呼吸器(R)感染症(I)疾患の医用画像処理(MI)における人工知能(AI)診断ツールの応用有効性の探求(D) (AI-MIRID)
2024年8月12日 更新者：Wen-hong Zhang、Huashan Hospital
急性呼吸器感染症を早期に発見し、厳重に警告することが最も重要です。
効果的な手段を利用して感染源を早期に正確に診断することが、すべての効果的な対策の前提となります。
AI-MID は、人工知能ツールを使用して呼吸器疾患の臨床医用画像診断を支援する研究イニシアチブであり、医師が画像の確認に費やす時間を短縮し、作業効率を向上させ、肺炎検出の感度と特異性を高め、それによって肺炎検出の精度を向上させることを目的としています。草の根レベルでの肺炎の検出率。
このアプローチにより、正確な予防、正確な診断、正確な治療が容易になります。
調査の概要
研究の種類
介入
入学 (推定)
2000
段階
- 適用できない
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。
研究連絡先
- 名前：Wenhong Zhang
- 電話番号：(86)52889999
- メール：zhangwenhong@fudan.edu.cn
研究場所
-
-
-
Shanghai、中国、200040
- 募集
- Huashan Hospital
-
コンタクト：
- Wenhong Zhang, Professor
- 電話番号：(86)52889999
- メール：zhangwenhong@fudan.edu.cn
-
-
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
- 子
- 大人
- 高齢者
健康ボランティアの受け入れ
はい
説明
包含基準:
- 1～90歳、性別不詳。
- 気道感染症の症状を示す
- 病因検査結果が必要です
- 画像データが必要です。
除外基準:
- 医療画像内の重大なアーチファクト
- 臨床診断では肺水腫の併発が判明
- 二重レビューにより診断が不明確または誤診の可能性が生じる
- フィルムを読むのに困難を引き起こす可能性のあるその他の状況、または研究者が判断した場合、研究参加者は登録に適していないとみなされます。
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
- 主な目的：診断
- 割り当て：ランダム化
- 介入モデル：並列代入
- マスキング：なし（オープンラベル）
武器と介入
参加者グループ / アーム |
介入・治療 |
|---|---|
|
介入なし：介入なし
不干渉
|
|
|
実験的：人工知能を活用した医用画像読影グループ
研究参加者の臨床情報、画像データ、および対応する病因学的結果を使用して、患者の胸部医療画像を具体的に認識し、対応する診断結論を構築する AI 診断ツールが確立されます。
|
AI 解釈グループでは、研究参加者の臨床情報、画像データ、および対応する病因学的結果を使用して、患者の胸部医療画像を具体的に認識し、対応する診断結論を構築するための AI 診断ツールが確立されます。
|
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 |
|---|---|---|
|
呼吸器感染症の医用画像処理における人工知能診断ツールの診断有効性の評価
時間枠：2年
|
肺感染症の特定におけるコンピュータ支援検出 (CAD) ソフトウェアの診断有効性を評価するために、この研究では次の方法が使用されます。 画像化基準: 経験豊富な放射線科医が研究参加者の医療画像を解釈し、画像化基準として機能します。 コンピューター支援検出: 同時に、CAD ソフトウェアが参加者の医療画像を分析して診断結果を生成します。 有効性評価: CAD ソフトウェアの正確性と一貫性は、その解釈と放射線科医による診断を比較することによって評価されます。 |
2年
|
二次結果の測定
結果測定 |
メジャーの説明 |
時間枠 |
|---|---|---|
|
人工知能ツールを活用して呼吸器感染症の早期発見と厳重な警告を実現
時間枠：2年
|
研究参加者の医療画像と対応する呼吸器病原体検出結果を統合することで、これらのデータは AI 診断ツールへのトレーニング セット入力として使用され、深層学習が可能になります。
このプロセスにより、病原体イメージングに基づく AI 診断ツールが確立されます。
後ろ向き研究セクションと前向き研究セクションの両方のデータ収集が完了した後、生存分析と予測モデリングに基づいて研究参加者の疾患の進行と予後を評価する予定です。
臨床データと画像データを統合することで、予後評価モデルの精度と精度の向上を目指します。
このモデルは、さまざまな期間にわたって登録された研究参加者の状態の変化に応じて継続的に最適化されます。
|
2年
|
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。
スポンサー
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)
2022年4月1日
一次修了 (推定)
2025年12月1日
研究の完了 (推定)
2026年12月1日
試験登録日
最初に提出
2024年8月7日
QC基準を満たした最初の提出物
2024年8月12日
最初の投稿 (実際)
2024年8月14日
学習記録の更新
投稿された最後の更新 (実際)
2024年8月14日
QC基準を満たした最後の更新が送信されました
2024年8月12日
最終確認日
2024年8月1日
詳しくは
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。