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.

Deep Learning nel rilevamento e nel monitoraggio del retinoblastoma.

24 marzo 2022 aggiornato da: Wenbin Wei, Beijing Tongren Hospital

Sistema di rilevamento assistito da computer con apprendimento approfondito per il rilevamento e il monitoraggio del retinoblastoma.

Il retinoblastoma è il tumore oculare più comune dell'infanzia. Le terapie per la conservazione degli occhi richiedono un monitoraggio di routine della regressione e della recidiva del retinoblastoma per guidare il trattamento corrispondente. Nel presente studio, sviluppiamo un algoritmo di apprendimento profondo in grado di identificare simultaneamente i tumori del retinoblastoma sulle immagini Retcam e distinguere tra tumori del retinoblastoma attivi e inattivi. Questo algoritmo sarà validato attraverso un dataset raccolto prospetticamente.

Panoramica dello studio

Stato

Reclutamento

Condizioni

Intervento / Trattamento

Descrizione dettagliata

Il retinoblastoma, il tumore oculare più comune dell'infanzia, colpisce da 1 su 15.000 a 1 su 18.000 nati vivi. La Cina ha il secondo maggior numero di pazienti con retinoblastoma nel mondo. Le terapie per la conservazione degli occhi sono ampiamente utilizzate in Cina da circa 15 anni. Le terapie per la conservazione degli occhi richiedono un monitoraggio di routine della regressione e della recidiva del retinoblastoma per guidare il trattamento corrispondente. Tuttavia, la maggior parte degli oftalmologi qualificati è concentrata in diversi centri medici. Il deep learning basato sull'esame Retcam in grado di identificare il retinoblastoma ridurrà l'accuratezza dello screening degli ospedali locali e ridurrà il carico di lavoro del monitoraggio. Nel presente studio è stato sviluppato un algoritmo di apprendimento profondo in grado di identificare simultaneamente i tumori del retinoblastoma sulle immagini Retcam e distinguere tra tumori del retinoblastoma attivi e inattivi. Questo algoritmo sarà validato attraverso un dataset raccolto prospetticamente.

Tipo di studio

Osservativo

Iscrizione (Anticipato)

200

Contatti e Sedi

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

Contatto studio

Backup dei contatti dello studio

Luoghi di studio

  • Cina
    • Beijing
      • Beijing, Beijing, Cina, 100730
        • Reclutamento
        • Wen-Bin Wei

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

Da 1 secondo a 5 anni (BAMBINO)

Accetta volontari sani

No

Sessi ammissibili allo studio

Tutto

Metodo di campionamento

Campione non probabilistico

Popolazione di studio

I pazienti con retinoblastoma sono sottoposti a trattamento medico standard.

Descrizione

Criterio di inclusione:

  • I pazienti con retinoblastoma sono sottoposti a trattamento medico standard.

Criteri di esclusione:

  • Gli operatori hanno identificato le immagini non valutabili per una corretta diagnosi, a causa di motivi quali sfocatura e sfocatura, e le hanno escluse da ulteriori 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

Coorti e interventi

Gruppo / Coorte
Intervento / Trattamento
Pazienti con retinoblastoma
Pazienti con retinoblastoma sottoposti a cure mediche standard presso l'ospedale Tongren di Pechino. L'immagine anonima di questi pazienti sarà raccolta ed etichettata in modo prospettico da oftalmologi senior.
Test diagnostico: Algorismo di apprendimento profondo
Un algoritmo di apprendimento profondo sviluppato in precedenza verrebbe applicato per identificare i tumori del retinoblastoma sulle immagini Retcam e distinguere tra tumori del retinoblastoma attivi e inattivi. La decisione di due diversi oftalmologi senior sarebbe il gold standard.

Cosa sta misurando lo studio?

Misure di risultato primarie

Misura del risultato
Misura Descrizione
Lasso di tempo
Accuratezza della diagnosi dell'algoritmo di deep learning
Lasso di tempo: 1 settimana
L'accuratezza diagnostica di questo algoritmo di deep learning è la proporzione di vero positivo e vero negativo in tutti i casi valutati
1 settimana

Collaboratori e investigatori

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

Sponsor

Beijing Tongren Hospital

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 marzo 2020

Completamento primario (ANTICIPATO)

1 maggio 2022

Completamento dello studio (ANTICIPATO)

1 ottobre 2022

Date di iscrizione allo studio

Primo inviato

24 marzo 2022

Primo inviato che soddisfa i criteri di controllo qualità

24 marzo 2022

Primo Inserito (EFFETTIVO)

1 aprile 2022

Aggiornamenti dei record di studio

Ultimo aggiornamento pubblicato (EFFETTIVO)

1 aprile 2022

Ultimo aggiornamento inviato che soddisfa i criteri QC

24 marzo 2022

Ultimo verificato

1 marzo 2022

Maggiori informazioni

Termini relativi a questo studio

Termini MeSH pertinenti aggiuntivi

Altri numeri di identificazione dello studio

  • AI in retinoblastoma

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 .

Prove cliniche su Algorismo di apprendimento profondo

Cerca prove simili

Sponsor e collaboratori

Condizioni mediche

Interventi farmacologici

CROs by country

CROs in Malaysia

Condizioni

Malattie rare

Interventi farmacologici

Supplementi dietetici

Sponsor / Collaboratori

Sedi

Sottoscrivi