- ICH GCP
- Registre américain des essais cliniques
- Essai clinique NCT05635006
Application du modèle d'apprentissage en profondeur multitâche pour évaluer la gravité de la dégénérescence des articulations des facettes vertébrales
19 décembre 2022 mis à jour par: Hai Lv
L'arthrose des facettes rachidiennes est une maladie dont l'incidence est élevée chez les personnes de plus de 40 ans.
C'est une maladie caractérisée par une série de changements pathologiques dégénératifs et de caractéristiques cliniques de la synoviale, du cartilage articulaire, de l'os sous-chondral, de l'espace articulaire et des tissus accessoires des articulations des facettes vertébrales sous l'action de multiples facteurs.
Certains facteurs physiologiques ou pathologiques peuvent entraîner une arthrose des facettes articulaires vertébrales.
Les patients atteints d'arthrose des facettes vertébrales présentent souvent différents degrés de manifestations cliniques telles que des maux de dos et des dyskinésies, qui affectent de manière significative la santé physique et mentale des patients.
La sévérité de l'arthrose des facettes vertébrales a non seulement un certain impact sur la lombalgie et les modifications de la densité musculaire du bas du dos, mais affecte également la prise en charge du patient et le plan de traitement.
À l'heure actuelle, différents médecins ont une certaine subjectivité dans la lecture du classement de l'arthrose facettaire lombaire, et la cohérence et la répétabilité des résultats sont médiocres.
De plus, les médecins doivent lire les images d'images et juger que le classement est un travail très long et répétitif.
Ces dernières années, l'application de la technologie d'apprentissage en profondeur dans l'analyse d'images médicales a été largement préoccupée par les cliniciens.
L'apprentissage en profondeur présente de grands avantages potentiels dans le diagnostic par imagerie médicale.
Il peut fournir des rapports semi-automatiques sous la supervision de radiologues, afin d'améliorer la précision, la cohérence, l'objectivité et la rapidité de l'évaluation du degré de la maladie, et de soutenir davantage la prise de décision clinique sur cette base.
Ce projet prévoit de développer un système intelligent de diagnostic et de classification des maladies dégénératives des petites articulations de la colonne vertébrale avec un apprentissage multi-tâches et approfondi, et de vérifier sa faisabilité clinique, visant à aider les cliniciens à améliorer la précision, la cohérence, l'objectivité et la rapidité de la évaluation du degré de maladie correspondant et soutenir davantage la prise de décision clinique de suivi.
Aperçu de l'étude
Statut
Pas encore de recrutement
Les conditions
Intervention / Traitement
Description détaillée
Ce projet est une étude clinique rétrospective.
de 2019 à 2022, les images au format DICOM et les informations de base de l'imagerie par rayons X, CT et IRM des patients ambulatoires et hospitalisés suspectés de lombalgie et du cinquième hôpital affilié de l'Université Sun Yat sen ont été collectées.
Obtenez le mode image DICOM et la section d'informations exportera les données une fois le lot OA soumis avec succès ; Les informations de base sur les patients sont collectées à partir des antécédents médicaux des patients hospitalisés.
700 patients devraient être inclus.
Ces projets sont divisés au hasard en ensemble de formation, ensemble de vérification et ensemble de test selon le rapport de 7: 1,5: 1,5 pour le diagnostic automatique du modèle d'apprentissage approfondi par ordinateur afin de tester la stabilité et la fiabilité du modèle.
Dans 700 projets, deux médecins juniors et deux médecins seniors avec dix ans d'expérience en lecture de films ont respectivement effectué des lectures graduées de la sténose articulaire, de l'hypertrophie, de l'ostéophyte, de l'érosion de la surface articulaire et du kyste sous-chondral.
Les résultats incohérents dans le groupe des jeunes médecins ont été décidés conjointement par les deux médecins.
Le groupe standard de référence a été décidé par le groupe des médecins seniors.
En comparant les résultats de diagnostic des cliniciens et des modèles, pour évaluer les performances et la faisabilité clinique du modèle d'apprentissage en profondeur pour le diagnostic automatique de la dégénérescence des facettes lombaires. Comparez les résultats du jugement du médecin et de la prédiction du modèle, et analysez statistiquement les performances du diagnostic automatique de la maquette.
Les indicateurs d'évaluation des performances comprennent l'exactitude, la sensibilité, la spécificité, l'exactitude, le rappel, la valeur F1 et la valeur AUC.
La valeur F1 et la valeur AUC sont les principaux indicateurs pour une évaluation complète des performances du modèle.
Plus la valeur F1 et la valeur AUC sont élevées, plus les performances du modèle sont élevées.
Type d'étude
Observationnel
Inscription (Anticipé)
700
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: Wang YunFei, doctor
- Numéro de téléphone: 18845791883
- E-mail: jack11314159@qq.com
Sauvegarde des contacts de l'étude
- Nom: Lv Hai, Chief physician;doctor
- Numéro de téléphone: 18665000036
- E-mail: 18665000036@qq.com
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
- Enfant
- Adulte
- Adulte plus âgé
Accepte les volontaires sains
Non
Sexes éligibles pour l'étude
Tout
Méthode d'échantillonnage
Échantillon non probabiliste
Population étudiée
Pour les patients subissant un examen d'imagerie en raison d'une lombalgie, le degré de dégénérescence des facettes articulaires des patients est de pas à grave.
Retirer les patients répondant aux critères d'exclusion pour éviter une mauvaise qualité d'image affectant le jugement.
La description
Critère d'intégration:
- De 2019 à 2022, données sur les patients subissant un examen d'imagerie lombaire au Cinquième hôpital affilié de l'Université Sun Yat sen
Critère d'exclusion:
- Spondylolisthésis lombaire
- Fracture vertébrale antérieure
- Avoir des antécédents de chirurgie vertébrale
- Artefacts graves sur les images lombaires
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
- Modèles d'observation: Autre
- Perspectives temporelles: Rétrospective
Cohortes et interventions
Groupe / Cohorte |
---|
Groupe de formation
70 % des participants ont été divisés au hasard en groupes d'entraînement pour entraîner les performances d'apprentissage de la machine
|
Groupe de validation
15 % des participants ont été divisés au hasard en groupes de validation pour améliorer les performances d'apprentissage de la machine et éviter le sur-ajustement
|
Groupe d'essai
15 % des participants ont été divisés au hasard en groupes de test pour tester les performances d'apprentissage de la machine et tirer des conclusions de recherche
|
Que mesure l'étude ?
Principaux critères de jugement
Mesure des résultats |
Description de la mesure |
Délai |
---|---|---|
Comparer la précision du modèle d'apprentissage en profondeur multitâche et des cliniciens pour juger de la dégénérescence des facettes articulaires de la colonne vertébrale
Délai: 2022.12.01-2023.07.31
|
Il est principalement utilisé pour indiquer le nombre d'échantillons correctement prédits dans le nombre total d'échantillons. Vrai positif (TP), faux négatif (FN), faux positif (FP), vrai négatif (TN). Précision = (TP + TN) / (TP + FN + FP + TN)
|
2022.12.01-2023.07.31
|
Comparer la précision du modèle d'apprentissage en profondeur multitâche et des cliniciens pour juger de la dégénérescence des facettes articulaires de la colonne vertébrale
Délai: 2022.12.01-2023.07.31
|
Vrai positif (TP), faux négatif (FN), faux positif (FP), vrai négatif (TN). Précision = TP / (TP + FP)
|
2022.12.01-2023.07.31
|
Comparer la sensibilité du modèle d'apprentissage en profondeur multitâche et des cliniciens dans l'évaluation de la dégénérescence des facettes articulaires de la colonne vertébrale
Délai: 2022.12.01-2023.07.31
|
Vrai positif (TP), faux négatif (FN), faux positif (FP), vrai négatif (TN). Sensibilité = TP / (TP + FN)
|
2022.12.01-2023.07.31
|
Comparer la spécificité du modèle d'apprentissage profond multitâche et des cliniciens dans l'évaluation de la dégénérescence des facettes articulaires de la colonne vertébrale
Délai: 2022.12.01-2023.07.31
|
Vrai positif (TP), faux négatif (FN), faux positif (FP), vrai négatif (TN). Spécificité = TN / (TN + FP)
|
2022.12.01-2023.07.31
|
Calculer le score F1 pour évaluer la gravité de la dégénérescence des articulations à facettes dans le modèle d'apprentissage en profondeur multitâche
Délai: 2022.12.01-2023.07.31
|
Le score F1 est un indicateur d'évaluation important pour la classification automatique, F1 = 2 * Précision * Sensibilité / (Précision + Sensibilité) = 2TP / (2TP + FP + FN)
|
2022.12.01-2023.07.31
|
ROC (Receiver Operation Characteristic) est appelée courbe caractéristique de fonctionnement du récepteur, qui est un indice permettant d'évaluer les performances du modèle d'apprentissage en profondeur
Délai: 2022.12.01-2023.07.31
|
ROC (Receiver Operation Characteristic) est appelée courbe caractéristique de fonctionnement du récepteur.
Plus la courbe est proche du coin supérieur gauche, meilleur est le classificateur.
La zone sous la courbe ROC est appelée AUC.
Plus l'ASC est grande, meilleur sera l'effet de classification du classificateur.
|
2022.12.01-2023.07.31
|
Collaborateurs et enquêteurs
C'est ici que vous trouverez les personnes et les organisations impliquées dans cette étude.
Parrainer
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)
31 décembre 2022
Achèvement primaire (Anticipé)
31 janvier 2023
Achèvement de l'étude (Anticipé)
31 janvier 2023
Dates d'inscription aux études
Première soumission
23 novembre 2022
Première soumission répondant aux critères de contrôle qualité
1 décembre 2022
Première publication (Réel)
2 décembre 2022
Mises à jour des dossiers d'étude
Dernière mise à jour publiée (Réel)
20 décembre 2022
Dernière mise à jour soumise répondant aux critères de contrôle qualité
19 décembre 2022
Dernière vérification
1 décembre 2022
Plus d'information
Termes liés à cette étude
Autres numéros d'identification d'étude
- ZDWY.JZWK.004
Plan pour les données individuelles des participants (IPD)
Prévoyez-vous de partager les données individuelles des participants (DPI) ?
Non
Description du régime IPD
Si nécessaire, il peut être fourni
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 .