est mis en œuvre sur clinicaltrials.gov, il sera également mis à jour automatiquement sur notre site Web .