Multimodális képalkotás a Vitreo-retinális sebészetben és a makula-dystrophiákban (MICAI)
2024. február 10. frissítette: RIZZO STANISLAO, Fondazione Policlinico Universitario Agostino Gemelli IRCCS
Multimodális képalkotás a Vitreo-retinális sebészetben és a makuláris disztrófiákban: A morfo-funkcionális helyreállítás biomarkerei mesterséges intelligencia segítségével
A tanulmány célja a vitreoretinális műtét utáni posztoperatív felépülés morfológiai és funkcionális biomarkereinek azonosítása döntéstámogató rendszerek (DSS) segítségével, multimodális big-data elemzésen alapuló gépi tanulási technikák segítségével a napi klinikai gyakorlatban.
A tanulmány áttekintése
Állapot
Toborzás
Részletes leírás
A vizsgálat célja a vitreoretinális műtétek utáni posztoperatív gyógyulás morfológiai és funkcionális biomarkereinek azonosítása.
A biomarkerek azonosítása és a gyógyulás prediktivitásának felmérése lehetővé teszi a sebészi kezelésből leginkább hasznot húzó betegkategóriák kiemelését, valamint a páciens pontosabb megcélzását a személyre szabott orvoslás és sebészet számára.
A napi klinikai gyakorlatban a gépi tanulási technikákon alapuló multimodális big-data-elemzésen alapuló új döntéstámogató rendszerek (DSS) új, hasznos információkkal szolgálnak a személyre szabott műtétek betegértékelésében.
Tanulmány típusa
Megfigyelő
Beiratkozás (Becsült)
100
Kapcsolatok és helyek
Ez a rész a vizsgálatot végzők elérhetőségeit, valamint a vizsgálat lefolytatásának helyére vonatkozó információkat tartalmazza.
Tanulmányi kapcsolat
- Név: Maria Cristina Savastano, MD,PhD
- Telefonszám: +39 3384443002
- E-mail: mariacristina.savastano@unicatt.it
Tanulmányozza a kapcsolattartók biztonsági mentését
- Név: Alfonso Savastano, MD,PhD
- E-mail: alfonso.savastano@policlinicogemelli.it
Tanulmányi helyek
-
-
-
Rome, Olaszország, 00168
- Toborzás
- Prof. Stanislao Rizzo
-
Kapcsolatba lépni:
- Stanislao Rizzo, MD,PhD
-
-
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
1 év és régebbi (Gyermek, Felnőtt, Idősebb felnőtt)
Egészséges önkénteseket fogad
Nem
Mintavételi módszer
Valószínűségi minta
Tanulmányi populáció
Minden beteget vitreo-retina műtéten kell átesni makulabetegség miatt (azaz makulalyuk, epiretinális membránok, retinaleválás, makula-dystrophiák (retina előprotézis).
Leírás
Bevételi kritériumok:
Minden vitreo-retina műtéten áteső beteg:
- Makula lyuk
- Epiretinális membránok
- Retina leválás
- Makula dystrophiák (retina előprotézis)
Kizárási kritériumok:
- A 18 év alatti betegek kizárásra kerülnek; olyan betegek, akiknél a morfológiai vizsgálat nem végezhető el a dioptriás közeg rossz együttműködése vagy átlátszatlansága miatt (pl. szaruhártya patológiája). A morfológiai képek minősége nem megfelelő a felvétel utáni feldolgozáshoz (<6/10).
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 |
|---|---|
|
Makula lyuk
A makulalyuk által érintett betegek.
|
IOL Masterrel végrehajtott biometrikus mérések, ha végrehajtható, Contact vagy immerziós echobiometria, ha az IOL Master nem hajtható végre
Szín + AF: EIDON, ha elérhető (60° nem modulálható) Szín: COBRA (60° nem módosítható) AF: Spectralis-Heidelberg (válasszon 55°) Egyéb, ha elérhető (válasszon hátsó pólus vizsgálatot 50-60° között)
OCT B-szkennelés: 2 szkennelés (6 mm) 1 keresztvonal OCTA: 3x3 mm + 6x6 mm a fovea közepén 4,5 mm a látóideg közepén
1) rögzítési minta 2) retina érzékenységi térkép
A retina rétegenkénti értékelése fokális ERG és mintázatos ERG használatával, szabványos és publikált módszerek szerint. A visus < 3/10 és instabil rögzítés esetén a diffúz villanásból származó fotopikus ERG komponenselemzésén alapuló protokollt kell alkalmazni.
|
|
Epiretinális membránok
Az epiretinális membrán által érintett betegek.
|
IOL Masterrel végrehajtott biometrikus mérések, ha végrehajtható, Contact vagy immerziós echobiometria, ha az IOL Master nem hajtható végre
Szín + AF: EIDON, ha elérhető (60° nem modulálható) Szín: COBRA (60° nem módosítható) AF: Spectralis-Heidelberg (válasszon 55°) Egyéb, ha elérhető (válasszon hátsó pólus vizsgálatot 50-60° között)
OCT B-szkennelés: 2 szkennelés (6 mm) 1 keresztvonal OCTA: 3x3 mm + 6x6 mm a fovea közepén 4,5 mm a látóideg közepén
1) rögzítési minta 2) retina érzékenységi térkép
A retina rétegenkénti értékelése fokális ERG és mintázatos ERG használatával, szabványos és publikált módszerek szerint. A visus < 3/10 és instabil rögzítés esetén a diffúz villanásból származó fotopikus ERG komponenselemzésén alapuló protokollt kell alkalmazni.
|
|
Retina leválás
Retinaleválás által érintett betegek.
|
IOL Masterrel végrehajtott biometrikus mérések, ha végrehajtható, Contact vagy immerziós echobiometria, ha az IOL Master nem hajtható végre
Szín + AF: EIDON, ha elérhető (60° nem modulálható) Szín: COBRA (60° nem módosítható) AF: Spectralis-Heidelberg (válasszon 55°) Egyéb, ha elérhető (válasszon hátsó pólus vizsgálatot 50-60° között)
OCT B-szkennelés: 2 szkennelés (6 mm) 1 keresztvonal OCTA: 3x3 mm + 6x6 mm a fovea közepén 4,5 mm a látóideg közepén
1) rögzítési minta 2) retina érzékenységi térkép
A retina rétegenkénti értékelése fokális ERG és mintázatos ERG használatával, szabványos és publikált módszerek szerint. A visus < 3/10 és instabil rögzítés esetén a diffúz villanásból származó fotopikus ERG komponenselemzésén alapuló protokollt kell alkalmazni.
|
|
Makula disztrófiák
Makula-dystrophiában szenvedő betegek.
|
IOL Masterrel végrehajtott biometrikus mérések, ha végrehajtható, Contact vagy immerziós echobiometria, ha az IOL Master nem hajtható végre
Szín + AF: EIDON, ha elérhető (60° nem modulálható) Szín: COBRA (60° nem módosítható) AF: Spectralis-Heidelberg (válasszon 55°) Egyéb, ha elérhető (válasszon hátsó pólus vizsgálatot 50-60° között)
OCT B-szkennelés: 2 szkennelés (6 mm) 1 keresztvonal OCTA: 3x3 mm + 6x6 mm a fovea közepén 4,5 mm a látóideg közepén
1) rögzítési minta 2) retina érzékenységi térkép
A retina rétegenkénti értékelése fokális ERG és mintázatos ERG használatával, szabványos és publikált módszerek szerint. A visus < 3/10 és instabil rögzítés esetén a diffúz villanásból származó fotopikus ERG komponenselemzésén alapuló protokollt kell alkalmazni.
|
Mit mér a tanulmány?
Elsődleges eredményintézkedések
Eredménymérő |
Intézkedés leírása |
Időkeret |
|---|---|---|
|
Morfológiai-funkcionális radiomikus adatok előrejelzése
Időkeret: 3 év
|
A morfológiai-funkcionális radiomikus adatok előrejelzési aránya a posztoperatív időszak felépülési fokának meghatározásához mesterséges intelligencia (AI) gépi tanulási modell segítségével.
|
3 év
|
Másodlagos eredményintézkedések
Eredménymérő |
Intézkedés leírása |
Időkeret |
|---|---|---|
|
Azonosítsa a prediktív különbségeket a diagnózis alapján
Időkeret: 3 év
|
Alcsoportokra bontás a prediktív különbségek diagnosztizálása érdekében
|
3 év
|
|
Összefüggés a betegek életkorával
Időkeret: 3 év
|
Azonosítsa a prediktív különbségeket a diagnózis alapján, és korrelálja azokat a betegek életkorával
|
3 év
|
|
Korrelál a betegség kezdetének korával
Időkeret: 3 év
|
Azonosítsa a prediktív különbségeket a diagnózis alapján, és korrelálja azokat a betegség kezdetének korával
|
3 év
|
Együttműködők és nyomozók
Itt találhatja meg a tanulmányban érintett személyeket és szervezeteket.
Publikációk és hasznos linkek
A vizsgálattal kapcsolatos információk beviteléért felelős személy önkéntesen bocsátja rendelkezésre ezeket a kiadványokat. Ezek bármiről szólhatnak, ami a tanulmányhoz kapcsolódik.
Általános kiadványok
- Gulshan V, Peng L, Coram M, Stumpe MC, Wu D, Narayanaswamy A, Venugopalan S, Widner K, Madams T, Cuadros J, Kim R, Raman R, Nelson PC, Mega JL, Webster DR. Development and Validation of a Deep Learning Algorithm for Detection of Diabetic Retinopathy in Retinal Fundus Photographs. JAMA. 2016 Dec 13;316(22):2402-2410. doi: 10.1001/jama.2016.17216.
- Harris PA, Taylor R, Minor BL, Elliott V, Fernandez M, O'Neal L, McLeod L, Delacqua G, Delacqua F, Kirby J, Duda SN; REDCap Consortium. The REDCap consortium: Building an international community of software platform partners. J Biomed Inform. 2019 Jul;95:103208. doi: 10.1016/j.jbi.2019.103208. Epub 2019 May 9.
- Duker JS, Kaiser PK, Binder S, de Smet MD, Gaudric A, Reichel E, Sadda SR, Sebag J, Spaide RF, Stalmans P. The International Vitreomacular Traction Study Group classification of vitreomacular adhesion, traction, and macular hole. Ophthalmology. 2013 Dec;120(12):2611-2619. doi: 10.1016/j.ophtha.2013.07.042. Epub 2013 Sep 17.
- Kermany DS, Goldbaum M, Cai W, Valentim CCS, Liang H, Baxter SL, McKeown A, Yang G, Wu X, Yan F, Dong J, Prasadha MK, Pei J, Ting MYL, Zhu J, Li C, Hewett S, Dong J, Ziyar I, Shi A, Zhang R, Zheng L, Hou R, Shi W, Fu X, Duan Y, Huu VAN, Wen C, Zhang ED, Zhang CL, Li O, Wang X, Singer MA, Sun X, Xu J, Tafreshi A, Lewis MA, Xia H, Zhang K. Identifying Medical Diagnoses and Treatable Diseases by Image-Based Deep Learning. Cell. 2018 Feb 22;172(5):1122-1131.e9. doi: 10.1016/j.cell.2018.02.010.
- Esteva A, Kuprel B, Novoa RA, Ko J, Swetter SM, Blau HM, Thrun S. Dermatologist-level classification of skin cancer with deep neural networks. Nature. 2017 Feb 2;542(7639):115-118. doi: 10.1038/nature21056. Epub 2017 Jan 25. Erratum In: Nature. 2017 Jun 28;546(7660):686.
- Schmidt-Erfurth U, Waldstein SM, Klimscha S, Sadeghipour A, Hu X, Gerendas BS, Osborne A, Bogunovic H. Prediction of Individual Disease Conversion in Early AMD Using Artificial Intelligence. Invest Ophthalmol Vis Sci. 2018 Jul 2;59(8):3199-3208. doi: 10.1167/iovs.18-24106.
- Garrity ST, Sarraf D, Freund KB, Sadda SR. Multimodal Imaging of Nonneovascular Age-Related Macular Degeneration. Invest Ophthalmol Vis Sci. 2018 Mar 20;59(4):AMD48-AMD64. doi: 10.1167/iovs.18-24158.
- Acon D, Wu L. Multimodal Imaging in Diabetic Macular Edema. Asia Pac J Ophthalmol (Phila). 2018 Jan-Feb;7(1):22-27. doi: 10.22608/APO.2017504. Epub 2017 Jan 29.
- Spaide RF, Fujimoto JG, Waheed NK, Sadda SR, Staurenghi G. Optical coherence tomography angiography. Prog Retin Eye Res. 2018 May;64:1-55. doi: 10.1016/j.preteyeres.2017.11.003. Epub 2017 Dec 8.
- Sun P, Tandias RM, Yu G, Arroyo JG. SPECTRAL DOMAIN OPTICAL COHERENCE TOMOGRAPHY FINDINGS AND VISUAL OUTCOME AFTER TREATMENT FOR VITREOMACULAR TRACTION. Retina. 2019 Jun;39(6):1054-1060. doi: 10.1097/IAE.0000000000002116.
- Lee CS, Tyring AJ, Deruyter NP, Wu Y, Rokem A, Lee AY. Deep-learning based, automated segmentation of macular edema in optical coherence tomography. Biomed Opt Express. 2017 Jun 23;8(7):3440-3448. doi: 10.1364/BOE.8.003440. eCollection 2017 Jul 1.
- Zur D, Iglicki M, Busch C, Invernizzi A, Mariussi M, Loewenstein A; International Retina Group. OCT Biomarkers as Functional Outcome Predictors in Diabetic Macular Edema Treated with Dexamethasone Implant. Ophthalmology. 2018 Feb;125(2):267-275. doi: 10.1016/j.ophtha.2017.08.031. Epub 2017 Sep 19.
- Beam AL, Kohane IS. Big Data and Machine Learning in Health Care. JAMA. 2018 Apr 3;319(13):1317-1318. doi: 10.1001/jama.2017.18391. No abstract available.
- Ngiam KY, Khor IW. Big data and machine learning algorithms for health-care delivery. Lancet Oncol. 2019 May;20(5):e262-e273. doi: 10.1016/S1470-2045(19)30149-4. Erratum In: Lancet Oncol. 2019 Jun;20(6):293.
- Abramoff MD, Lou Y, Erginay A, Clarida W, Amelon R, Folk JC, Niemeijer M. Improved Automated Detection of Diabetic Retinopathy on a Publicly Available Dataset Through Integration of Deep Learning. Invest Ophthalmol Vis Sci. 2016 Oct 1;57(13):5200-5206. doi: 10.1167/iovs.16-19964.
- Lakhani P, Sundaram B. Deep Learning at Chest Radiography: Automated Classification of Pulmonary Tuberculosis by Using Convolutional Neural Networks. Radiology. 2017 Aug;284(2):574-582. doi: 10.1148/radiol.2017162326. Epub 2017 Apr 24.
- Ting DSW, Cheung CY, Lim G, Tan GSW, Quang ND, Gan A, Hamzah H, Garcia-Franco R, San Yeo IY, Lee SY, Wong EYM, Sabanayagam C, Baskaran M, Ibrahim F, Tan NC, Finkelstein EA, Lamoureux EL, Wong IY, Bressler NM, Sivaprasad S, Varma R, Jonas JB, He MG, Cheng CY, Cheung GCM, Aung T, Hsu W, Lee ML, Wong TY. Development and Validation of a Deep Learning System for Diabetic Retinopathy and Related Eye Diseases Using Retinal Images From Multiethnic Populations With Diabetes. JAMA. 2017 Dec 12;318(22):2211-2223. doi: 10.1001/jama.2017.18152.
- Li Z, He Y, Keel S, Meng W, Chang RT, He M. Efficacy of a Deep Learning System for Detecting Glaucomatous Optic Neuropathy Based on Color Fundus Photographs. Ophthalmology. 2018 Aug;125(8):1199-1206. doi: 10.1016/j.ophtha.2018.01.023. Epub 2018 Mar 2.
- Burlina P, Joshi N, Pacheco KD, Freund DE, Kong J, Bressler NM. Utility of Deep Learning Methods for Referability Classification of Age-Related Macular Degeneration. JAMA Ophthalmol. 2018 Nov 1;136(11):1305-1307. doi: 10.1001/jamaophthalmol.2018.3799.
- Grassmann F, Mengelkamp J, Brandl C, Harsch S, Zimmermann ME, Linkohr B, Peters A, Heid IM, Palm C, Weber BHF. A Deep Learning Algorithm for Prediction of Age-Related Eye Disease Study Severity Scale for Age-Related Macular Degeneration from Color Fundus Photography. Ophthalmology. 2018 Sep;125(9):1410-1420. doi: 10.1016/j.ophtha.2018.02.037. Epub 2018 Apr 10.
- Brown JM, Campbell JP, Beers A, Chang K, Ostmo S, Chan RVP, Dy J, Erdogmus D, Ioannidis S, Kalpathy-Cramer J, Chiang MF; Imaging and Informatics in Retinopathy of Prematurity (i-ROP) Research Consortium. Automated Diagnosis of Plus Disease in Retinopathy of Prematurity Using Deep Convolutional Neural Networks. JAMA Ophthalmol. 2018 Jul 1;136(7):803-810. doi: 10.1001/jamaophthalmol.2018.1934.
- De Fauw J, Ledsam JR, Romera-Paredes B, Nikolov S, Tomasev N, Blackwell S, Askham H, Glorot X, O'Donoghue B, Visentin D, van den Driessche G, Lakshminarayanan B, Meyer C, Mackinder F, Bouton S, Ayoub K, Chopra R, King D, Karthikesalingam A, Hughes CO, Raine R, Hughes J, Sim DA, Egan C, Tufail A, Montgomery H, Hassabis D, Rees G, Back T, Khaw PT, Suleyman M, Cornebise J, Keane PA, Ronneberger O. Clinically applicable deep learning for diagnosis and referral in retinal disease. Nat Med. 2018 Sep;24(9):1342-1350. doi: 10.1038/s41591-018-0107-6. Epub 2018 Aug 13.
- Schmidt-Erfurth U, Sadeghipour A, Gerendas BS, Waldstein SM, Bogunovic H. Artificial intelligence in retina. Prog Retin Eye Res. 2018 Nov;67:1-29. doi: 10.1016/j.preteyeres.2018.07.004. Epub 2018 Aug 1.
- Sarao V, Veritti D, Borrelli E, Sadda SVR, Poletti E, Lanzetta P. A comparison between a white LED confocal imaging system and a conventional flash fundus camera using chromaticity analysis. BMC Ophthalmol. 2019 Nov 19;19(1):231. doi: 10.1186/s12886-019-1241-8.
- Fernandez-Avellaneda P, Breazzano MP, Fragiotta S, Xu X, Zhang Q, Wang RK, Freund KB. BACILLARY LAYER DETACHMENT OVERLYING REDUCED CHORIOCAPILLARIS FLOW IN ACUTE IDIOPATHIC MACULOPATHY. Retin Cases Brief Rep. 2022 Jan 1;16(1):59-66. doi: 10.1097/ICB.0000000000000943.
- Huang NT, Georgiadis C, Gomez J, Tang PH, Drayna P, Koozekanani DD, van Kuijk FJGM, Montezuma SR. Comparing fundus autofluorescence and infrared imaging findings of peripheral retinoschisis, schisis detachment, and retinal detachment. Am J Ophthalmol Case Rep. 2020 Mar 26;18:100666. doi: 10.1016/j.ajoc.2020.100666. eCollection 2020 Jun.
- Stanga PE, Williams JI, Shaarawy SA, Agarwal A, Venkataraman A, Kumar DA, You TT, Hope RS. FIRST-IN-HUMAN CLINICAL STUDY TO INVESTIGATE THE EFFECTIVENESS AND SAFETY OF PARS PLANA VITRECTOMY SURGERY USING A NEW HYPERSONIC TECHNOLOGY. Retina. 2020 Jan;40(1):16-23. doi: 10.1097/IAE.0000000000002365.
- Hubschman JP, Govetto A, Spaide RF, Schumann R, Steel D, Figueroa MS, Sebag J, Gaudric A, Staurenghi G, Haritoglou C, Kadonosono K, Thompson JT, Chang S, Bottoni F, Tadayoni R. Optical coherence tomography-based consensus definition for lamellar macular hole. Br J Ophthalmol. 2020 Dec;104(12):1741-1747. doi: 10.1136/bjophthalmol-2019-315432. Epub 2020 Feb 27.
- Bae K, Lee SM, Kang SW, Kim ES, Yu SY, Kim KT. Atypical epiretinal tissue in full-thickness macular holes: pathogenic and prognostic significance. Br J Ophthalmol. 2019 Feb;103(2):251-256. doi: 10.1136/bjophthalmol-2017-311810. Epub 2018 Apr 26.
- Rizzo S, Tartaro R, Barca F, Caporossi T, Bacherini D, Giansanti F. INTERNAL LIMITING MEMBRANE PEELING VERSUS INVERTED FLAP TECHNIQUE FOR TREATMENT OF FULL-THICKNESS MACULAR HOLES: A COMPARATIVE STUDY IN A LARGE SERIES OF PATIENTS. Retina. 2018 Sep;38 Suppl 1:S73-S78. doi: 10.1097/IAE.0000000000001985.
- Christensen UC. Value of internal limiting membrane peeling in surgery for idiopathic macular hole and the correlation between function and retinal morphology. Acta Ophthalmol. 2009 Dec;87 Thesis 2:1-23. doi: 10.1111/j.1755-3768.2009.01777.x.
- Fukuyama H, Ishikawa H, Komuku Y, Araki T, Kimura N, Gomi F. Comparative analysis of metamorphopsia and aniseikonia after vitrectomy for epiretinal membrane, macular hole, or rhegmatogenous retinal detachment. PLoS One. 2020 May 8;15(5):e0232758. doi: 10.1371/journal.pone.0232758. eCollection 2020.
- Rizzo S, Savastano A, Bacherini D, Savastano MC. Vascular Features of Full-Thickness Macular Hole by OCT Angiography. Ophthalmic Surg Lasers Imaging Retina. 2017 Jan 1;48(1):62-68. doi: 10.3928/23258160-20161219-09.
- Bacherini D, Savastano MC, Dragotto F, Finocchio L, Lenzetti C, Bitossi A, Tartaro R, Giansanti F, Barca F, Savastano A, Caporossi T, Vannozzi L, Sodi A, Luca M, Faraldi F, Virgili G, Rizzo S. Morpho-Functional Evaluation of Full-Thickness Macular Holes by the Integration of Optical Coherence Tomography Angiography and Microperimetry. J Clin Med. 2020 Jan 15;9(1):229. doi: 10.3390/jcm9010229.
- Qi Y, Wang Z, Li SM, You Q, Liang X, Yu Y, Liu W. Effect of internal limiting membrane peeling on normal retinal function evaluated by microperimetry-3. BMC Ophthalmol. 2020 Apr 9;20(1):140. doi: 10.1186/s12886-020-01383-3.
- Smith AJ, Telander DG, Zawadzki RJ, Choi SS, Morse LS, Werner JS, Park SS. High-resolution Fourier-domain optical coherence tomography and microperimetric findings after macula-off retinal detachment repair. Ophthalmology. 2008 Nov;115(11):1923-9. doi: 10.1016/j.ophtha.2008.05.025. Epub 2008 Jul 31.
- Reumueller A, Wassermann L, Salas M, Karantonis MG, Sacu S, Georgopoulos M, Drexler W, Pircher M, Pollreisz A, Schmidt-Erfurth U. Morphologic and Functional Assessment of Photoreceptors After Macula-Off Retinal Detachment With Adaptive-Optics OCT and Microperimetry. Am J Ophthalmol. 2020 Jun;214:72-85. doi: 10.1016/j.ajo.2019.12.015. Epub 2019 Dec 25.
- Falsini B, Serrao S, Fadda A, Iarossi G, Porrello G, Cocco F, Merendino E. Focal electroretinograms and fundus appearance in nonexudative age-related macular degeneration. Quantitative relationship between retinal morphology and function. Graefes Arch Clin Exp Ophthalmol. 1999 Mar;237(3):193-200. doi: 10.1007/s004170050218.
- Falsini B, Bardocci A, Porciatti V, Bolzani R, Piccardi M. Macular dysfunction in multiple sclerosis revealed by steady-state flicker and pattern ERGs. Electroencephalogr Clin Neurophysiol. 1992 Jan;82(1):53-9. doi: 10.1016/0013-4694(92)90182-h.
- Abed E, Placidi G, Campagna F, Federici M, Minnella A, Guerri G, Bertelli M, Piccardi M, Galli-Resta L, Falsini B. Early impairment of the full-field photopic negative response in patients with Stargardt disease and pathogenic variants of the ABCA4 gene. Clin Exp Ophthalmol. 2018 Jul;46(5):519-530. doi: 10.1111/ceo.13115. Epub 2017 Dec 28.
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)
2021. január 15.
Elsődleges befejezés (Becsült)
2025. január 15.
A tanulmány befejezése (Becsült)
2025. január 16.
Tanulmányi regisztráció dátumai
Először benyújtva
2023. február 17.
Először nyújtották be, amely megfelel a minőségbiztosítási kritériumoknak
2023. február 17.
Első közzététel (Tényleges)
2023. február 28.
Tanulmányi rekordok frissítései
Utolsó frissítés közzétéve (Tényleges)
2024. február 13.
Az utolsó frissítés elküldve, amely megfelel a minőségbiztosítási kritériumoknak
2024. február 10.
Utolsó ellenőrzés
2024. február 1.
Több információ
A tanulmányhoz kapcsolódó kifejezések
További vonatkozó MeSH feltételek
Egyéb vizsgálati azonosító számok
- 3680
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
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. .