- ICH GCP
- Registre américain des essais cliniques
- Essai clinique NCT06274502
Détection et diagnostic automatisés des DRG pathologiques chez les patients PHN à l'aide de l'apprentissage profond et de la résonance magnétique
Aperçu de l'étude
Statut
Les conditions
Intervention / Traitement
Description détaillée
Nos recherches antérieures ont confirmé des différences dans les aspects macroscopiques et microscopiques entre l'imagerie des ganglions de la racine dorsale (DRG) lésés chez les patients atteints de névralgie postherpétique (PHN) et des témoins sains. De plus, notre étude a révélé que même si la localisation des lésions cutanées est une méthode classique en pratique clinique, il existe encore un certain taux de divergence avec le DRG lésé observé en imagerie par résonance magnétique (IRM). Ceci suggère la valeur significative de l’IRM dans le diagnostic des DRG lésés chez les patients PHN. Pour les patients atteints de névralgie herpétique zona, il est encore plus crucial d’identifier clairement le DRG lésé par IRM. Cependant, en raison de la petite taille et de la morphologie variée des lésions de DRG, le diagnostic de DRG lésé par IRM nécessite des connaissances spécialisées en neuroanatomie et en imagerie, ce qui pose un défi aux cliniciens. L’identification rapide et précise des DRG lésés est cruciale pour la thérapie interventionnelle, car elle constitue une cible thérapeutique essentielle pour la douleur neuropathique.
La série d'algorithmes YOLO (You Only Look Once) est actuellement des algorithmes de détection d'objets en temps réel en une seule étape largement utilisés, notamment YOLOv1-YOLOv8. Grâce à leur vitesse de détection extrêmement élevée, ils permettent une détection d’objets en temps réel. YOLOv5 et YOLOv8 sont désormais largement utilisés dans diverses applications telles que la conduite autonome, la vidéosurveillance et le suivi d'objets [66,67]. De plus, la série YOLO est de plus en plus utilisée dans le domaine médical, notamment dans la détection des tumeurs et des lésions de la capsule articulaire, démontrant une bonne précision, de bons taux de rappel et une bonne efficacité de détection [68]. Cette étude vise à utiliser l'algorithme YOLOv8 pour développer un modèle de détection d'objets rapide et précis, tout en évaluant ses performances. Il vise à valider la faisabilité et l'efficacité de la détection des ganglions de la racine dorsale (DRG) lésés dans la névralgie postherpétique en temps réel à l'aide de ce modèle, fournissant une base pour un diagnostic précoce pour les praticiens cliniques et permettant une localisation rapide et précise des DRG lésés.
Type d'étude
Inscription (Réel)
Contacts et emplacements
Lieux d'étude
-
-
-
Wuhan, Chine
- Tongji Hospital, Tongji Medical College, Huazhong University of Science and Technology
-
-
Hubei
-
Wuhan, Hubei, Chine, 430030
- Tongji Hospital, Tongji Medical College, Huazhong University of Science and Technology
-
-
Critères de participation
Critère d'éligibilité
Âges éligibles pour étudier
- Adulte
- Adulte plus âgé
Accepte les volontaires sains
Méthode d'échantillonnage
Population étudiée
La description
Critère d'intégration:
- Patients âgés de 18 ans ou plus ;
- Les patients atteints de zona qui continuent à ressentir des douleurs pendant plus d'un mois après la formation de la croûte sur les lésions cutanées ;
- Images IRM claires montrant des lésions évidentes des ganglions de la racine dorsale (DRG).
Critère d'exclusion:
- Patients atteints de maladies systémiques, métaboliques ou neurologiques graves pouvant entraîner une polyneuropathie, telles que le myélome multiple, le diabète ou les maladies thyroïdiennes ;
- Patients ayant des antécédents de troubles psychiatriques, d'autres douleurs chroniques ou de toxicomanie ;
- Patients ayant des antécédents de chirurgies thoraciques ou du dos et des antécédents de douleur ;
- Présence d’artefacts dans l’imagerie ou affichage d’images peu clairs ;
- Ciblez les images masquées par d’autres tissus.
Plan d'étude
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 |
---|---|---|
Développer un système automatisé de détection et de diagnostic des DRG lésionnels chez les patients PHN basé sur l'apprentissage profond
Délai: 202310-202402
|
la version 8 de You Only Look Once (YOLO) a été sélectionnée comme modèle d'algorithme cible
|
202310-202402
|
Collaborateurs et enquêteurs
Dates d'enregistrement des études
Dates principales de l'étude
Début de l'étude (Réel)
Achèvement primaire (Réel)
Achèvement de l'étude (Réel)
Dates d'inscription aux études
Première soumission
Première soumission répondant aux critères de contrôle qualité
Première publication (Réel)
Mises à jour des dossiers d'étude
Dernière mise à jour publiée (Estimé)
Dernière mise à jour soumise répondant aux critères de contrôle qualité
Dernière vérification
Plus d'information
Termes liés à cette étude
Mots clés
Autres numéros d'identification d'étude
- deep learning
Plan pour les données individuelles des participants (IPD)
Prévoyez-vous de partager les données individuelles des participants (DPI) ?
Informations sur les médicaments et les dispositifs, documents d'étude
Étudie un produit pharmaceutique réglementé par la FDA américaine
Étudie un produit d'appareil réglementé par la FDA américaine
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 .
Essais cliniques sur L'apprentissage en profondeur
-
Tianjin Eye HospitalRecrutementDeep Learning, Maladie cornéenne, DépistageChine