- ICH GCP
- USA klinikai vizsgálatok nyilvántartása
- Klinikai vizsgálat NCT06274502
Patológiás DRG-k automatikus felismerése és diagnosztizálása PHN-betegeknél mély tanulás és mágneses rezonancia segítségével
A tanulmány áttekintése
Részletes leírás
Korábbi kutatásaink megerősítették a makroszkopikus és mikroszkópos szempontok közötti különbségeket a posztherpetikus neuralgiában (PHN) szenvedő betegek és az egészséges kontrollok léziós háti gyökér ganglionjainak (DRG) képalkotása között. Ezenkívül tanulmányunk feltárta, hogy bár a léziós bőr lokalizációja klasszikus módszer a klinikai gyakorlatban, a mágneses rezonancia képalkotásban (MRI) még mindig van bizonyos mértékű eltérés a sérült DRG-től. Ez arra utal, hogy az MRI jelentős értéke a léziós DRG diagnosztizálásában PHN-betegeknél. A zoster sine herpete neuralgiában szenvedő betegeknél még fontosabb, hogy MRI-vel egyértelműen azonosítsák a sérült DRG-t. A DRG-léziók kis mérete és változatos morfológiája miatt azonban a léziós DRG MRI-vel történő diagnosztizálása speciális neuroanatómiai és képalkotói ismereteket igényel, ami kihívást jelent a klinikai szakemberek számára. A léziós DRG gyors és pontos azonosítása kulcsfontosságú az intervenciós terápia szempontjából, mivel ez a neuropátiás fájdalom alapvető kezelési célpontja.
A YOLO (You Only Look Once) algoritmussorozat jelenleg széles körben használt egylépcsős valós idejű objektumészlelési algoritmusok, köztük a YOLOv1-YOLOv8. Rendkívül nagy észlelési sebességüknek köszönhetően valós idejű tárgyérzékelést tesznek lehetővé. A YOLOv5-öt és a YOLOv8-at ma már széles körben alkalmazzák különféle alkalmazásokban, mint például az autonóm vezetés, a videó megfigyelés és az objektumkövetés [66,67]. Ezen túlmenően a YOLO sorozatot egyre gyakrabban alkalmazzák az orvostudomány területén, beleértve a daganatok és ízületi kapszula léziók detektálását, ami jó pontosságot, visszahívási arányt és kimutatási hatékonyságot mutat [68]. Ennek a tanulmánynak a célja a YOLOv8 algoritmus felhasználása egy gyors és pontos objektumészlelési modell kifejlesztésére, egyidejűleg értékelve annak teljesítményét. Ezzel a modellel igyekszik validálni a léziós háti gyökér ganglionok (DRG) valós idejű posztherpetikus neuralgiában való kimutatásának megvalósíthatóságát és hatékonyságát, alapot biztosítva a klinikai orvosok korai diagnózisához, és lehetővé téve a sérült DRG gyors és pontos lokalizálását.
Tanulmány típusa
Beiratkozás (Tényleges)
Kapcsolatok és helyek
Tanulmányi helyek
-
-
-
Wuhan, Kína
- Tongji Hospital, Tongji Medical College, Huazhong University of Science and Technology
-
-
Hubei
-
Wuhan, Hubei, Kína, 430030
- Tongji Hospital, Tongji Medical College, Huazhong University of Science and Technology
-
-
Részvételi kritériumok
Jogosultsági kritériumok
Tanulmányozható életkorok
- Felnőtt
- Idősebb felnőtt
Egészséges önkénteseket fogad
Mintavételi módszer
Tanulmányi populáció
Leírás
Bevételi kritériumok:
- 18 éves vagy idősebb betegek;
- Herpesz zosterben szenvedő betegek, akik még több mint egy hónapig fájdalmat éreznek, miután a kéreg kialakul a bőrelváltozásokon;
- Tiszta MRI-képek, amelyek nyilvánvaló dorsalis ganglion (DRG) elváltozásokat mutatnak.
Kizárási kritériumok:
- Súlyos szisztémás, anyagcsere- vagy neurológiai betegségekben szenvedő betegek, amelyek polyneuropathiához vezethetnek, például myeloma multiplexben, cukorbetegségben vagy pajzsmirigybetegségben;
- Olyan betegek, akiknek a kórtörténetében pszichiátriai rendellenességek, egyéb krónikus fájdalmas állapotok vagy kábítószer-használat szerepel;
- Olyan betegek, akiknek a kórelőzményében mellkasi vagy hátműtétek szerepeltek, és fájdalom is előfordult;
- Műtermékek jelenléte a képalkotásban vagy homályos képmegjelenítés;
- Más szövetek által eltakart célképek.
Tanulási terv
Hogyan készül a tanulmány?
Tervezési részletek
Mit mér a tanulmány?
Elsődleges eredményintézkedések
Eredménymérő |
Intézkedés leírása |
Időkeret |
---|---|---|
Automatizált rendszer kifejlesztése a léziós DRG-k detektálására és diagnosztizálására PHN-betegeknél mély tanuláson alapuló
Időkeret: 202310-202402
|
a You Only Look (YOLO) 8-as verziója lett kiválasztva célalgoritmusmodellként
|
202310-202402
|
Együttműködők és nyomozók
Tanulmányi rekorddátumok
Tanulmány főbb dátumok
Tanulmány kezdete (Tényleges)
Elsődleges befejezés (Tényleges)
A tanulmány befejezése (Tényleges)
Tanulmányi regisztráció dátumai
Először benyújtva
Először nyújtották be, amely megfelel a minőségbiztosítási kritériumoknak
Első közzététel (Tényleges)
Tanulmányi rekordok frissítései
Utolsó frissítés közzétéve (Becsült)
Az utolsó frissítés elküldve, amely megfelel a minőségbiztosítási kritériumoknak
Utolsó ellenőrzés
Több információ
A tanulmányhoz kapcsolódó kifejezések
Kulcsszavak
Egyéb vizsgálati azonosító számok
- deep learning
Terv az egyéni résztvevői adatokhoz (IPD)
Tervezi megosztani az egyéni résztvevői adatokat (IPD)?
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. .
Klinikai vizsgálatok a Mély tanulás
-
Peter BiroBefejezveA Deep NM blokk karbantartása túladagolás nélkülSvájc
-
Orsi AcademyBefejezve
-
Asociación para Evitar la Ceguera en MéxicoBefejezveAxiális hossz (AL) | Anterior Chamber Deep (ACD) | Lencsevastagság (LT)Mexikó
-
HITEC-Institute of Medical SciencesBefejezveEBESZ (objektív strukturált klinikai vizsgálat) | TBL (Team Based Learning) | Klinikai készségek oktatása egyetemi orvostanhallgatóknakPakisztán
-
Damascus UniversityBefejezveDeep OverbiteSzíriai Arab Köztársaság
-
Alexandria UniversityBefejezveDeep OverbiteEgyiptom
-
Maastricht University Medical CenterAktív, nem toborzóAktinikus keratózisok | Bőrgyógyászat | E-learningHollandia
-
The University of Texas Health Science Center,...VisszavontDeep Neck Space fertőzésekEgyesült Államok
-
Cairo UniversityMég nincs toborzásDeep Neck Flexors edzés | Izometrikus utáni relaxáció
-
Bahria UniversityToborzásCovid-19 | Orvostan hallgató | E-learningPakisztán