A többfeladatos mélytanulási modell alkalmazása a gerincoszlop ízületi degenerációjának súlyosságának osztályozásában
2025. augusztus 8. frissítette: Hai Lv
A gerincvelői ízületi osteoarthritis olyan betegség, amely a 40 év felettiek körében gyakori.
Ez egy olyan betegség, amelyet a szinovium, az ízületi porc, a porc alatti csont, az ízületi hézag és a gerincízületek járulékos szöveteinek degeneratív kóros elváltozásai és klinikai jellemzői több tényező hatására jellemeznek.
Néhány fiziológiai vagy kóros tényező a gerincoszlop ízületeinek osteoarthritiséhez vezethet.
A gerincoszlopos osteoarthritisben szenvedő betegek gyakran különböző fokú klinikai megnyilvánulásokkal rendelkeznek, mint például a hátfájás és a diszkinézia, amelyek jelentősen befolyásolják a betegek fizikai és mentális egészségét.
A gerincoszlop osteoarthritis súlyossága nemcsak a derékfájásra és a deréktáji izomsűrűség változására van hatással, hanem befolyásolja a betegek kezelését és kezelési tervét is.
Jelenleg a különböző orvosok bizonyos szubjektivitást mutatnak az ágyéki fazettás osteoarthritis osztályozásában, és az eredmények konzisztenciája és megismételhetősége gyenge.
Ezenkívül az orvosoknak képképeket kell olvasniuk, és meg kell ítélniük, hogy az osztályozás nagyon időigényes és ismétlődő munka.
Az elmúlt években a mély tanulási technológia alkalmazása az orvosi képelemzésben széles körben foglalkoztatta a klinikusokat.
A mély tanulás nagy potenciális előnyökkel jár az orvosi képalkotó diagnosztikában.
Radiológusok felügyelete mellett félautomata jelentéseket tud készíteni, hogy javítsa a betegségfokozatok pontosságát, következetességét, objektivitását és gyorsaságát, és tovább támogassa az ezen alapuló klinikai döntéshozatalt.
A projekt célja egy intelligens diagnosztikai és osztályozási rendszer kidolgozása a gerinc kis ízületeinek degeneratív betegségei számára, több feladattal és elmélyült tanulással, valamint klinikai megvalósíthatóságának ellenőrzése, azzal a céllal, hogy segítse a klinikusokat a vizsgálat pontosságának, következetességének, objektivitásának és gyorsaságának javításában. megfelelő betegségi fok értékelését, és tovább támogassák a nyomon követési klinikai döntéshozatalt.
A tanulmány áttekintése
Állapot
Aktív, nem toborzó
Beavatkozás / kezelés
Részletes leírás
Ez a projekt egy retrospektív klinikai vizsgálat.
2019 és 2022 között összegyűjtötték a DICOM formátumú képeket és a képalkotó röntgen-, CT- és MR-rel kapcsolatos alapvető információkat a deréktájra gyanított járó- és fekvőbeteg-betegeknél, valamint a Szun Jatsen Egyetem ötödik társkórházában.
Szerezze be a DICOM képmódot, és az információs rész exportálja az adatokat az OA köteg sikeres elküldése után; Az alapvető beteginformációkat a fekvőbeteg kórtörténetből gyűjtik össze.
700 beteg bevonását tervezik.
Ezeket a projekteket véletlenszerűen osztják fel oktatókészletekre, ellenőrző készletekre és tesztkészletekre a 7:1,5:1,5 aránynak megfelelően a számítógépes mélyreható tanulási modell automatikus diagnosztizálására, a modell stabilitásának és megbízhatóságának tesztelésére.
700 projektben két fiatal orvos és két idősebb orvos tíz év filmolvasási tapasztalattal értékelte az ízületi szűkületet, a hipertrófiát, az osteophytokat, az ízületi felszíni eróziót és a subchondralis cisztát.
Az ellentmondásos eredményekről a junior orvosok csoportjában a két orvos közösen döntött.
A referencia standard csoportot a vezető orvosok csoportja döntötte el.
A klinikusok és a modellek diagnosztikai eredményeinek összehasonlításával, Az ágyéki oldaldegeneráció automatikus diagnosztizálására szolgáló mély tanulási modell teljesítményének és klinikai megvalósíthatóságának értékelése. Hasonlítsa össze az orvos ítéletének és a modell előrejelzésének eredményeit, és statisztikailag elemezze az automatikus diagnózis teljesítményét modell.
A teljesítményértékelési mutatók közé tartozik a pontosság, érzékenység, specifitás, pontosság, visszahívás, F1 érték és AUC érték.
Az F1 érték és az AUC érték a fő mutatók a modell teljesítményének átfogó értékeléséhez.
Minél magasabb az F1 érték és az AUC érték, annál erősebb a modell teljesítménye.
Tanulmány típusa
Megfigyelő
Beiratkozás (Becsült)
1132
Kapcsolatok és helyek
Ez a rész a vizsgálatot végzők elérhetőségeit, valamint a vizsgálat lefolytatásának helyére vonatkozó információkat tartalmazza.
Tanulmányi helyek
-
-
Guangdong
-
Zhuhai, Guangdong, Kína
- The fifth affiliated hospital of SYSU
-
-
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
- Gyermek
- Felnőtt
- Idősebb felnőtt
Egészséges önkénteseket fogad
Nem
Mintavételi módszer
Nem valószínűségi minta
Tanulmányi populáció
A derékfájás miatt képalkotó vizsgálaton átesett betegeknél a betegek fazetta ízületeinek degenerációja nem túl súlyos.
Távolítsa el a kizárási kritériumoknak megfelelő betegeket, hogy elkerülje a rossz képminőség befolyásolását.
Leírás
Bevételi kritériumok:
- 2019 és 2022 között a Szun Jatsen Egyetem ötödik társkórházában lumbális képalkotó vizsgálaton átesett betegek adatai
Kizárási kritériumok:
- Ágyéki spondylolisthesis
- Korábbi csigolyatörés
- Csigolyaműtétje van
- Súlyos műtermékek az ágyéki képeken
Tanulási terv
Ez a rész a vizsgálati terv részleteit tartalmazza, beleértve a vizsgálat megtervezését és a vizsgálat mérését.
Hogyan készül a tanulmány?
Tervezési részletek
- Megfigyelési modellek: Egyéb
- Időperspektívák: Visszatekintő
Kohorszok és beavatkozások
Csoport / Kohorsz |
|---|
|
Képzési csoport
A résztvevők 70%-át véletlenszerűen osztották ki képzési csoportokra, hogy a gép tanulási teljesítményét gyakorolják
|
|
Érvényesítési csoport
A résztvevők 15%-át véletlenszerűen validációs csoportokra osztották, hogy javítsák a gép tanulási teljesítményét és elkerüljék a túlillesztést.
|
|
Tesztcsoport
A résztvevők 15%-át véletlenszerűen tesztcsoportokra osztották, hogy teszteljék a gép tanulási teljesítményét és levonják a kutatási következtetéseket
|
Mit mér a tanulmány?
Elsődleges eredményintézkedések
Eredménymérő |
Intézkedés leírása |
Időkeret |
|---|---|---|
|
Összehasonlítani a többfeladatos mélytanulási modell és a klinikusok pontosságát a spinalis facet ízületi degeneráció megítélésében
Időkeret: 2022.12.01-2023.07.31
|
Főleg a helyesen megjósolt minták számának jelzésére szolgál a minták teljes számában. Valódi pozitív (TP), hamis negatív (FN), hamis pozitív (FP), igaz negatív (TN). Pontosság = (TP + TN) / (TP + FN + FP + TN)
|
2022.12.01-2023.07.31
|
|
Összehasonlítani a többfeladatos mély tanulási modell és a klinikusok pontosságát a gerincvelői facet ízületi degeneráció megítélésében
Időkeret: 2022.12.01-2023.07.31
|
Valódi pozitív (TP), hamis negatív (FN), hamis pozitív (FP), igaz negatív (TN). Pontosság = TP / (TP+FP)
|
2022.12.01-2023.07.31
|
|
Összehasonlítani a többfeladatos mély tanulási modell és a klinikusok érzékenységét a gerincvelői facet ízületi degeneráció értékelésében
Időkeret: 2022.12.01-2023.07.31
|
Valódi pozitív (TP), hamis negatív (FN), hamis pozitív (FP), igaz negatív (TN). Érzékenység = TP / (TP+FN)
|
2022.12.01-2023.07.31
|
|
Összehasonlítani a többfeladatos mély tanulási modell és a klinikusok specifitását a spinalis facet ízületi degeneráció értékelésében
Időkeret: 2022.12.01-2023.07.31
|
Valódi pozitív (TP), hamis negatív (FN), hamis pozitív (FP), igaz negatív (TN). Specifikusság=TN / (TN+FP)
|
2022.12.01-2023.07.31
|
|
Számítsa ki az F1 pontszámot a facet ízületek degenerációjának súlyosságának értékeléséhez a többfeladatos mély tanulási modellben
Időkeret: 2022.12.01-2023.07.31
|
Az F1 pontszám az automatikus besorolás fontos értékelési mutatója, F1 =2*Precízió*Érzékenység/(Precízió+Érzékenység)=2TP/(2TP+FP+FN)
|
2022.12.01-2023.07.31
|
|
A ROC (Receiver Operation Characteristic) a vevő működési jelleggörbéje, amely a mély tanulási modell teljesítményét értékelő index.
Időkeret: 2022.12.01-2023.07.31
|
A ROC (Receiver Operation Characteristic) a vevő működési jelleggörbéje.
Minél közelebb van a görbe a bal felső sarokhoz, annál jobb az osztályozó.
A ROC görbe alatti területet AUC-nak nevezik.
Minél nagyobb az AUC, annál jobb lesz az osztályozó hatása.
|
2022.12.01-2023.07.31
|
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 (Tényleges)
2022. december 31.
Elsődleges befejezés (Becsült)
2026. december 31.
A tanulmány befejezése (Becsült)
2026. december 31.
Tanulmányi regisztráció dátumai
Először benyújtva
2022. november 23.
Először nyújtották be, amely megfelel a minőségbiztosítási kritériumoknak
2022. december 1.
Első közzététel (Tényleges)
2022. december 2.
Tanulmányi rekordok frissítései
Utolsó frissítés közzétéve (Tényleges)
2025. augusztus 13.
Az utolsó frissítés elküldve, amely megfelel a minőségbiztosítási kritériumoknak
2025. augusztus 8.
Utolsó ellenőrzés
2025. augusztus 1.
Több információ
A tanulmányhoz kapcsolódó kifejezések
Egyéb vizsgálati azonosító számok
- ZDWY.JZWK.004
Terv az egyéni résztvevői adatokhoz (IPD)
Tervezi megosztani az egyéni résztvevői adatokat (IPD)?
NEM
IPD terv leírása
Szükség esetén biztosítható
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. .