Questa pagina è stata tradotta automaticamente e l'accuratezza della traduzione non è garantita. Si prega di fare riferimento al Versione inglese per un testo di partenza.

Sistema di diagnosi e aiuto decisionale per immagini multimodali per l'echinococcosi epatica basato su immagini omiche e macromodelli visivi

L'echinococcosi epatica (echinococcosi epatica) è un'importante malattia zoonotica ampiamente diffusa nelle aree agricole e pastorali della Cina nordoccidentale. La malattia può essere parassitaria in qualsiasi parte del corpo umano e può colpire più organi. Nei casi più gravi, i pazienti perderanno la capacità di lavorare. Allo stato attuale, la malattia deve affrontare sfide in termini di accuratezza diagnostica, identificazione del tipo specifico, valutazione dell’attività preoperatoria, previsione della recidiva postoperatoria e valutazione decisionale dell’indentazione del tubo a T. Questo problema è particolarmente significativo nelle aree ad alta incidenza con distribuzione non uniforme delle risorse mediche e carenza di medici e clinici eccellenti nell’imaging. I nostri studi precedenti hanno dimostrato che l’uso di modelli visivi di grandi dimensioni e algoritmi omici di imaging può segmentare efficacemente le lesioni epatiche dell’echinococco, estrarre caratteristiche chiave e fornire ai medici diagnosi e raccomandazioni terapeutiche accurate e affidabili. Riteniamo che, sulla base della trasformazione di diverse modalità di immagine medica (come MRI, TC ed ecografia) basate su un set di dati multicentrico più ampio, l'obiettivo di un'identificazione efficace, di una diagnosi, di un supporto decisionale chirurgico e di una previsione accurata postoperatoria della malattia epatica è possibile ottenere l'echinococcosi. Utilizzeremo soluzioni tecnologiche di intelligenza artificiale come la rete di generazione avversaria, il modello di visione di grandi dimensioni, l'omica delle immagini e la fusione del livello decisionale, tenendo conto dell'efficienza della diagnosi e del trattamento, dell'automazione della diagnosi e del trattamento e dell'interpretabilità dei risultati della diagnosi, per costruire una diagnosi e una prognosi complete e accurate sistema per l’echinococcosi epatica

Panoramica dello studio

Stato

Completato

Condizioni

Intervento / Trattamento

Descrizione dettagliata

  1. Riconoscimento automatico/diagnosi efficiente dell'echinococcosi epatica: sviluppo di uno strumento diagnostico basato sull'intelligenza artificiale basato sul deep learning volto a migliorare la differenziazione dell'echinococcosi epatica da altre malattie del fegato come cisti epatiche, ascessi epatici e altre lesioni cistiche epatiche che occupano spazio. Lo strumento utilizzerà reti generative avversarie e algoritmi di auto-attenzione polarizzati per identificare e classificare efficacemente l’echinococcosi epatica per compensare le risorse mediche irregolari e la carenza di medici professionisti nella regione occidentale
  2. Diagnosi differenziale di tipi specifici di echinococcosi epatica: esplorare l'uso dell'imaging multimodale combinato con metodi di deep learning per distinguere il tipo CL, il tipo CE1 e la cisti epatica dell'echinococcosi epatica. Questa ricerca applicherà l’algoritmo di segmentazione delle immagini mediche DINOv2 e la tecnologia di deep learning per identificare con precisione i casi con dati complessi e distribuiti in modo relativamente non uniforme.
  3. Previsione della recidiva postoperatoria dell'echinococcosi epatica: l'apprendimento del trasferimento e l'algoritmo Deep-SVDD vengono utilizzati per prevedere il rischio di recidiva postoperatoria dell'echinococcosi epatica, fornendo una soluzione efficace per set di dati di dimensioni del campione sbilanciate. Inoltre, integrando i dati sulla piattaforma big data medica, è stato stabilito un modello di previsione della recidiva postoperatoria basato sull’intelligenza artificiale

Tipo di studio

Osservativo

Iscrizione (Effettivo)

1000

Contatti e Sedi

Questa sezione fornisce i recapiti di coloro che conducono lo studio e informazioni su dove viene condotto lo studio.

Luoghi di studio

    • China/Guangdong
      • Guangzhou, China/Guangdong, Cina
        • Sun Yat-Sen Memorial Hospital of Sun Yat-Sen University

Criteri di partecipazione

I ricercatori cercano persone che corrispondano a una certa descrizione, chiamata criteri di ammissibilità. Alcuni esempi di questi criteri sono le condizioni generali di salute di una persona o trattamenti precedenti.

Criteri di ammissibilità

Età idonea allo studio

  • Bambino
  • Adulto
  • Adulto più anziano

Accetta volontari sani

No

Metodo di campionamento

Campione non probabilistico

Popolazione di studio

In questo studio, sulla base dei dati di immagine di pazienti con idatide epatica confermata dalla patologia dopo l'intervento chirurgico, è stata utilizzata la tecnologia di deep learning per distinguere l'idatide epatica dalle lesioni della stazione cistica epatica come cisti epatiche e ascessi epatici

Descrizione

Criterio di inclusione:

  1. Pazienti con immagini originali complete nei formati dcim TC, ecografia e MRI
  2. Pazienti con fegato idatico confermato dalla patologia dopo l'intervento
  3. Pazienti con conservazione completa dei dati clinici

Criteri di esclusione:

  1. Pazienti con dati di imaging di scarsa qualità
  2. Pazienti con dati clinici incompleti
  3. Pazienti con idatide epatica CE4 e CE5 diagnosticati mediante sola imaging senza trattamento chirurgico

Piano di studio

Questa sezione fornisce i dettagli del piano di studio, compreso il modo in cui lo studio è progettato e ciò che lo studio sta misurando.

Come è strutturato lo studio?

Dettagli di progettazione

Coorti e interventi

Gruppo / Coorte
Intervento / Trattamento
Gruppo di osservazione
In questo studio, come oggetto di ricerca sono stati presi i dati delle immagini preoperatorie di pazienti con idatide epatica
La rete neurale artificiale è stata costruita per identificare automaticamente l'idatide epatica utilizzando la tecnologia di deep learning
Gruppo di controllo
Cisti epatica, ascesso epatico e fegato normale erano il gruppo di controllo
La rete neurale artificiale è stata costruita per identificare automaticamente l'idatide epatica utilizzando la tecnologia di deep learning

Cosa sta misurando lo studio?

Misure di risultato primarie

Misura del risultato
Misura Descrizione
Lasso di tempo
curva ROC
Lasso di tempo: 2024.7-2026.3
Curva caratteristica di funzionamento del ricevitore
2024.7-2026.3
AUC
Lasso di tempo: 2024.7-2026.3
Area sotto la curva ROC
2024.7-2026.3
PPV
Lasso di tempo: 2024.7-2026.3
Valore predittivo positivo
2024.7-2026.3
VAN
Lasso di tempo: 2024.7-2026.3
Valore predittivo negativo
2024.7-2026.3

Collaboratori e investigatori

Qui è dove troverai le persone e le organizzazioni coinvolte in questo studio.

Sponsor

Investigatori

  • Direttore dello studio: Yajin Chen, Sun Yat-Sen Memorial Hospital of Sun Yat-Sen University

Pubblicazioni e link utili

La persona responsabile dell'inserimento delle informazioni sullo studio fornisce volontariamente queste pubblicazioni. Questi possono riguardare qualsiasi cosa relativa allo studio.

Studiare le date dei record

Queste date tengono traccia dell'avanzamento della registrazione dello studio e dell'invio dei risultati di sintesi a ClinicalTrials.gov. I record degli studi e i risultati riportati vengono esaminati dalla National Library of Medicine (NLM) per assicurarsi che soddisfino specifici standard di controllo della qualità prima di essere pubblicati sul sito Web pubblico.

Studia le date principali

Inizio studio (Effettivo)

30 settembre 2023

Completamento primario (Effettivo)

12 settembre 2024

Completamento dello studio (Effettivo)

12 settembre 2024

Date di iscrizione allo studio

Primo inviato

2 agosto 2024

Primo inviato che soddisfa i criteri di controllo qualità

2 agosto 2024

Primo Inserito (Effettivo)

6 agosto 2024

Aggiornamenti dei record di studio

Ultimo aggiornamento pubblicato (Effettivo)

19 settembre 2024

Ultimo aggiornamento inviato che soddisfa i criteri QC

13 settembre 2024

Ultimo verificato

1 settembre 2024

Maggiori informazioni

Termini relativi a questo studio

Parole chiave

Altri numeri di identificazione dello studio

  • SYSKY-2024-517-01

Piano per i dati dei singoli partecipanti (IPD)

Hai intenzione di condividere i dati dei singoli partecipanti (IPD)?

NO

Descrizione del piano IPD

I dati rilevanti delle immagini mediche riguardano la privacy del paziente e il gruppo di ricerca si è rifiutato di condividerli

Informazioni su farmaci e dispositivi, documenti di studio

Studia un prodotto farmaceutico regolamentato dalla FDA degli Stati Uniti

No

Studia un dispositivo regolamentato dalla FDA degli Stati Uniti

No

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 .