Analyse multimodale des troubles structurels de la voix basée sur la parole et la vidéo du laryngoscope stroboscopique
22 avril 2022 mis à jour par: Sun Yat-Sen Memorial Hospital of Sun Yat-Sen University
Cette étude a pour but de collecter des données cliniques telles que des images de laryngoscope stroboscopique et des données audio de voyelle de patients souffrant de troubles structuraux de la voix et d'individus en bonne santé, et d'établir un modèle de système de diagnostic multimodal des troubles de la voix en utilisant des algorithmes d'apprentissage en profondeur.
La classification multiple des maladies qui causent des troubles de la voix peut être appliquée aux patients souffrant de troubles de la voix mais non diagnostiqués dans la pratique clinique, aidant ainsi les cliniciens à diagnostiquer les maladies et à réduire les erreurs de diagnostic et les diagnostics manqués.
De plus, certains patients souffrant de troubles de la voix peuvent être pris en charge à distance grâce au modèle de diagnostic audio, et un meilleur suivi et des suggestions de traitement peuvent leur être donnés.
La thérapie vocale à distance peut atténuer la situation actuelle de pénurie d'orthophonistes dans les régions reculées de notre pays et augmenter le nombre de patients qui ont besoin d'une thérapie vocale.
opportunité.
La thérapie vocale à distance est plus rentable, plus flexible dans le temps et plus rentable.
Aperçu de l'étude
Statut
Pas encore de recrutement
Les conditions
Description détaillée
- Détection et classification des lésions acoustiques basées sur l'apprentissage en profondeur de la parole
- Détection et classification des lésions acoustiques basées sur l'apprentissage profond des images
- Détection et classification des lésions acoustiques basées sur le Deep Learning basé sur la multimodalité
Type d'étude
Observationnel
Inscription (Anticipé)
1
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: YueXin Cai
- Numéro de téléphone: 13825063663
- E-mail: caiyx25@mail.sysu.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
20 ans à 80 ans (ADULTE, OLDER_ADULT)
Accepte les volontaires sains
Oui
Sexes éligibles pour l'étude
Tout
Méthode d'échantillonnage
Échantillon non probabiliste
Population étudiée
Dans cette étude, 490 patients souffrant de troubles de la voix (dont un cancer du larynx, des lésions précancéreuses du larynx et des lésions laryngées bénignes) et 50 personnes en bonne santé ont été recueillis à partir de vidéos de laryngoscopie stroboscopique et d'enregistrements audio de voyelles.
Sexe, évolution de la maladie, VHI et autres données cliniques.
La description
Critère d'intégration:
Cancer du larynx, lésions précancéreuses du larynx, lésions bénignes du larynx avec troubles de la voix, personnes en bonne santé sans maladies de la gorge
Critère d'exclusion:
- Une histoire de chirurgie laryngée
- Patients présentant des troubles de la voix causés par diverses causes, à l'exception du cancer du larynx, des lésions précancéreuses du larynx et des lésions laryngées bénignes
- La qualité audio n'est pas claire, le laryngoscope stroboscopique n'affiche pas clairement la zone anatomique liée à la glotte, et il est sous-exposé et bloqué ;
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 |
|---|---|---|
|
L'apprentissage automatique en profondeur classe les troubles de la voix
Délai: 6 mai 2022-30 décembre 2023
|
Précision
|
6 mai 2022-30 décembre 2023
|
|
L'apprentissage automatique en profondeur classe les troubles de la voix avec la multimodalité
Délai: 1er janvier 2024-30 décembre 2024
|
précision
|
1er janvier 2024-30 décembre 2024
|
|
L'apprentissage automatique en profondeur classe le changement pathologique de la voix dans le cancer du larynx
Délai: 1er janvier 2024-30 décembre 2025
|
précision
|
1er janvier 2024-30 décembre 2025
|
Mesures de résultats secondaires
Mesure des résultats |
Description de la mesure |
Délai |
|---|---|---|
|
L'apprentissage automatique en profondeur classe les troubles de la voix avec la multimodalité
Délai: 1er janvier 2024-30 décembre 2025
|
rappel
|
1er janvier 2024-30 décembre 2025
|
Collaborateurs et enquêteurs
C'est ici que vous trouverez les personnes et les organisations impliquées dans cette étude.
Collaborateurs
Les enquêteurs
- Chaise d'étude: YueXin Cai, Sun Yat-sen Memorial Hospital,Sun Yat-sen University
Publications et liens utiles
La personne responsable de la saisie des informations sur l'étude fournit volontairement ces publications. Il peut s'agir de tout ce qui concerne l'étude.
Publications générales
- Martínez, David, Lleida Eduardo, Ortega Alfonso,Miguel Antonio, Villalba Jesús. Voice pathology detection on the Saarbrücken voice database with calibration and fusion of scores using multifocal toolkit. Advances in Speech and Language Technologies for Iberian Languages. Springer, Berlin, Heidelberg, 2012. 99-109
- Hegde S, Shetty S, Rai S, Dodderi T. A Survey on Machine Learning Approaches for Automatic Detection of Voice Disorders. J Voice. 2019 Nov;33(6):947.e11-947.e33. doi: 10.1016/j.jvoice.2018.07.014. Epub 2018 Oct 11.
- Al-Nasheri A, Muhammad G, Alsulaiman M, Ali Z. Investigation of Voice Pathology Detection and Classification on Different Frequency Regions Using Correlation Functions. J Voice. 2017 Jan;31(1):3-15. doi: 10.1016/j.jvoice.2016.01.014. Epub 2016 Mar 15.
- .Chuang, ZY,YuXT,Chen JY, Hsu YT,Xu ZZ,Wang CT,Lin FC,Fang SH. DNN-based approach to detect and classify pathological voice. In Proceedings of the 2018 IEEE International Conference on Big Data (Big Data), Seattle, WA, USA, 10-13 December 2018
- Fang SH, Tsao Y, Hsiao MJ, Chen JY, Lai YH, Lin FC, Wang CT. Detection of Pathological Voice Using Cepstrum Vectors: A Deep Learning Approach. J Voice. 2019 Sep;33(5):634-641. doi: 10.1016/j.jvoice.2018.02.003. Epub 2018 Mar 19.
- Bethani Gty As H , Suwandi, Anggraini C D . Classification System Vocal Cords Disease Using Digital Image Processing.The 2019 IEEE International Conference on industry 4.0,Artifical Intelligence,and Communications Technology.2019.129-132
- Unger J, Lohscheller J, Reiter M, Eder K, Betz CS, Schuster M. A noninvasive procedure for early-stage discrimination of malignant and precancerous vocal fold lesions based on laryngeal dynamics analysis. Cancer Res. 2015 Jan 1;75(1):31-9. doi: 10.1158/0008-5472.CAN-14-1458. Epub 2014 Nov 4.
- Xiong H, Lin P, Yu JG, Ye J, Xiao L, Tao Y, Jiang Z, Lin W, Liu M, Xu J, Hu W, Lu Y, Liu H, Li Y, Zheng Y, Yang H. Computer-aided diagnosis of laryngeal cancer via deep learning based on laryngoscopic images. EBioMedicine. 2019 Oct;48:92-99. doi: 10.1016/j.ebiom.2019.08.075. Epub 2019 Oct 5.
- Kim H, Jeon J, Han YJ, Joo Y, Lee J, Lee S, Im S. Convolutional Neural Network Classifies Pathological Voice Change in Laryngeal Cancer with High Accuracy. J Clin Med. 2020 Oct 25;9(11):3415. doi: 10.3390/jcm9113415.
- Godino-Llorente JI, Gomez-Vilda P. Automatic detection of voice impairments by means of short-term cepstral parameters and neural network based detectors. IEEE Trans Biomed Eng. 2004 Feb;51(2):380-4. doi: 10.1109/TBME.2003.820386.
- Ren J, Jing X, Wang J, Ren X, Xu Y, Yang Q, Ma L, Sun Y, Xu W, Yang N, Zou J, Zheng Y, Chen M, Gan W, Xiang T, An J, Liu R, Lv C, Lin K, Zheng X, Lou F, Rao Y, Yang H, Liu K, Liu G, Lu T, Zheng X, Zhao Y. Automatic Recognition of Laryngoscopic Images Using a Deep-Learning Technique. Laryngoscope. 2020 Nov;130(11):E686-E693. doi: 10.1002/lary.28539. Epub 2020 Feb 18.
- Bainbridge KE, Roy N, Losonczy KG, Hoffman HJ, Cohen SM. Voice disorders and associated risk markers among young adults in the United States. Laryngoscope. 2017 Sep;127(9):2093-2099. doi: 10.1002/lary.26465. Epub 2016 Dec 23.
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 (ANTICIPÉ)
6 mai 2022
Achèvement primaire (ANTICIPÉ)
30 décembre 2025
Achèvement de l'étude (ANTICIPÉ)
20 février 2027
Dates d'inscription aux études
Première soumission
19 avril 2022
Première soumission répondant aux critères de contrôle qualité
22 avril 2022
Première publication (RÉEL)
27 avril 2022
Mises à jour des dossiers d'étude
Dernière mise à jour publiée (RÉEL)
27 avril 2022
Dernière mise à jour soumise répondant aux critères de contrôle qualité
22 avril 2022
Dernière vérification
1 mars 2022
Plus d'information
Termes liés à cette étude
Mots clés
Termes MeSH pertinents supplémentaires
Autres numéros d'identification d'étude
- SYSEC-KY-KS-2022-040
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 .