- ICH GCP
- Registre américain des essais cliniques
- Essai clinique NCT05333042
Validation externe d'un modèle basé sur l'apprentissage en profondeur pour la détection des embolies pulmonaires sur les tomodensitogrammes thoraciques
20 septembre 2022 mis à jour par: OncoRadiomics
La portée de cette étude est la validation externe d'un classificateur explicable basé sur l'apprentissage profond pour le diagnostic et la détection de l'embolie pulmonaire dans l'angiographie pulmonaire par tomodensitométrie (CTPA) et les tomodensitogrammes à contraste amélioré.
Aperçu de l'étude
Statut
Complété
Les conditions
Description détaillée
L'embolie pulmonaire (EP) est une maladie potentiellement mortelle si elle n'est pas diagnostiquée et traitée rapidement.
Le CTPA thoracique reste aujourd'hui la référence en matière de diagnostic, mais l'EP peut également être découverte de manière fortuite sur les tomodensitogrammes améliorés.
La plupart des examens CTPA sont effectués en clinique en cas de suspicion d'EP dans des conditions urgentes, alors qu'une minorité est effectuée pour des conditions de thromboembolie pulmonaire chronique suspecte ou validée, une maladie souvent négligée sur les tomodensitogrammes mais affectée par une morbidité élevée et un mauvais pronostic si elle n'est pas traitée. .
Ainsi, les méthodes pour accélérer et automatiser la reconnaissance des emboles dans les vaisseaux pulmonaires ont le potentiel de devenir un support important dans la pratique clinique, permettant un meilleur triage des cas urgents d'EP et une sensibilité accrue dans l'identification des patients atteints de thromboembolie pulmonaire chronique.
Sur la base de ces besoins cliniques, un modèle basé sur l'apprentissage profond pour la détection de l'embolie pulmonaire a été développé sur les scanners CTPA.
Le modèle était basé sur l'architecture 2D ResNext50 et a été formé et validé à l'aide d'un ensemble de données open source multicentrique composé de 7169 patients.
De ces données rétrospectives, 85 000 tranches positives pour l'EP et 123 428 négatives pour l'EP ont été extraites pour l'entraînement.
Pour la validation interne, 9 922 tranches ont été utilisées pour chaque classe.
Le modèle a été initialement validé en externe au niveau du patient à l'aide d'un ensemble de données de 156 patients adultes provenant de 3 sources publiques différentes, avec tous les emboles segmentés par au moins un radiologue expérimenté.
Pour mieux comprendre les prédictions du modèle, des cartes d'activation ont été extraites à l'aide de la méthode Grad-CAM.
En comparant ces cartes avec les segmentations de vérité terrain (GT), il a été déterminé si les régions activées correspondaient à des régions de PE en calculant le pourcentage de GT PE qui était activé et le pourcentage de régions activées correspondant à GT PE.
Le modèle de classification PE a atteint une aire sous la courbe (AUC) de 0,86 [0,800-0,919],
une sensibilité de 82,68 % [75,16 - 88,27] et une spécificité de 79,31 % [61,61 - 90,15] sur le jeu de validation externe.
Cependant, ces résultats ont été obtenus dans une cohorte de validation externe déséquilibrée (127 patients EP positifs contre 29 patients EP négatifs), il est donc très important d'évaluer les performances du modèle également dans une cohorte de patients plus équilibrée, représentant l'incidence clinique réelle de l'EP ( entre 12 et 22 %).
Pour cette raison, la portée de la présente étude est de collecter une cohorte de validation externe représentative de la réalité clinique réelle, comprenant à la fois CTPA et scanners améliorés, avec un pourcentage plus équilibré de cas d'EP positifs et négatifs.
De plus, les performances du modèle seront comparées entre les scanners CT et CTPA améliorés.
Type d'étude
Observationnel
Inscription (Réel)
5000
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
-
-
-
Liège, Belgique, 4000
- Hospital Center Universitaire De Liège
-
-
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 et plus (ADULTE, OLDER_ADULT)
Accepte les volontaires sains
Non
Sexes éligibles pour l'étude
Tout
Méthode d'échantillonnage
Échantillon non probabiliste
Population étudiée
La population à l'étude est composée de participants ayant subi une tomodensitométrie thoracique améliorée à des fins de dépistage en cas de suspicion d'embolie pulmonaire
La description
Critère d'intégration:
- Tout patient ayant bénéficié d'une tomodensitométrie à contraste amélioré pour une raison clinique quelconque
- Disponibilité d'images à contraste amélioré avec noyau de reconstruction standard et à la fenêtre médiastinale
Critère d'exclusion:
- Opposition à participer à un essai clinique rétrospectif
- Artefacts respiratoires graves et faisceaux durs
- Patients déjà inclus dans un essai clinique
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
Que mesure l'étude ?
Principaux critères de jugement
Mesure des résultats |
Description de la mesure |
Délai |
---|---|---|
Les performances de détection du modèle de deep learning
Délai: ligne de base
|
Aire sous la courbe (AUC), sensibilité et spécificité pour le modèle d'apprentissage en profondeur dans l'identification de l'embolie pulmonaire sur le scanner thoracique amélioré
|
ligne de base
|
Mesures de résultats secondaires
Mesure des résultats |
Description de la mesure |
Délai |
---|---|---|
Comparaison des performances du modèle d'apprentissage profond sur CTPA et scanners améliorés
Délai: ligne de base
|
Aire sous la courbe (AUC), sensibilité et spécificité du modèle d'apprentissage profond dans l'identification de l'embolie pulmonaire sur le scanner thoracique amélioré par rapport aux scanners CTPA
|
ligne de base
|
Collaborateurs et enquêteurs
C'est ici que vous trouverez les personnes et les organisations impliquées dans cette étude.
Parrainer
Collaborateurs
Les enquêteurs
- Chercheur principal: Paul Meunier, PhD, CHU of Liège
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 avril 2022
Achèvement primaire (RÉEL)
1 avril 2022
Achèvement de l'étude (RÉEL)
14 juillet 2022
Dates d'inscription aux études
Première soumission
11 avril 2022
Première soumission répondant aux critères de contrôle qualité
11 avril 2022
Première publication (RÉEL)
18 avril 2022
Mises à jour des dossiers d'étude
Dernière mise à jour publiée (RÉEL)
21 septembre 2022
Dernière mise à jour soumise répondant aux critères de contrôle qualité
20 septembre 2022
Dernière vérification
1 avril 2022
Plus d'information
Termes liés à cette étude
Termes MeSH pertinents supplémentaires
Autres numéros d'identification d'étude
- 0156_PE detector validation
Plan pour les données individuelles des participants (IPD)
Prévoyez-vous de partager les données individuelles des participants (DPI) ?
NON
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 .