- ICH GCP
- USA klinikai vizsgálatok nyilvántartása
- Klinikai vizsgálat NCT04665102
Kísérleti tanulmány a szem mélyreható tanulásáról (IDLE)
2021. január 5. frissítette: Pieter Nelis, CRG UZ Brussel
Transzfertanulási mélytanulási algoritmus érvényesítése több patológiás képosztályozáshoz
A mély tanulás lehetővé teszi a képek osztályozását egy öntanuló algoritmus segítségével.
A transzfertanulás egy meglévő öntanuló algoritmusra épül, hogy lehetővé tegye a képosztályozást kevesebb képpel.
Ebben a tanulmányban ezt a technikát különböző szindrómák különböző képmódjaira alkalmazzák.
Retrospektív tanulmányterv.
A tanulmány áttekintése
Állapot
Ismeretlen
Beavatkozás / kezelés
Tanulmány típusa
Megfigyelő
Beiratkozás (Várható)
120
Kapcsolatok és helyek
Ez a rész a vizsgálatot végzők elérhetőségeit, valamint a vizsgálat lefolytatásának helyére vonatkozó információkat tartalmazza.
Részvételi kritériumok
A kutatók olyan embereket keresnek, akik megfelelnek egy bizonyos leírásnak, az úgynevezett jogosultsági kritériumoknak. Néhány példa ezekre a kritériumokra a személy általános egészségi állapota vagy a korábbi kezelések.
Jogosultsági kritériumok
Tanulmányozható életkorok
18 év (Felnőtt, Idősebb felnőtt)
Egészséges önkénteseket fogad
Igen
Tanulmányozható nemek
Összes
Mintavételi módszer
Nem valószínűségi minta
Tanulmányi populáció
Egészséges és nem egészséges alanyok: adatok kinyerése a rendelkezésre álló képekből
Leírás
Bevételi kritériumok:
- A diszkriminációt lehetővé tévő képek elérhetősége.
Kizárási kritériumok:
- Nem állnak rendelkezésre egyértelmű adatok a betegségek megkülönböztetésére vonatkozóan
Tanulási terv
Ez a rész a vizsgálati terv részleteit tartalmazza, beleértve a vizsgálat megtervezését és a vizsgálat mérését.
Hogyan készül a tanulmány?
Tervezési részletek
Kohorszok és beavatkozások
Csoport / Kohorsz |
Beavatkozás / kezelés |
---|---|
Nincs patológia
|
|
Patológia
|
Képosztályozás mély tanulási algoritmus segítségével
|
Mit mér a tanulmány?
Elsődleges eredményintézkedések
Eredménymérő |
Időkeret |
---|---|
Képosztályozás érvényesítése átviteli tanulási algoritmussal
Időkeret: 1 év
|
1 év
|
Együttműködők és nyomozók
Itt találhatja meg a tanulmányban érintett személyeket és szervezeteket.
Szponzor
Tanulmányi rekorddátumok
Ezek a dátumok nyomon követik a ClinicalTrials.gov webhelyre benyújtott vizsgálati rekordok és összefoglaló eredmények benyújtásának folyamatát. A vizsgálati feljegyzéseket és a jelentett eredményeket a Nemzeti Orvostudományi Könyvtár (NLM) felülvizsgálja, hogy megbizonyosodjon arról, hogy megfelelnek-e az adott minőség-ellenőrzési szabványoknak, mielőtt közzéteszik őket a nyilvános weboldalon.
Tanulmány főbb dátumok
Tanulmány kezdete (Várható)
2021. február 1.
Elsődleges befejezés (Várható)
2021. december 1.
A tanulmány befejezése (Várható)
2022. december 1.
Tanulmányi regisztráció dátumai
Először benyújtva
2020. december 7.
Először nyújtották be, amely megfelel a minőségbiztosítási kritériumoknak
2020. december 7.
Első közzététel (Tényleges)
2020. december 11.
Tanulmányi rekordok frissítései
Utolsó frissítés közzétéve (Tényleges)
2021. január 7.
Az utolsó frissítés elküldve, amely megfelel a minőségbiztosítási kritériumoknak
2021. január 5.
Utolsó ellenőrzés
2021. január 1.
Több információ
A tanulmányhoz kapcsolódó kifejezések
További vonatkozó MeSH feltételek
Egyéb vizsgálati azonosító számok
- IDLE1000
Terv az egyéni résztvevői adatokhoz (IPD)
Tervezi megosztani az egyéni résztvevői adatokat (IPD)?
NEM
Gyógyszer- és eszközinformációk, tanulmányi dokumentumok
Egy amerikai FDA által szabályozott gyógyszerkészítményt tanulmányoz
Nem
Egy amerikai FDA által szabályozott eszközterméket tanulmányoz
Nem
az Egyesült Államokban gyártott és onnan exportált termék
Nem
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. .