Cette page a été traduite automatiquement et l'exactitude de la traduction n'est pas garantie. Veuillez vous référer au version anglaise pour un texte source.

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

Lieux d'étude

    • Beijing
      • Beijing, Beijing, Chine, 100191
        • Recrutement
        • Peking University Third Hospital
        • Contact:

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:

  1. travailleurs exposés à la poussière;
  2. avoir une radiographie pulmonaire numérique

Critère d'exclusion:

  1. maladie pulmonaire basale;
  2. 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.

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

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 .

S'abonner