人工知能（AI） - 視覚障害の支援スクリーニングモデル：コミュニティベースの実装とパフォーマンス、実現可能性、コストの評価。
2026年3月10日 更新者：Tham Yih Chung、Singapore Eye Research Institute
この観察研究の目標は、コミュニティの設定における視覚障害のためのAIアシストスクリーニングモデルのパフォーマンス、運用効率、受容性、実現可能性、および費用対効果を評価することです。 それが答えることを目指している主な質問は次のとおりです。
- AIアシストスクリーニングモデルは、現在の従来のスクリーニングアプローチと比較して、スクリーニングと紹介の精度を改善できますか？
- AIアシストモデルは、コミュニティ環境での運用効率を高め、医療コストを削減しますか？
研究者は、AIアシストモデルを現在の従来のスクリーニングアプローチと比較して、スクリーニングの精度、運用効率、および費用対効果への影響を評価します。
参加者は次のとおりです。
- AIアシストモデルまたは従来のモデルのいずれかを使用して、視力スクリーニングを受けます。
- スクリーニングアプローチの受容性に関するフィードバックを提供します。
- 各スクリーニング方法に関連する実現可能性とコストの評価に貢献します。
調査の概要
研究の種類
介入
入学 (推定)
400
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。
研究場所
-
-
Singapore
-
Singapore、Singapore、シンガポール、648201
- Pioneer Polyclinic
-
-
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
- 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：
- 50歳以上の個人。
除外基準：
- 50歳未満の個人。
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：ダブル
武器と介入
参加者グループ / アーム |
介入・治療 |
|---|---|
|
実験的：Ai-assisted
参加者は、AVIRIモデル（網膜イメージングを使用した疾患関連の視覚障害スクリーニングのAI）を使用して視覚障害スクリーニングを受けます。
この介入には、視覚障害の可能性が高い個人をスクリーニングおよび特定するために、人工知能を通じて自動化された眼底画像分析が含まれます。
|
疾患関連の視覚障害の症例を検出するための網膜写真ベースの深い学習アルゴリズム
他の名前：
|
|
介入なし：伝統的
参加者は、従来のスクリーニングモデルを使用して視覚障害のスクリーニングを受けます。これは、初期評価を実行する検眼士が関与し、その後、手動の眼底画像評価に基づいた紹介決定を受けます。
|
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 |
|---|---|---|
|
視覚障害の検出に関するAviriのパフォーマンス
時間枠：研究の完了を通じて、平均1年
|
主な結果は、Expert Panelsの診断を参照して、VI（屈折誤差関連および疾患関連VI）の検出パフォーマンスと正しい紹介の割合です。
新しいAIアシストモデルが現在の従来のモデルよりも優れた紹介精度があるかどうかを評価するために、2つのモデルの精度、AUC値、感度、特異性、およびその他のパフォーマンスメトリックが計算され、比較されます。
|
研究の完了を通じて、平均1年
|
二次結果の測定
結果測定 |
メジャーの説明 |
時間枠 |
|---|---|---|
|
運用効率
時間枠：研究の完了を通じて、平均1年
|
評価には、（i）患者あたりの平均スクリーニング時間、および（ii）セッションごとにスクリーニングされた患者の平均数が含まれます。
|
研究の完了を通じて、平均1年
|
|
患者の受容性
時間枠：研究の完了を通じて、平均1年
|
患者の受容性は、訓練されたコーディネーターが管理する6項目のアンケート（4ポイントのリッカートスケール：「満足度」または「尤度」）を介して評価されます。
|
研究の完了を通じて、平均1年
|
|
実現可能性の認識
時間枠：研究の完了を通じて、平均1年
|
実現可能性の認識は、検眼医を持つ少なくとも2つのフォーカスグループを通じて評価され、1つはサービスプロバイダーを備えており、実装研究のための連結フレームワーク（CFIR）によって導かれます。
議論は、AIスクリーニングモデルの採用に影響を与える障壁とファシリテーターを探求します。
データは、CFIRコンストラクトを使用して2人の研究者によって帰納的かつ演ductive的にコード化されます。コンセンサスまたは3番目の研究者を通じて矛盾が解決されました。
|
研究の完了を通じて、平均1年
|
|
AIアシストスクリーニングモデルの実装のコスト削減
時間枠：研究の完了を通じて、平均1年
|
研究者は、すべての非サンクコスト（労働、材料、物資、および償却技術と宇宙/レンタルコストを含む）を定量化するアクティビティベースのコスト（ABC）アプローチを使用して、PSSモデルを介してAIアシストスクリーニングモデルを実装する増分コスト削減を定量化します。テスト結果など）。
固定費は、インプットの予想耐用年数（つまり、
固定資産の平均余命が含まれます）。
臨床評価のコストのために、研究者は実際のコストを近似すると予想されるため、非補助金の請求書の規模を使用します。
|
研究の完了を通じて、平均1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。
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)
2024年6月27日
一次修了 (実際)
2026年2月27日
研究の完了 (推定)
2026年3月31日
試験登録日
最初に提出
2025年3月7日
QC基準を満たした最初の提出物
2025年3月10日
最初の投稿 (実際)
2025年3月14日
学習記録の更新
投稿された最後の更新 (実際)
2026年3月11日
QC基準を満たした最後の更新が送信されました
2026年3月10日
最終確認日
2026年3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
- 2024/2297
個々の参加者データ (IPD) の計画
個々の参加者データ (IPD) を共有する予定はありますか?
未定
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
米国で製造され、米国から輸出された製品。
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。