このページは自動翻訳されたものであり、翻訳の正確性は保証されていません。を参照してください。 英語版 ソーステキスト用。

神経変性パーキンソン症候群を分類するための機械学習技術の使用の評価 (人工知能) (PARKIA)

2023年11月28日 更新者:Antoine VERGER、Central Hospital, Nancy, France

パーキンソン病 (PD) の診断は主に患者の臨床観察に依存し、3 つの特徴的な症状を探しますが、依然として困難な場合があります。 機械学習 (ML) アルゴリズムは、PD を早期に診断し、特発性 PD と非定型パーキンソン症候群を区別するのに役立つ可能性があります。

これに関連して、Castillo-Barnes チームの研究は、健康な参加者を識別するために、DaTSCAN® または Ioflupane (ヨウ素 123 標識放射性医薬品) の単光子放出コンピュータ断層撮影 (SPECT) スキャンから抽出された形態学的特徴に基づく一連の画像特徴を提供しました。 「パーキンソン病進行マーカー イニシアチブ」(PPMI) データベースからのバランスのとれた SPECT セットにおけるパーキンソン病の参加者からのデータ。

Shabiiらのチームは、イオフルパン(123I-IP)単光子放出コンピュータ断層撮影法(SPECT)によってドーパミントランスポーター(DAT)に関して得られた半定量的指標と形状特徴を利用した場合の、パーキンソン病患者と正常対照者の分類性能を評価した。機械学習 (ML) 機能として組み合わされています。

AI ベースの方法により、診断評価を向上させることができます。 AI を使用したいくつかのドーパミン作動性画像研究では、PD の診断に関して最大​​ 90% の精度が報告されています。

これらの自動化されたアプローチは、テクスチャー分析に基づく機械学習手法を使用して、(i) PD と健康な被験者を区別し、(ii) PD と血管性パーキンソニズムを区別し、(iii) さまざまな形態の非定型パーキンソニズムを区別します。

線形サポート ベクター マシン (SVM) モデルを使用して 2 つのセンターで実施された研究では、PD 患者と健常者を 82.5% の精度で識別しました。このパフォーマンスは、核内科医による視覚的評価と同様です。統計的ボクセル値に基づく線形 SVM モデルパラメトリック画像は 90.4% の精度で PD と血管性パーキンソニズムを区別することができました。 Nancy チームは、Ioflupane または DaTSCAN™ を使用した SPECT および SPECT/CT スキャンにおける PD の検出において豊富な経験を持っています。

調査の概要

状態

一時停止

研究の種類

観察的

入学 (推定)

1664

連絡先と場所

このセクションには、調査を実施する担当者の連絡先の詳細と、この調査が実施されている場所に関する情報が記載されています。

研究場所

      • Vandoeuvre les Nancy cedex、フランス、54511
        • Nuclear medicine Department CHRU de NANCY

参加基準

研究者は、適格基準と呼ばれる特定の説明に適合する人を探します。これらの基準のいくつかの例は、人の一般的な健康状態または以前の治療です。

適格基準

就学可能な年齢

18年~85年 (大人、高齢者)

健康ボランティアの受け入れ

なし

サンプリング方法

確率サンプル

調査対象母集団

2011年11月21日から2017年9月1日までにナンシーCHRUの核医学部門でDaTSCAN SPECTスキャンを実施したすべての患者。

説明

包含基準:

  • 2011年11月21日から2017年9月1日までの間にナンシーCHRUの核医学部門でDaTSCAN SPECTスキャンを実施した患者。
  • 2011 年 11 月 21 日から 2017 年 9 月 1 日までに行われたレビューは、PACS から処理コンソールに送還されました。

研究計画

このセクションでは、研究がどのように設計され、研究が何を測定しているかなど、研究計画の詳細を提供します。

研究はどのように設計されていますか?

デザインの詳細

コホートと介入

グループ/コホート
すべての患者はDaTSCAN SPECTスキャンを受けました

この研究は何を測定していますか?

主要な結果の測定

結果測定
メジャーの説明
時間枠
アルゴリズムの精度
時間枠:2ヶ月
非定型パーキンソン症候群の種類の予測に関して、新しいデータに実装されたアルゴリズムの精度。
2ヶ月

二次結果の測定

結果測定
メジャーの説明
時間枠
2 つのネットワークの比較
時間枠:2ヶ月
学習におけるラベルなしデータの重要性を認識するための、半教師ありネットワークと教師ありネットワークのパフォーマンスの比較
2ヶ月
ネットワークの堅牢性を分析する
時間枠:2ヶ月
さまざまなデータ (さまざまなガンマ カメラ モデルからのデータ) に対するネットワークの堅牢性を分析します。
2ヶ月

協力者と研究者

ここでは、この調査に関係する人々や組織を見つけることができます。

研究記録日

これらの日付は、ClinicalTrials.gov への研究記録と要約結果の提出の進捗状況を追跡します。研究記録と報告された結果は、国立医学図書館 (NLM) によって審査され、公開 Web サイトに掲載される前に、特定の品質管理基準を満たしていることが確認されます。

主要日程の研究

研究開始 (実際)

2021年12月20日

一次修了 (実際)

2023年5月1日

研究の完了 (推定)

2024年9月1日

試験登録日

最初に提出

2021年9月30日

QC基準を満たした最初の提出物

2021年10月13日

最初の投稿 (実際)

2021年10月15日

学習記録の更新

投稿された最後の更新 (実際)

2023年12月1日

QC基準を満たした最後の更新が送信されました

2023年11月28日

最終確認日

2023年11月1日

詳しくは

本研究に関する用語

その他の研究ID番号

  • 2021PI187

医薬品およびデバイス情報、研究文書

米国FDA規制医薬品の研究

いいえ

米国FDA規制機器製品の研究

いいえ

この情報は、Web サイト clinicaltrials.gov から変更なしで直接取得したものです。研究の詳細を変更、削除、または更新するリクエストがある場合は、register@clinicaltrials.gov。 までご連絡ください。 clinicaltrials.gov に変更が加えられるとすぐに、ウェブサイトでも自動的に更新されます。

DaTSCAN SPECT スキャンの臨床試験

購読する