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.

Technologie de radiomique basée sur les ultrasons à segmentation automatique dans l'insuffisance rénale diabétique

Détection non invasive de la néphropathie diabétique basée sur la technologie de radiomics basée sur les ultrasons de segmentation automatique

L'insuffisance rénale diabétique est une complication fréquente du diabète et la principale cause d'insuffisance rénale terminale. Dans cette étude, l'investigateur prévoit d'inscrire près de 500 participants avec/sans DKD et de développer une technologie de radiomics basée sur les ultrasons de segmentation automatique pour différencier les participants avec un moyen non invasif et disponible.

Aperçu de l'étude

Statut

Complété

Description détaillée

L'échographie est une méthode pratique, peu coûteuse et non invasive pour l'examen des reins. Cependant, la capacité de l'échographie conventionnelle à distinguer une néphropathie diabétique d'un rein normal est limitée, et il est difficile de faire la distinction précise entre une néphropathie diabétique et un rein normal uniquement à l'œil nu. Ces dernières années, l'informatique s'est développée rapidement et l'intelligence artificielle n'a cessé de se développer. De nombreux progrès ont été réalisés dans l'application de l'intelligence artificielle à l'analyse des données. L'apprentissage automatique est une direction de l'intelligence artificielle généralisée, sa principale caractéristique est de rendre la prédiction autonome de la machine et de créer un algorithme, de manière à réaliser un apprentissage autonome. les maladies rénales et l'apprentissage en profondeur sont deux approches différentes dans le domaine de l'apprentissage automatique. Dans cette étude, l'image-omique et l'apprentissage en profondeur ont été utilisés pour analyser les images. Image omics extrait les caractéristiques d'image traditionnelles, y compris la forme, l'échelle de gris, la texture, etc., et utilise des modèles d'apprentissage automatique (reconnaissance de formes) pour classer et prédire, tels que la machine à vecteurs de support, la forêt aléatoire, XGBoost, etc. L'apprentissage en profondeur utilise directement le réseau convolutif CNN pour extraire les caractéristiques, et complète la classification et la prédiction en combinaison avec la couche de connexion complète, etc.

Cette étude vise à explorer la détection de la néphropathie diabétique et son degré pathologique sur la base de la technologie radiomique à segmentation automatique basée sur les ultrasons, l'exploration des informations internes des images échographiques et à former un ensemble de surveillance non invasive du système de développement des complications de la néphropathie diabétique, en particulier dans les établissements médicaux primaires, a une large perspective d'application clinique.

Type d'étude

Observationnel

Inscription (Réel)

499

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.

Lieux d'étude

    • Anhui
      • Fuyang, Anhui, Chine, 236200
        • The People's Hospital of Yingshang
    • Tianjin
      • Tianjin, Tianjin, Chine, 300000
        • Tianjin Third Central Hospital
    • Zhejiang
      • Hangzhou, Zhejiang, Chine, 310000
        • Department of Ultrasound, Second Affiliated Hospital, School of Medicine, Zhejiang University

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 80 ans (Adulte, Adulte plus âgé)

Accepte les volontaires sains

Non

Sexes éligibles pour l'étude

Tout

Méthode d'échantillonnage

Échantillon non probabiliste

Population étudiée

  1. patients atteints de diabète
  2. patients avec ou sans DKD

La description

Critère d'intégration:

  • des patients avec un diagnostic clinique de DT2 et de DKD ont été recrutés.
  • patients avec une imagerie échographique en mode B clair des deux côtés du rein (gauche et droite).
  • Aucune valeur manquante dans les données cliniques vitales telles que l'eGFR et l'UACR.

Critère d'exclusion:

  • Les patients atteints d'une maladie occupant un grand espace rénal, comme un kyste rénal et une tumeur rénale, ont été exclus.
  • Les images échographiques avec une ombre sévère ou une bordure rénale incomplète ont été exclues.

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
Intervention / Traitement
Groupe expérimental
Groupe expérimental 1: Patients DKD atteints de diabète de type 2 Patients atteints de DKD Groupe expérimental 2 : Patients DKD de haut niveau atteints d'insuffisance rénale diabétique de stade III et IV.
Des images échographiques bidimensionnelles des reins du patient ont été obtenues par imagerie ultrasonore.
Groupe de contrôle
Contrôle 1: Patients DT2 atteints de diabète de type 2 Contrôle 2: Patients DKD de faible niveau atteints d'insuffisance rénale diabétique de stade I et II.
Des images échographiques bidimensionnelles des reins du patient ont été obtenues par imagerie ultrasonore.

Que mesure l'étude ?

Principaux critères de jugement

Mesure des résultats
Description de la mesure
Délai
ASC
Délai: 6 mois
L'aire sous la courbe (AUC) du modèle radiomique pour différencier les patients DKD et T2DM ou les patients DKD de haut niveau et de bas niveau
6 mois

Mesures de résultats secondaires

Mesure des résultats
Description de la mesure
Délai
Miou
Délai: 6 mois
L'intersection moyenne sur l'union (Miou) de l'auto-segmentation basée sur DL dans différents centres médicaux
6 mois
AMP
Délai: 6 mois
La précision moyenne des pixels (mPA) de l'auto-segmentation basée sur DL dans différents centres médicaux
6 mois

Collaborateurs et enquêteurs

C'est ici que vous trouverez les personnes et les organisations impliquées dans cette étude.

Les enquêteurs

  • Chaise d'étude: Pintong Huang, Department of Ultrasound, The Second Affiliated Hospital of Zhejiang University

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 juin 2021

Achèvement primaire (Réel)

1 décembre 2021

Achèvement de l'étude (Réel)

1 décembre 2021

Dates d'inscription aux études

Première soumission

24 août 2021

Première soumission répondant aux critères de contrôle qualité

24 août 2021

Première publication (Réel)

27 août 2021

Mises à jour des dossiers d'étude

Dernière mise à jour publiée (Réel)

16 février 2022

Dernière mise à jour soumise répondant aux critères de contrôle qualité

15 février 2022

Dernière vérification

1 août 2021

Plus d'information

Termes liés à cette étude

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