Sviluppo di un algoritmo ottimale per la gestione dei pazienti con distacco dell'epitelio del pigmento retinico nella degenerazione maculare legata all'età neovascolare utilizzando l'intelligenza artificiale
11 aprile 2023 aggiornato da: Viktoria Myasnikova, The S.N. Fyodorov Eye Microsurgery State Institution
Sviluppo di un algoritmo per la previsione anatomica e funzionale dei risultati della terapia con inibitori dell'angiogenesi in pazienti con distacco dell'epitelio del pigmento retinico nella degenerazione maculare senile neovascolare, basato sulla tomografia a coerenza ottica primaria della zona maculare e dati clinici.
Lo studio prevede lo sviluppo di un algoritmo per la previsione dei risultati anatomici e funzionali della terapia con inibitori dell'angiogenesi in pazienti con distacchi dell'epitelio pigmentato retinico nella degenerazione maculare senile neovascolare, sulla base della tomografia a coerenza ottica primaria della zona maculare e dei dati clinici.
Panoramica dello studio
Stato
Completato
Intervento / Trattamento
Descrizione dettagliata
I pazienti sono stati divisi in 3 gruppi in base ai risultati della terapia: adesione del distacco, mancanza di aderenza al distacco, rottura del distacco.
Per questi gruppi vengono selezionate le immagini OCT della zona maculare con il massimo distacco prima della terapia.
Queste immagini, insieme ad altri parametri clinici, vengono inserite nell'algoritmo.
Il risultato è uno dei 3 esiti del trattamento sopra elencati.
I metodi che verranno utilizzati per sviluppare l'algoritmo includono metodi per l'elaborazione e la trasformazione dei dati, deep machine learning, metriche per il calcolo dell'accuratezza degli algoritmi.
Tipo di studio
Osservativo
Iscrizione (Effettivo)
300
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
-
-
-
Krasnodar, Federazione Russa, 350012
- The S.N. Fyodorov Eye Microsurgery State Institution
-
-
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
- Adulto
- Adulto più anziano
Accetta volontari sani
Sì
Metodo di campionamento
Campione di probabilità
Popolazione di studio
Pazienti con distacchi dell'epitelio pigmentato retinico con degenerazione maculare neovascolare legata all'età
Descrizione
Criterio di inclusione:
- Lineare B: scansiona l'area maculare con il distacco più lungo
- Altre patologie
Criteri di esclusione:
- Immagini senza distacco
- Immagini sulle quali è possibile diagnosticare la necessità di terapia solo in presenza di ulteriori fattori non considerati nello studio.
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 |
|---|---|
|
adesione
il gruppo in cui è stata osservata l'adesione del distacco neuroepiteliale dopo terapia con fattore di crescita endoteliale antivascolare
|
0,05 ml anti-VEGF, intravitreale, mensile
Altri nomi:
|
|
nessuna adesione
gruppo in cui non vi era aderenza del distacco neuroepiteliale dopo terapia con fattore di crescita endoteliale antivascolare
|
0,05 ml anti-VEGF, intravitreale, mensile
Altri nomi:
|
|
разрыв
gruppo in cui è stata osservata la rottura del distacco neuroepiteliale dopo terapia anti-fattore di crescita endoteliale vascolare
|
0,05 ml anti-VEGF, intravitreale, mensile
Altri nomi:
|
Cosa sta misurando lo studio?
Misure di risultato primarie
Misura del risultato |
Misura Descrizione |
Lasso di tempo |
|---|---|---|
|
Algoritmo di previsione
Lasso di tempo: 1.09.2022
|
Classificatore di reti neurali
|
1.09.2022
|
Collaboratori e investigatori
Qui è dove troverai le persone e le organizzazioni coinvolte in questo studio.
Investigatori
- Direttore dello studio: Viktoria Myasnikova, D.Med.Sc., Deputy Director for Research
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.
Pubblicazioni generali
- Rohm M, Tresp V, Muller M, Kern C, Manakov I, Weiss M, Sim DA, Priglinger S, Keane PA, Kortuem K. Predicting Visual Acuity by Using Machine Learning in Patients Treated for Neovascular Age-Related Macular Degeneration. Ophthalmology. 2018 Jul;125(7):1028-1036. doi: 10.1016/j.ophtha.2017.12.034. Epub 2018 Feb 14.
- Prahs P, Radeck V, Mayer C, Cvetkov Y, Cvetkova N, Helbig H, Marker D. OCT-based deep learning algorithm for the evaluation of treatment indication with anti-vascular endothelial growth factor medications. Graefes Arch Clin Exp Ophthalmol. 2018 Jan;256(1):91-98. doi: 10.1007/s00417-017-3839-y. Epub 2017 Nov 10.
- Schmidt-Erfurth U, Bogunovic H, Sadeghipour A, Schlegl T, Langs G, Gerendas BS, Osborne A, Waldstein SM. Machine Learning to Analyze the Prognostic Value of Current Imaging Biomarkers in Neovascular Age-Related Macular Degeneration. Ophthalmol Retina. 2018 Jan;2(1):24-30. doi: 10.1016/j.oret.2017.03.015. Epub 2017 May 31.
- Bogunovic H, Montuoro A, Baratsits M, Karantonis MG, Waldstein SM, Schlanitz F, Schmidt-Erfurth U. Machine Learning of the Progression of Intermediate Age-Related Macular Degeneration Based on OCT Imaging. Invest Ophthalmol Vis Sci. 2017 May 1;58(6):BIO141-BIO150. doi: 10.1167/iovs.17-21789.
- Schmidt-Erfurth U, Waldstein SM, Klimscha S, Sadeghipour A, Hu X, Gerendas BS, Osborne A, Bogunovic H. Prediction of Individual Disease Conversion in Early AMD Using Artificial Intelligence. Invest Ophthalmol Vis Sci. 2018 Jul 2;59(8):3199-3208. doi: 10.1167/iovs.18-24106.
- Kozina, E. V., S. N. Sakhnov, V. V. Myasnikova, E. V. Bykova, and L. E. Aksenova. 2021. 'Modern Trends in Diagnostics and Prediction of Results of Anti-Vascular Endothelial Growth Factor Therapy of Pigment Epithelial Detachment in Neovascular Agerelated Macular Degeneration Using Deep Machine Learning Method (Literature Review)'. Acta Biomedica Scientifica 6 (6-1): 190-203. https://doi.org/10.29413/ABS.2021-6.6-1.22.
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)
1 novembre 2021
Completamento primario (Effettivo)
1 settembre 2022
Completamento dello studio (Effettivo)
1 settembre 2022
Date di iscrizione allo studio
Primo inviato
5 gennaio 2022
Primo inviato che soddisfa i criteri di controllo qualità
12 gennaio 2022
Primo Inserito (Effettivo)
26 gennaio 2022
Aggiornamenti dei record di studio
Ultimo aggiornamento pubblicato (Effettivo)
13 aprile 2023
Ultimo aggiornamento inviato che soddisfa i criteri QC
11 aprile 2023
Ultimo verificato
1 aprile 2023
Maggiori informazioni
Termini relativi a questo studio
Parole chiave
Termini MeSH pertinenti aggiuntivi
Altri numeri di identificazione dello studio
- 1 (Mobile Health and Wellness Program)
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 .