Nouveau flux de travail neuroradiologique pour le diagnostic assisté et la gestion de la démence à intelligence artificielle (DIADEMA)
14 mars 2025 mis à jour par: IRCCS SYNLAB SDN
L'identification, le dépistage et la surveillance des individus à risque de maladie d'Alzheimer (MA) et de démence est un défi formidable.
La neuroimagerie, et en particulier l'imagerie par résonance magnétique (IRM), est cruciale pour détecter la neurodégénérescence structurelle.
Cependant, les outils de quantification actuels sont principalement limités aux contextes de recherche et produisent des résultats non standardisés.
Le diadème créera un flux de travail systématique et standardisé pour soutenir le diagnostic logique neuro (radio).
En combinant l'intelligence artificielle (IA) et l'apprentissage automatique (ML), nous améliorerons considérablement le diagnostic clinique de la MA en neuroradiologie.
Notre principale hypothèse est qu'un flux de travail efficace et une précision de diagnostic plus élevée associée réduiront considérablement les coûts des soins de santé, soutiendront la prise de décision clinique, fourniront des outils d'opinion et améliorer les soins aux patients.
Cette double avance aura un impact profond sur le système de santé, marquant une étape importante dans la lutte contre la maladie et la démence d'Alzheimer.
Aperçu de l'étude
Statut
Actif, ne recrute pas
Les conditions
Intervention / Traitement
Type d'étude
Observationnel
Inscription (Estimé)
80000
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
-
-
-
Naples, Italie, 80146
- Irccs Synlab Sdn
-
-
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
Méthode d'échantillonnage
Échantillon non probabiliste
Population étudiée
Les patients qui effectuent une résonance magnétique cérébrale au cours des 20 dernières années
La description
Critères d'inclusion:
- Les patients qui effectuent une résonance magnétique cérébrale au cours des 20 dernières années
Critères d'exclusion:
-
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 |
|---|---|---|
|
Amélioration de la performance du flux de travail neuroradiologique
Délai: 1-36 mois
|
Courbes roc
|
1-36 mois
|
Collaborateurs et enquêteurs
C'est ici que vous trouverez les personnes et les organisations impliquées dans cette étude.
Parrainer
Les enquêteurs
- Chercheur principal: Marco Aiello, Irccs Synlab Sdn
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
- McKhann GM, Knopman DS, Chertkow H, Hyman BT, Jack CR Jr, Kawas CH, Klunk WE, Koroshetz WJ, Manly JJ, Mayeux R, Mohs RC, Morris JC, Rossor MN, Scheltens P, Carrillo MC, Thies B, Weintraub S, Phelps CH. The diagnosis of dementia due to Alzheimer's disease: recommendations from the National Institute on Aging-Alzheimer's Association workgroups on diagnostic guidelines for Alzheimer's disease. Alzheimers Dement. 2011 May;7(3):263-9. doi: 10.1016/j.jalz.2011.03.005. Epub 2011 Apr 21.
- Jack CR Jr, Bennett DA, Blennow K, Carrillo MC, Feldman HH, Frisoni GB, Hampel H, Jagust WJ, Johnson KA, Knopman DS, Petersen RC, Scheltens P, Sperling RA, Dubois B. A/T/N: An unbiased descriptive classification scheme for Alzheimer disease biomarkers. Neurology. 2016 Aug 2;87(5):539-47. doi: 10.1212/WNL.0000000000002923. Epub 2016 Jul 1.
- Hosny A, Parmar C, Quackenbush J, Schwartz LH, Aerts HJWL. Artificial intelligence in radiology. Nat Rev Cancer. 2018 Aug;18(8):500-510. doi: 10.1038/s41568-018-0016-5.
- van Leeuwen KG, Schalekamp S, Rutten MJCM, van Ginneken B, de Rooij M. Artificial intelligence in radiology: 100 commercially available products and their scientific evidence. Eur Radiol. 2021 Jun;31(6):3797-3804. doi: 10.1007/s00330-021-07892-z. Epub 2021 Apr 15.
- Filip AC, Azevedo T, Passamonti L, Toschi N, Lio P. A novel Graph Attention Network Architecture for modeling multimodal brain connectivity. Annu Int Conf IEEE Eng Med Biol Soc. 2020 Jul;2020:1071-1074. doi: 10.1109/EMBC44109.2020.9176613.
- Spasov SE, Passamonti L, Duggento A, Lio P, Toschi N. A Multi-modal Convolutional Neural Network Framework for the Prediction of Alzheimer's Disease. Annu Int Conf IEEE Eng Med Biol Soc. 2018 Jul;2018:1271-1274. doi: 10.1109/EMBC.2018.8512468.
- Spasov S, Passamonti L, Duggento A, Lio P, Toschi N; Alzheimer's Disease Neuroimaging Initiative. A parameter-efficient deep learning approach to predict conversion from mild cognitive impairment to Alzheimer's disease. Neuroimage. 2019 Apr 1;189:276-287. doi: 10.1016/j.neuroimage.2019.01.031. Epub 2019 Jan 14.
- Esteban O, Birman D, Schaer M, Koyejo OO, Poldrack RA, Gorgolewski KJ. MRIQC: Advancing the automatic prediction of image quality in MRI from unseen sites. PLoS One. 2017 Sep 25;12(9):e0184661. doi: 10.1371/journal.pone.0184661. eCollection 2017.
- Archetti D, Young AL, Oxtoby NP, Ferreira D, Martensson G, Westman E, Alexander DC, Frisoni GB, Redolfi A; for Alzheimer's Disease Neuroimaging Initiative and EuroPOND Consortium. Inter-Cohort Validation of SuStaIn Model for Alzheimer's Disease. Front Big Data. 2021 May 20;4:661110. doi: 10.3389/fdata.2021.661110. eCollection 2021.
- Redolfi A, De Francesco S, Palesi F, Galluzzi S, Muscio C, Castellazzi G, Tiraboschi P, Savini G, Nigri A, Bottini G, Bruzzone MG, Ramusino MC, Ferraro S, Gandini Wheeler-Kingshott CAM, Tagliavini F, Frisoni GB, Ryvlin P, Demonet JF, Kherif F, Cappa SF, D'Angelo E. Medical Informatics Platform (MIP): A Pilot Study Across Clinical Italian Cohorts. Front Neurol. 2020 Sep 23;11:1021. doi: 10.3389/fneur.2020.01021. eCollection 2020.
- Ribaldi F, Altomare D, Jovicich J, Ferrari C, Picco A, Pizzini FB, Soricelli A, Mega A, Ferretti A, Drevelegas A, Bosch B, Muller BW, Marra C, Cavaliere C, Bartres-Faz D, Nobili F, Alessandrini F, Barkhof F, Gros-Dagnac H, Ranjeva JP, Wiltfang J, Kuijer J, Sein J, Hoffmann KT, Roccatagliata L, Parnetti L, Tsolaki M, Constantinidis M, Aiello M, Salvatore M, Montalti M, Caulo M, Didic M, Bargallo N, Blin O, Rossini PM, Schonknecht P, Floridi P, Payoux P, Visser PJ, Bordet R, Lopes R, Tarducci R, Bombois S, Hensch T, Fiedler U, Richardson JC, Frisoni GB, Marizzoni M. Accuracy and reproducibility of automated white matter hyperintensities segmentation with lesion segmentation tool: A European multi-site 3T study. Magn Reson Imaging. 2021 Feb;76:108-115. doi: 10.1016/j.mri.2020.11.008. Epub 2020 Nov 19.
- Morid MA, Borjali A, Del Fiol G. A scoping review of transfer learning research on medical image analysis using ImageNet. Comput Biol Med. 2021 Jan;128:104115. doi: 10.1016/j.compbiomed.2020.104115. Epub 2020 Nov 13.
- Bao S, Boyd BD, Kanakaraj P, Ramadass K, Meyer FAC, Liu Y, Duett WE, Huo Y, Lyu I, Zald DH, Smith SA, Rogers BP, Landman BA. Integrating the BIDS Neuroimaging Data Format and Workflow Optimization for Large-Scale Medical Image Analysis. J Digit Imaging. 2022 Dec;35(6):1576-1589. doi: 10.1007/s10278-022-00679-8. Epub 2022 Aug 3.
- Rajput D, Wang WJ, Chen CC. Evaluation of a decided sample size in machine learning applications. BMC Bioinformatics. 2023 Feb 14;24(1):48. doi: 10.1186/s12859-023-05156-9.
- Boccardi M, Altomare D, Ferrari C, Festari C, Guerra UP, Paghera B, Pizzocaro C, Lussignoli G, Geroldi C, Zanetti O, Cotelli MS, Turla M, Borroni B, Rozzini L, Mirabile D, Defanti C, Gennuso M, Prelle A, Gentile S, Morandi A, Vollaro S, Volta GD, Bianchetti A, Conti MZ, Cappuccio M, Carbone P, Bellandi D, Abruzzi L, Bettoni L, Villani D, Raimondi MC, Lanari A, Ciccone A, Facchi E, Di Fazio I, Rozzini R, Boffelli S, Manzoni L, Salvi GP, Cavaliere S, Belotti G, Avanzi S, Pasqualetti P, Muscio C, Padovani A, Frisoni GB; Incremental Diagnostic Value of Amyloid PET With [18F]-Florbetapir (INDIA-FBP) Working Group. Assessment of the Incremental Diagnostic Value of Florbetapir F 18 Imaging in Patients With Cognitive Impairment: The Incremental Diagnostic Value of Amyloid PET With [18F]-Florbetapir (INDIA-FBP) Study. JAMA Neurol. 2016 Dec 1;73(12):1417-1424. doi: 10.1001/jamaneurol.2016.3751.
- Teipel S, Grothe MJ; Alzheimer's Disease Neuroimaging Initiative. MRI-based basal forebrain atrophy and volumetric signatures associated with limbic TDP-43 compared to Alzheimer's disease pathology. Neurobiol Dis. 2023 May;180:106070. doi: 10.1016/j.nbd.2023.106070. Epub 2023 Mar 8.
- De Francesco S, Galluzzi S, Vanacore N, Festari C, Rossini PM, Cappa SF, Frisoni GB, Redolfi A. Norms for Automatic Estimation of Hippocampal Atrophy and a Step Forward for Applicability to the Italian Population. Front Neurosci. 2021 Jun 28;15:656808. doi: 10.3389/fnins.2021.656808. eCollection 2021.
- Qiu S, Miller MI, Joshi PS, Lee JC, Xue C, Ni Y, Wang Y, De Anda-Duran I, Hwang PH, Cramer JA, Dwyer BC, Hao H, Kaku MC, Kedar S, Lee PH, Mian AZ, Murman DL, O'Shea S, Paul AB, Saint-Hilaire MH, Alton Sartor E, Saxena AR, Shih LC, Small JE, Smith MJ, Swaminathan A, Takahashi CE, Taraschenko O, You H, Yuan J, Zhou Y, Zhu S, Alosco ML, Mez J, Stein TD, Poston KL, Au R, Kolachalama VB. Multimodal deep learning for Alzheimer's disease dementia assessment. Nat Commun. 2022 Jun 20;13(1):3404. doi: 10.1038/s41467-022-31037-5.
- Faggioni L, Coppola F, Ferrari R, Neri E, Regge D. Usage of structured reporting in radiological practice: results from an Italian online survey. Eur Radiol. 2017 May;27(5):1934-1943. doi: 10.1007/s00330-016-4553-6. Epub 2016 Aug 29.
- Bosco P, Redolfi A, Bocchetta M, Ferrari C, Mega A, Galluzzi S, Austin M, Chincarini A, Collins DL, Duchesne S, Marechal B, Roche A, Sensi F, Wolz R, Alegret M, Assal F, Balasa M, Bastin C, Bougea A, Emek-Savas DD, Engelborghs S, Grimmer T, Grosu G, Kramberger MG, Lawlor B, Mandic Stojmenovic G, Marinescu M, Mecocci P, Molinuevo JL, Morais R, Niemantsverdriet E, Nobili F, Ntovas K, O'Dwyer S, Paraskevas GP, Pelini L, Picco A, Salmon E, Santana I, Sotolongo-Grau O, Spiru L, Stefanova E, Popovic KS, Tsolaki M, Yener GG, Zekry D, Frisoni GB. The impact of automated hippocampal volumetry on diagnostic confidence in patients with suspected Alzheimer's disease: A European Alzheimer's Disease Consortium study. Alzheimers Dement. 2017 Sep;13(9):1013-1023. doi: 10.1016/j.jalz.2017.01.019. Epub 2017 Mar 3.
- Buchlak QD, Milne MR, Seah J, Johnson A, Samarasinghe G, Hachey B, Esmaili N, Tran A, Leveque JC, Farrokhi F, Goldschlager T, Edelstein S, Brotchie P. Charting the potential of brain computed tomography deep learning systems. J Clin Neurosci. 2022 May;99:217-223. doi: 10.1016/j.jocn.2022.03.014. Epub 2022 Mar 12.
- Redolfi A, Archetti D, De Francesco S, Crema C, Tagliavini F, Lodi R, Ghidoni R, Gandini Wheeler-Kingshott CAM, Alexander DC, D'Angelo E. Italian, European, and international neuroinformatics efforts: An overview. Eur J Neurosci. 2023 Jun;57(12):2017-2039. doi: 10.1111/ejn.15854. Epub 2022 Dec 14.
- Kwee TC, Kwee RM. Workload of diagnostic radiologists in the foreseeable future based on recent scientific advances: growth expectations and role of artificial intelligence. Insights Imaging. 2021 Jun 29;12(1):88. doi: 10.1186/s13244-021-01031-4.
- Aiello M, Cavaliere C, D'Albore A, Salvatore M. The Challenges of Diagnostic Imaging in the Era of Big Data. J Clin Med. 2019 Mar 6;8(3):316. doi: 10.3390/jcm8030316.
- Aiello M, Esposito G, Pagliari G, Borrelli P, Brancato V, Salvatore M. How does DICOM support big data management? Investigating its use in medical imaging community. Insights Imaging. 2021 Nov 8;12(1):164. doi: 10.1186/s13244-021-01081-8.
- Jonsson L, Tate A, Frisell O, Wimo A. The Costs of Dementia in Europe: An Updated Review and Meta-analysis. Pharmacoeconomics. 2023 Jan;41(1):59-75. doi: 10.1007/s40273-022-01212-z. Epub 2022 Nov 15.
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)
30 août 2024
Achèvement primaire (Estimé)
30 décembre 2025
Achèvement de l'étude (Estimé)
31 août 2027
Dates d'inscription aux études
Première soumission
10 mars 2025
Première soumission répondant aux critères de contrôle qualité
10 mars 2025
Première publication (Réel)
25 mars 2025
Mises à jour des dossiers d'étude
Dernière mise à jour publiée (Réel)
25 mars 2025
Dernière mise à jour soumise répondant aux critères de contrôle qualité
14 mars 2025
Dernière vérification
1 mars 2025
Plus d'information
Termes liés à cette étude
Mots clés
Termes MeSH pertinents supplémentaires
Autres numéros d'identification d'étude
- 1/24
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
produit fabriqué et exporté des États-Unis.
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 .