Diagnosi automatica della stenosi spinale su CT (ASSIST)
16 novembre 2018 aggiornato da: Shisheng He, MD, Shanghai 10th People's Hospital
Diagnosi automatica della stenosi spinale su CT con Deep Learning
La risonanza magnetica è uno strumento comune per la diagnosi radiografica della stenosi spinale, ma è costosa e richiede lunghi tempi di scansione.
La TC è anche uno strumento utile per diagnosticare la stenosi spinale, tuttavia l'interpretazione può richiedere molto tempo con un'elevata variabilità inter-lettore anche tra i radiologi più specializzati.
In questo studio, i ricercatori mirano a sviluppare un algoritmo di apprendimento profondo per rilevare e classificare automaticamente la stenosi spinale lombare.
Panoramica dello studio
Stato
Sconosciuto
Condizioni
Intervento / Trattamento
Descrizione dettagliata
La risonanza magnetica è uno strumento comune per la diagnosi radiografica della stenosi spinale, ma è costosa e richiede lunghi tempi di scansione.
La TC è anche uno strumento utile per diagnosticare la stenosi spinale, tuttavia l'interpretazione può richiedere molto tempo con un'elevata variabilità inter-lettore anche tra i radiologi più specializzati.
In questo studio, i ricercatori mirano a sviluppare un algoritmo di apprendimento profondo per rilevare e classificare automaticamente la stenosi spinale lombare.
Sarebbe un flusso di lavoro che fa risparmiare tempo se il software può aiutare i radiologi a rilevare e localizzare la lesione sospetta.
Tipo di studio
Osservativo
Iscrizione (Anticipato)
500
Contatti e Sedi
Questa sezione fornisce i recapiti di coloro che conducono lo studio e informazioni su dove viene condotto lo studio.
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
18 anni e precedenti (Adulto, Adulto più anziano)
Accetta volontari sani
No
Sessi ammissibili allo studio
Tutto
Metodo di campionamento
Campione non probabilistico
Popolazione di studio
La stenosi spinale è un restringimento degli spazi all'interno della colonna vertebrale, che può esercitare pressione sui nervi che viaggiano attraverso la colonna vertebrale. La stenosi spinale si verifica più spesso nella parte posteriore, nel collo e talvolta nella colonna vertebrale toracica.
Alcune persone con stenosi spinale potrebbero non avere sintomi. Altri possono provare dolore, formicolio, intorpidimento e debolezza muscolare. I sintomi possono peggiorare nel tempo.
Descrizione
Criterio di inclusione:
- Età >18 anni
- con referti TC di radiologi su stenosi cervicale, toracica e lombare
Criteri di esclusione:
- non applicabile (solo i livelli specifici con infezioni estese, fratture, tumore, spondilolistesi di alto grado sarebbero esclusi dall'analisi).
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
- Modelli osservazionali: Solo caso
- Prospettive temporali: Retrospettiva
Coorti e interventi
Gruppo / Coorte |
Intervento / Trattamento |
|---|---|
|
stenosi spinale
La stenosi spinale è un restringimento degli spazi all'interno della colonna vertebrale, che può esercitare pressione sui nervi che attraversano la colonna vertebrale.
La stenosi spinale si verifica più spesso nella parte bassa della schiena e nel collo.
|
rilevare e classificare la stenosi spinale mediante il deep learning
|
Cosa sta misurando lo studio?
Misure di risultato primarie
Misura del risultato |
Misura Descrizione |
Lasso di tempo |
|---|---|---|
|
accuratezza diagnostica del deep learning
Lasso di tempo: 1 giorno
|
Precisione diagnostica del deep learning per determinare la stenosi spinale rispetto alle etichette dei radiologi basate sulla TC
|
1 giorno
|
Misure di risultato secondarie
Misura del risultato |
Misura Descrizione |
Lasso di tempo |
|---|---|---|
|
Prestazioni diagnostiche del deep learning
Lasso di tempo: 1 giorno
|
Sensibilità, specificità, valore predittivo positivo e valore predittivo negativo del deep learning rispetto alle etichette dei radiologi basate sulla TC
|
1 giorno
|
Collaboratori e investigatori
Qui è dove troverai le persone e le organizzazioni coinvolte in questo 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 (Anticipato)
1 novembre 2018
Completamento primario (Anticipato)
1 aprile 2019
Completamento dello studio (Anticipato)
1 maggio 2019
Date di iscrizione allo studio
Primo inviato
7 novembre 2018
Primo inviato che soddisfa i criteri di controllo qualità
16 novembre 2018
Primo Inserito (Effettivo)
19 novembre 2018
Aggiornamenti dei record di studio
Ultimo aggiornamento pubblicato (Effettivo)
19 novembre 2018
Ultimo aggiornamento inviato che soddisfa i criteri QC
16 novembre 2018
Ultimo verificato
1 novembre 2018
Maggiori informazioni
Termini relativi a questo studio
Termini MeSH pertinenti aggiuntivi
Altri numeri di identificazione dello studio
- SHSY181022
Piano per i dati dei singoli partecipanti (IPD)
Hai intenzione di condividere i dati dei singoli partecipanti (IPD)?
Indeciso
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 .