Detection of Systemic Diseases Such as Hepatobiliary Diseases From Ocular Images Via Deep Learning
2026. május 11. frissítette: Zhongshan Ophthalmic Center, Sun Yat-sen University
Oculomics is an emerging interdisciplinary field that deciphers multi-dimensional, high-throughput ocular data to predict, diagnose, and monitor systemic diseases and health span.In recent years, artificial Intelligence may provide insight into exploring the potential covert association behind and reveal some early ocular architecture changes in individuals with systemic diseases.
The investigators conducted a survey to explore the association between the eye and systemic diseases via deep learning, to develop and evaluate different deep learning models to predict the systemic diseases such as hepatobiliary disease by using ocular images.
A tanulmány áttekintése
Állapot
Befejezve
Körülmények
Beavatkozás / kezelés
Tanulmány típusa
Megfigyelő
Beiratkozás (Tényleges)
775
Kapcsolatok és helyek
Ez a rész a vizsgálatot végzők elérhetőségeit, valamint a vizsgálat lefolytatásának helyére vonatkozó információkat tartalmazza.
Tanulmányi helyek
-
-
Guangdong
-
Guangzhou, Guangdong, Kína, 510000
- Zhongshan Ophthalmic Center, Sun Yat-sen Univerisity
-
-
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
- Felnőtt
- Idősebb felnőtt
Egészséges önkénteseket fogad
Igen
Mintavételi módszer
Valószínűségi minta
Tanulmányi populáció
ocular images collected from the Third Affiliated Hospital of Sun Yat-sen University and Pazhou Medical Centre of Aikang Health Care
Leírás
Inclusion Criteria:
- The quality of ocular images should clinical acceptable.
- Complete clinical information such as baseline demographic characteristics, the history of systematic diseases and so on.
Exclusion Criteria:
- Individuals diagnosed with severe eye diseases or acute systematic diseases.
- Incompatible with ocular examinations.
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 |
|---|---|
|
development dataset 01
ocular images collected from the Third Affiliated Hospital of Sun Yat-sen University
|
The training dataset was used to train the deep learning model, which was validated and tested by the other two datasets.
|
|
development dataset 02
ocular images collected from Pazhou Medical Centre of Aikang Health Care
|
The training dataset was used to train the deep learning model, which was validated and tested by the other two datasets.
|
|
test dataset 01
ocular images collected from the Third Affiliated Hospital of Sun Yat-sen University
|
The training dataset was used to train the deep learning model, which was validated and tested by the other two datasets.
|
|
test dataset 02
ocular images collected from Pazhou Medical Centre of Aikang Health Care
|
The training dataset was used to train the deep learning model, which was validated and tested by the other two datasets.
|
Mit mér a tanulmány?
Elsődleges eredményintézkedések
Eredménymérő |
Intézkedés leírása |
Időkeret |
|---|---|---|
|
a mély tanulási rendszer vevő működési jelleggörbéje alatti terület
Időkeret: alapvonal
|
A kutatók kiszámítják a mély tanulási rendszer vevő működési jelleggörbéje alatti területet, és összehasonlítják ezt az indexet a mélytanulási rendszer és az emberi orvosok között.
|
alapvonal
|
Másodlagos eredményintézkedések
Eredménymérő |
Intézkedés leírása |
Időkeret |
|---|---|---|
|
sensitivity of the deep learning system
Időkeret: baseline
|
The investigators will calculate the sensitivity of deep learning system and compare this index between deep learning system and human doctors
|
baseline
|
|
specificity of the deep learning system
Időkeret: baseline
|
The investigators will calculate the specifity of deep learning system and compare this index between deep learning system and human doctors
|
baseline
|
Együttműködők és nyomozók
Itt találhatja meg a tanulmányban érintett személyeket és szervezeteket.
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)
2020. április 10.
Elsődleges befejezés (Tényleges)
2024. július 30.
A tanulmány befejezése (Tényleges)
2024. július 30.
Tanulmányi regisztráció dátumai
Először benyújtva
2026. május 6.
Először nyújtották be, amely megfelel a minőségbiztosítási kritériumoknak
2026. május 6.
Első közzététel (Tényleges)
2026. május 12.
Tanulmányi rekordok frissítései
Utolsó frissítés közzétéve (Tényleges)
2026. május 14.
Az utolsó frissítés elküldve, amely megfelel a minőségbiztosítási kritériumoknak
2026. május 11.
Utolsó ellenőrzés
2026. május 1.
Több információ
A tanulmányhoz kapcsolódó kifejezések
További vonatkozó MeSH feltételek
Egyéb vizsgálati azonosító számok
- 2019KYPJ163
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. .
Klinikai vizsgálatok a Szisztémás betegségek
-
University of ArkansasMegszűntSIRS-ben (Systemic Inflammatory Response Syndrome) szenvedő gyermekbetegekEgyesült Államok
-
Chinese PLA General HospitalBefejezveVérmérgezés | SIRS (Systemic Inflammatory Response Syndrome)Kína
-
Chinese PLA General HospitalIsmeretlenVérmérgezés | SIRS (Systemic Inflammatory Response Syndrome)Kína
-
Mahdi MutaharImperial College London; Temple University; Loughborough UniversityToborzásÉrrendszeri diszfunkció | Szív-és érrendszeri betegségek | Endothel funkció és artériás merevség | Parodontális Betegség (PB) | Oral-Systemic LinkEgyesült Királyság
-
University Hospital FreiburgToborzásMájzsugorodás | Portális hipertónia | Portális vénás trombózis | Nem cirrhotikus portális hipertónia | Budd Chiari szindróma | Portál Systemic ShuntNémetország
-
University of Alabama at BirminghamMegszűntAnaplasztikus nagysejtes limfóma | Angioimmunoblasztos T-sejtes limfóma | Perifériás T-sejtes limfómák | Felnőttkori T-sejtes leukémia | Felnőttkori T-sejtes limfóma | Perifériás T-sejtes limfóma Meghatározatlan | T/Null Cell Systemic Type | Bőr t-sejtes limfóma csomóponti/zsigeri betegséggelEgyesült Államok