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.

Recherche et application d'un système de diagnostic intelligent par ultrasons pour la masse ovarienne

25 juillet 2024 mis à jour par: Zhejiang Provincial People's Hospital

Recherche sur la détection automatique de la masse ovarienne et le système de diagnostic auxiliaire intelligent basé sur des images échographiques multimodales

Recherche sur la détection automatique de la masse ovarienne et système de diagnostic auxiliaire intelligent basé sur des images échographiques multimodales.

Aperçu de l'étude

Statut

Pas encore de recrutement

Les conditions

Intervention / Traitement

Description détaillée

Les enquêteurs visaient à développer un système de diagnostic intelligent par ultrasons pour la masse ovarienne basé sur des images échographiques multimodales.

Type d'étude

Observationnel

Inscription (Estimé)

100000

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

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

Oui

Méthode d'échantillonnage

Échantillon non probabiliste

Population étudiée

Lors de l'échographie gynécologique, au moins une patiente présentant une tumeur ovarienne persistante a été trouvée. Le patient a bénéficié d'un traitement chirurgical et des résultats histopathologiques.

La description

Critère d'intégration:

  1. Lors de l'échographie gynécologique, au moins une patiente présentant une tumeur ovarienne persistante a été trouvée.
  2. Le patient a bénéficié d'un traitement chirurgical et des résultats histopathologiques.

Critère d'exclusion:

  1. L'analyse histopathologique confirme une tumeur non ovarienne ;
  2. Les résultats histopathologiques ne sont pas concluants ;
  3. Problèmes de qualité d'image : la masse ovarienne est incomplète et ne montre pas certains tissus environnants (mais la masse est trop grande pour être complètement exclue) ; les images sont trop floues, ce qui rend difficile la détermination des caractéristiques de la masse ovarienne (les raisons possibles incluent des problèmes de qualité matérielle avec l'échographe, un flou de mouvement, des problèmes de mise au point, la présence de gaz intestinaux chez la patiente) ; les paramètres de gain rendent difficile l'évaluation des caractéristiques de la masse ovarienne (telles qu'un faible contraste, des images trop sombres ou une saturation) ; la présence d'artefacts affecte l'évaluation des caractéristiques échographiques de la masse ovarienne et doit être exclue.

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
Cohorte de formation
La cohorte de formation est utilisée pour former un modèle artificiel basé sur des images ou des vidéos échographiques multimodèles.
Cohorte de validation
La cohorte de validation est utilisée pour valider le modèle artificiel.
Test diagnostique: Modèle d'intelligence artificielle
Utiliser le modèle d’intelligence artificielle pour diagnostiquer les masses ovariennes bénignes, limites et malignes.
Cohorte de tests internes
La cohorte de tests internes est utilisée pour tester en interne le modèle artificiel.
Test diagnostique: Modèle d'intelligence artificielle
Utiliser le modèle d’intelligence artificielle pour diagnostiquer les masses ovariennes bénignes, limites et malignes.
Cohorte de tests externes
Une cohorte de tests externes est utilisée pour tester en interne le modèle artificiel.
Test diagnostique: Modèle d'intelligence artificielle
Utiliser le modèle d’intelligence artificielle pour diagnostiquer les masses ovariennes bénignes, limites et malignes.

Que mesure l'étude ?

Principaux critères de jugement

Mesure des résultats
Description de la mesure
Délai
Aire sous la courbe
Délai: À la fin des études, en moyenne 1 an
AUC (Area Under the Curve) est un indice commun utilisé pour évaluer les performances du modèle de classification binaire.
À la fin des études, en moyenne 1 an

Mesures de résultats secondaires

Mesure des résultats
Description de la mesure
Délai
Sensibilité
Délai: À la fin des études, en moyenne 1 an
La sensibilité fait référence à la capacité du test à identifier correctement un résultat positif chez une personne réellement atteinte de la maladie. Il représente la proportion de cas dans lesquels le test permet de détecter un résultat positif à la maladie.
À la fin des études, en moyenne 1 an

Autres mesures de résultats

Mesure des résultats
Description de la mesure
Délai
Spécificité
Délai: À la fin des études, en moyenne 1 an
La spécificité fait référence à la capacité du test à identifier correctement un résultat négatif chez un individu qui n'est pas réellement atteint de la maladie. Il représente la proportion de cas où la maladie est négative que le test est capable de détecter.
À la fin des études, en moyenne 1 an
Précision
Délai: À la fin des études, en moyenne 1 an
L'exactitude fait référence au degré auquel les résultats du test de diagnostic correspondent à la situation réelle.
À la fin des études, en moyenne 1 an
Valeur prédicative positive
Délai: À la fin des études, en moyenne 1 an
La valeur prédictive positive indique la probabilité qu'un résultat de test soit vrai s'il est positif. En d’autres termes, il représente la proportion d’individus diagnostiqués positifs lorsque le résultat du test est positif et qui sont réellement atteints de la maladie.
À la fin des études, en moyenne 1 an
Valeur prédictive négative
Délai: À la fin des études, en moyenne 1 an
La valeur prédictive négative fait référence à la probabilité que si un résultat de test est négatif, le résultat sera vraiment négatif. Il représente la proportion d’individus diagnostiqués négatifs lorsque les résultats du test sont négatifs et qui sont véritablement indemnes de la maladie.
À la fin des études, en moyenne 1 an

Collaborateurs et enquêteurs

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

Parrainer

Zhejiang Provincial People's Hospital

Collaborateurs

The Affiliated Hospital of Qingdao University
Women's Hospital School Of Medicine Zhejiang University
The Second Affiliated Hospital of Harbin Medical University
Sichuan provincial maternity and child health care hospital
Aksu First People's Hospital

Les enquêteurs

  • Chaise d'étude: Litao Sun, Professor, Zhejiang Provincial People's Hospital

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 (Estimé)

30 juillet 2024

Achèvement primaire (Estimé)

30 juillet 2029

Achèvement de l'étude (Estimé)

30 juillet 2029

Dates d'inscription aux études

Première soumission

18 juillet 2024

Première soumission répondant aux critères de contrôle qualité

25 juillet 2024

Première publication (Réel)

30 juillet 2024

Mises à jour des dossiers d'étude

Dernière mise à jour publiée (Réel)

30 juillet 2024

Dernière mise à jour soumise répondant aux critères de contrôle qualité

25 juillet 2024

Dernière vérification

1 juillet 2024

Plus d'information

Termes liés à cette étude

Termes MeSH pertinents supplémentaires

Autres numéros d'identification d'étude

  • KY2024053

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 .

S'abonner