Artificial Intelligence System for the Detection and Prediction of Kidney Diseases Using Ocular Information
Panoramica dello studio
Stato
Stato
Condizioni
Condizioni
Intervento / Trattamento
Intervento / Trattamento
Tipo di studio
Tipo di studio
Iscrizione (Anticipato)
Iscrizione
Contatti e Sedi
Contatto studio
Contatto studio
- Nome: Haotian Lin, Ph. D
- Numero di telefono: 13802793086
- Email: gddlht@aliyun.com
Luoghi di studio
-
-
Guangdong
-
Guangzhou, Guangdong, Cina, 510060
- Reclutamento
- Zhongshan Ophthalmic Center, Sun Yat-sen University
-
Contatto:
- Haotian Lin, M.D., Ph.D
- Numero di telefono: +8613802793086
- Email: haot.lin@hotmail.com
-
Contatto:
- Qianni Wu, M.D., Ph.D
- Numero di telefono: +8615521506995
- Email: wuqianni@gzzoc.com
-
-
Criteri di partecipazione
Criteri di ammissibilità
Criteri di ammissibilità
Età idonea allo studio
Accetta volontari sani
Sessi ammissibili allo studio
Metodo di campionamento
Popolazione di studio
Descrizione
Inclusion Criteria:
- Patients previously received kidney biopsy, ophthalmic examinations and routine examinations of the department of nephrology during in-hospital period with BCVA>0.5.
Exclusion Criteria:
- Patients without retinal fundus images or kidney diseases.
- The quality of the retinal fundus images can not meet the requirement for furthur analysis.
- Severe loss of results of routine examinations of the department of nephrology.
Piano di studio
Come è strutturato lo studio?
Dettagli di progettazione
Numero di gruppi/coorti
Coorti e interventi
Gruppo / CoorteGruppo / Coorte |
Intervento / TrattamentoIntervento / Trattamento |
|---|---|
|
Development Dataset 01
Slit-lamp, retinal fundus images, OCTA and kidney diseases examinations collected from Department of Nephrology of the First Affiliated Hospital of Sun Yat-sen University
|
The development datasets were used to train the deep learning model, which was validated and tested by the other 4 datasets.
|
|
Development Dataset 02
Slit-lamp, retinal fundus images, OCTA and kidney diseases examinations collected from Medical Centre of Aikang Health Care, Guangzhou, China
|
The development datasets were used to train the deep learning model, which was validated and tested by the other 4 datasets.
|
|
Validation Dataset 01
Slit-lamp, retinal fundus images, OCTA and kidney diseases examinations collected from Department of Nephrology of the First Affiliated Hospital of Sun Yat-sen University
|
The development datasets were used to train the deep learning model, which was validated and tested by the other 4 datasets.
|
|
Validation Dataset 02
Slit-lamp, retinal fundus images, OCTA and kidney diseases examinations collected from Medical Centre of Aikang Health Care, Guangzhou, China
|
The development datasets were used to train the deep learning model, which was validated and tested by the other 4 datasets.
|
|
Test Dataset 01
Slit-lamp, retinal fundus images, OCTA and kidney diseases examinations collected from Department of Nephrology of the First Affiliated Hospital of Sun Yat-sen University
|
The development datasets were used to train the deep learning model, which was validated and tested by the other 4 datasets.
|
|
Test Dataset 02
Slit-lamp, retinal fundus images, OCTA and kidney diseases examinations collected from Medical Centre of Aikang Health Care, Guangzhou, China
|
The development datasets were used to train the deep learning model, which was validated and tested by the other 4 datasets.
|
Cosa sta misurando lo studio?
Misure di risultato primarie
Misure di risultato primarie
Misura del risultato |
Misura Descrizione |
Lasso di tempo |
|---|---|---|
|
Area under the receiver operating characteristic curve of the deep learning system
Lasso di tempo: baseline
|
The investigators will calculate the area under the receiver operating characteristic curve of deep learning system and compare this index between deep learning system and human doctors
|
baseline
|
Misure di risultato secondarie
Misure di risultato secondarie
Misura del risultato |
Misura Descrizione |
Lasso di tempo |
|---|---|---|
|
Sensitivity and specificity of the deep learning system
Lasso di tempo: baseline
|
The investigators will calculate the sensitivity and specifity of deep learning system and compare this index between deep learning system and human doctors
|
baseline
|
Collaboratori e investigatori
Sponsor
Sponsor
Collaboratori
Collaboratori
Investigatori
Investigatori
- Cattedra di studio: Yizhi Liu, M.D., Ph.D., Zhongshan Ophthalmic Center, Sun Yat-sen University
Studiare le date dei record
Studia le date principali
Inizio studio (Effettivo)
Inizio studio
Completamento primario (Anticipato)
Completamento primario
Completamento dello studio (Anticipato)
Completamento dello studio
Date di iscrizione allo studio
Primo inviato
Primo inviato
Primo inviato che soddisfa i criteri di controllo qualità
Primo inviato che soddisfa i criteri di controllo qualità
Primo Inserito (Effettivo)
Primo Inserito
Aggiornamenti dei record di studio
Ultimo aggiornamento pubblicato (Effettivo)
Ultimo aggiornamento pubblicato
Ultimo aggiornamento inviato che soddisfa i criteri QC
Ultimo aggiornamento inviato che soddisfa i criteri QC
Ultimo verificato
Ultimo verificato
Maggiori informazioni
Termini relativi a questo studio
Parole chiave
Termini MeSH pertinenti aggiuntivi
Altri numeri di identificazione dello studio
Altri numeri di identificazione dello studio
- AIKD-2021
Piano per i dati dei singoli partecipanti (IPD)
Hai intenzione di condividere i dati dei singoli partecipanti (IPD)?
Informazioni su farmaci e dispositivi, documenti di studio
Studia un prodotto farmaceutico regolamentato dalla FDA degli Stati Uniti
Studia un dispositivo regolamentato dalla FDA degli Stati Uniti
Queste informazioni sono state recuperate direttamente dal sito web clinicaltrials.gov senza alcuna modifica. In caso di richieste di modifica, rimozione o aggiornamento dei dettagli dello studio, contattare register@clinicaltrials.gov. Non appena verrà implementata una modifica su clinicaltrials.gov, questa verrà aggiornata automaticamente anche sul nostro sito web .