- ICH GCP
- USA klinikai vizsgálatok nyilvántartása
- Klinikai vizsgálat NCT04503226
A hasi aorta aneurizma (AAA) endovaszkuláris aneurizma helyreállítása (EVAR) utáni sima hasi radiográfiás megfigyelésre alkalmazott mély tanulás (DeepLearn)
A tanulmány áttekintése
Állapot
Körülmények
Részletes leírás
A hasi aorta aneurizma (AAA) olyan állapot, amelyben a hasi aorta, egy nagy artéria fokozatosan kitágul, másodlagosan a falán belüli degeneratív folyamat következtében. Ez a legyengült fal felszakadásához vezethet, majd a hasüregbe történő kivéreztetéshez. Ez a forgatókönyv általában végzetes. Az aneurizma átmérője pozitívan korrelál a szakadás kockázatával. Az aneurizma mérete ezért az elsődleges meghatározó tényező annak mérlegelésekor, hogy az AAA-k elektív módon javíthatók-e vagy sem.
Az endovaszkuláris aneurizma helyreállítása (EVAR) a betegek túlnyomó többségénél az AAA standard kezelésévé vált. Ez egy minimálisan invazív technika, amelynek célja az aneurizma kizárása a keringésből egy szintetikus "stent-graft" elhelyezésével az aorta lumenébe. A fémes bordák, valamint a radiális erő fenntartja a stent-graft helyzetét az aneurizma feletti nem aneurizmális aortában, valamint az aneurizma alatti csípőartériákban.
Az 1. szintű bizonyítékok következetesen jobb perioperatív túlélést mutatnak EVAR-ral a hagyományos nyitott műtétekhez képest. Aggályok merülnek fel azonban az EVAR stent-graftok hosszú távú tartósságával kapcsolatban, mivel a műtétet követő 5 évben minden 5. betegnél további műtétre van szükség az aneurizma miatt. Ennek oka gyakran a stent-graft helyzetének és integritásának hibája. Ezért a bevett nemzetközi gyakorlat az, hogy a betegeket élethosszig tartó felügyelet alatt kell tartani az EVAR után. Ez általában sima röntgenfelvételek formájában történik számítógépes tomográfiával (CT) vagy duplex ultrahanggal kombinálva, mindegyiket évente végzik el.
A stent-graftok láthatók a hasüreg sima röntgenfelvételein, és az idők során készített képsorozatok összehasonlításával számtalan stentgraft-problémát lehet diagnosztizálni, beleértve a migrációt, a szétesést és a torzulást. De ezek a változások finomak lehetnek az egyszerű röntgenfelvételeken, és még a leggyakorlottabb emberi szem számára is nehezen észlelhetők. Ennek eredményeként a betegek részletesebb vizsgálaton esnek át, amelyek sajnos a nefrotoxicitás és a sugárzás által kiváltott rosszindulatú daganatok kockázatát hordozzák magukban.
Kutatásunk célja a sima röntgenfelvételek diagnosztikai potenciáljának javítása modern mélytanuló számítógépes algoritmusok értelmezésével.
A mesterséges intelligencia (AI) a mély tanulás formájában az elmúlt években számos kihívást jelentő probléma megoldásában nagy sikert ért el. A mély tanulás sikerét nagyrészt a nagy teljesítményű grafikus feldolgozó egységek (GPU) fejlődése támasztja alá. A GPU-k segítségével nagyságrendekkel felgyorsíthatjuk a betanítási algoritmusokat, így a hetek futási idejét napokra csökkentjük.
Tanulmányunk feltárja a mesterséges intelligencia felhasználását anonimizált sima röntgenfelvételek sorozatának értelmezésében, hogy azonosítsa a meghibásodott stent-graft jellemzőit.
Egy mélytanulási algoritmust alkalmazunk az EVAR utáni sima röntgenfelvételeken, amelyeket angliai intézményünkben már végeztek az elmúlt 10 évben. Ezután összehasonlítjuk a gép hatékonyságát a stentgrafttal kapcsolatos problémák azonosításában a korábban emberi értelmezés által azonosított ismert eredményekkel.
Ez a projekt a mély tanulási technikák legújabb fejlesztéseire fog támaszkodni. A mély tanulás várhatóan jó teljesítményt fog hozni az EVAR-felügyelet számára, összhangban annak sikeres alkalmazásával olyan területeken, mint a számjegyek, kínai karakterek és közlekedési táblák felismerése, ahol a számítógépek jobb pontosságot produkáltak, mint az emberek.
Tanulmány típusa
Beiratkozás (Várható)
Kapcsolatok és helyek
Tanulmányi helyek
-
-
Merseyside
-
Liverpool, Merseyside, Egyesült Királyság, L7 8TX
- University of Liverpool
-
-
Részvételi kritériumok
Jogosultsági kritériumok
Tanulmányozható életkorok
- Gyermek
- Felnőtt
- Idősebb felnőtt
Egészséges önkénteseket fogad
Tanulmányozható nemek
Mintavételi módszer
Tanulmányi populáció
Leírás
Bevételi kritériumok:
- Azok a betegek, akik 2005 és 2013 között EVAR-kezelésen estek át a Royal Liverpool Egyetemi Kórházban.
- Betegek, akiket standard infrarenális AAA-kkal kezeltek.
- Posztoperatív felügyeleti programunkban részt vevő betegek, akik eddig 5 sima hasi röntgenfelvételen estek át.
Kizárási kritériumok:
- Egyik sem
Tanulási terv
Hogyan készül a tanulmány?
Tervezési részletek
- Megfigyelési modellek: Csak esetre
- Időperspektívák: Visszatekintő
Mit mér a tanulmány?
Elsődleges eredményintézkedések
Eredménymérő |
Intézkedés leírása |
Időkeret |
---|---|---|
Diagnosztikai pontosság
Időkeret: 1-10 év
|
A mély tanuláson alapuló algoritmus diagnosztikai pontossága a betanított emberi interpretációhoz képest a stent graft migrációjának, szétesésének és torzításának kimutatásában sima röntgenfelvételeken EVAR után.
|
1-10 év
|
Együttműködők és nyomozók
Nyomozók
- Kutatásvezető: Srinivasa Rao Vallabhaneni, MD, FRCS, Royal Liverpool University Hospital NH STrust
Tanulmányi rekorddátumok
Tanulmány főbb dátumok
Tanulmány kezdete (Tényleges)
Elsődleges befejezés (Várható)
A tanulmány befejezése (Várható)
Tanulmányi regisztráció dátumai
Először benyújtva
Először nyújtották be, amely megfelel a minőségbiztosítási kritériumoknak
Első közzététel (Tényleges)
Tanulmányi rekordok frissítései
Utolsó frissítés közzétéve (Tényleges)
Az utolsó frissítés elküldve, amely megfelel a minőségbiztosítási kritériumoknak
Utolsó ellenőrzés
Több információ
A tanulmányhoz kapcsolódó kifejezések
További vonatkozó MeSH feltételek
Egyéb vizsgálati azonosító számok
- 5851
Gyógyszer- és eszközinformációk, tanulmányi dokumentumok
Egy amerikai FDA által szabályozott gyógyszerkészítményt tanulmányoz
Egy amerikai FDA által szabályozott eszközterméket tanulmányoz
Ezt az információt közvetlenül a clinicaltrials.gov webhelyről szereztük be, változtatás nélkül. Ha bármilyen kérése van vizsgálati adatainak módosítására, eltávolítására vagy frissítésére, kérjük, írjon a következő címre: register@clinicaltrials.gov. Amint a változás bevezetésre kerül a clinicaltrials.gov oldalon, ez a webhelyünkön is automatikusan frissül. .