- ICH GCP
- 미국 임상 시험 레지스트리
- 임상시험 NCT04132401
1차 진료에서 당뇨병 환자의 망막 질환 및 녹내장 감지를 위한 AI
일차 진료 중인 당뇨병 환자의 중심망막질환과 비산동성 녹내장 진단을 위한 인공지능: 인공지능 알고리즘의 진단 능력 비교 전향적 연구
배경: 당뇨병성 망막병증(DR)은 전 세계적으로, 특히 선진국에서 가장 중요한 실명의 원인 중 하나입니다. 당뇨병 환자의 경우 비산동 카메라를 사용하여 눈 뒤쪽을 주기적으로 검사하는 것이 DR의 발병을 제어하고 예방하는 효과적인 시스템인 것으로 널리 입증되었습니다. 합성곱 신경망은 DR을 감지하는 데 사용되어 매우 높은 민감도와 특이성을 달성합니다.
가설 동등하거나 우수한 성능을 입증할 수 있고 당뇨병 환자의 RD 및 기타 안과 병리의 현재 스크리닝에 대한 대안을 구성할 수 있는 인공 지능을 기반으로 하는 알고리즘을 개발하는 것이 가능합니다.
목표:
- 당뇨병 환자의 망막 병리 및 기타 안과 병리의 징후를 감지하기 위한 인공 지능 시스템 개발.
- 1차 진료에서 스크리닝 시스템으로 사용되는 시스템의 과학적 검증.
행동 양식:
이 프로젝트는 두 가지 연구를 동시에 수행하는 것으로 구성됩니다.
- 당뇨병 환자의 DR 징후, 중앙 망막의 기타 병리 및 녹내장을 감지하기 위한 인공 지능 알고리즘 개발.
- 알고리즘의 진단 능력을 배경 이미지를 읽는 가정의학과 전문의의 진단 능력과 비교할 수 있는 전향적 연구를 진행한다. 참조는 망막을 전문으로 하는 안과의사에 의한 이중 맹검 판독이 될 것입니다.
이미지 양도는 2018년 말에 시작되었습니다. AI 알고리즘의 개발은 약 3~4개월 정도 소요될 것으로 계산된다. 코호트에 환자를 포함시키는 것은 2019년 초에 시작하여 3~4개월 동안 지속될 것으로 예상됩니다. 예비 결과는 2019년 말에 발표될 예정입니다.
이 연구를 통해 당뇨병 환자의 현재 DR 스크리닝에 대해 동등하거나 우수한 성능을 보여줄 수 있고 보완 또는 대안을 구성하는 AI 기반 알고리즘의 개발이 가능해질 것입니다.
연구 개요
상세 설명
연구 설계 이 프로젝트는 2개의 동시 연구로 구성된 방법론을 따를 것입니다. 첫 번째 연구에서는 당뇨병 환자의 DR 징후를 감지하는 AI 알고리즘을 개발할 것입니다.
프로젝트의 두 번째 부분은 알고리즘의 진단 능력을 가정의학과 의사 및 망막 전문의의 진단 능력과 비교할 수 있는 전향적 연구의 정교화로 구성될 것입니다. 참조는 망막 전문의가 수행하는 맹검 이중 판독(이전 2개 판독에서 불일치하는 경우 맹검 세 번째 판독 포함)입니다. 이런 식으로 AI 알고리즘과 가정의학과 전문의가 얻은 결과는 황금 표준(정확도, 민감도, 특이도, 곡선 아래 면적 등)을 사용하여 비교됩니다. 안저 판독에 대한 교육을 받은 간호사를 포함하여 진단 능력을 비교하는 것을 고려할 것입니다.
알고리즘 개발을 위한 연구 인구, 사이트 참여 및 모집 이미지는 CHS에서 양도하고 전체 카탈루냐 인구의 이미지를 포함합니다. 전향적 연구는 Bages, Osona, Berguedà 및 Anoia 카운티를 포함하는 Central Catalonia의 Catalan Health Institute에서 관리하는 1차 진료 센터에서 진행됩니다. 참조 인구는 이러한 1차 진료 센터에 할당된 인구입니다. 이 인구에는 2017년에 약 512,000명이 포함되었으며 당뇨병 유병률은 7.1%로 추정됩니다.
연구 기간에는 AI를 이용한 알고리즘 개발을 위한 2010-2017년이 포함됩니다. 전향적 연구는 알고리즘이 개발되면 시작되어 필요한 판독 횟수를 얻을 때까지(약 3-4개월) 실행됩니다.
연구 수행 AI 알고리즘 개발을 위해 2010년에서 2017년 사이에 카탈로니아 1차 진료 센터에서 환자의 DR로 표시된 모든 안저 이미지가 포함됩니다. 전향적 연구를 위해 안저 검사를 받은 환자의 모든 이미지는 연구 시작 기간부터 적절한 환자 수에 도달할 때까지 포함됩니다. 높은 비율의 안저 이미지는 충분한 품질을 가져야 합니다. 즉, 시신경의 적어도 3/4 부분, 잘 초점이 맞춰진 황반, 잘 정의된 정맥 및 상부 및 하부 호의 동맥을 볼 수 있는 중앙 망막의 40도 시야입니다. 적절한 기술적 품질(어두움)이 없거나 미디어의 불투명도(예: 백내장)로 인해 평가할 수 없는 눈 안저 이미지는 제외됩니다.
데이터 수집 AI 알고리즘의 개발을 위해서는 각 이미지를 분류하는 해당 레이블이 있는 익명화된 이미지가 필요합니다(알고리즘이 훈련되는 클래스 중 하나에서). CHS의 정보 기술(IT) 담당자는 CHS의 컴퓨터 시스템에서 이미지를 익명화 및 추출하고 고유한 식별자로 각 이미지를 식별하기 위한 최선의 전략을 평가합니다. 한편, 각 이미지 식별자를 해당 분류와 연관시키려면 표 파일 형식 CSV 또는 TXT가 필요합니다. CHS의 IT 책임자는 OPTretina의 기술 관리자와 함께 CHS 서버에서 OPTretina 서버(SSH 파일 전송 프로토콜, 외부 하드 디스크)는 전송할 데이터의 양과 CHS의 내부 정책에 따라 다릅니다. OPTretina는 자동 안저 이미지 분류를 위한 AI 모델 개발 경험이 있으며 스페인 의약품 및 건강 제품 인증 의료 기기 제조업체입니다.
전향적 연구를 위해 중앙 카탈로니아에서 안저 이미지의 가정의학 의사 독자가 수집한 익명화된 주간 안저 데이터 판독값이 수집됩니다. 이미지는 OPTretina 서버로 전송되어 먼저 진단 알고리즘에 의해 분석된 다음 최종 진단을 내릴 망막 전문가에 의해 분석됩니다. CHS의 IT 책임자는 OPTretina의 기술 관리자와 함께 이러한 데이터를 안전한 방식으로 전송하는 최선의 방법에 동의합니다.
연구 유형
등록 (실제)
단계
- 해당 없음
연락처 및 위치
연구 장소
-
-
Barcelona
-
Manresa, Barcelona, 스페인, 08242
- CAP Bages
-
-
참여기준
자격 기준
공부할 수 있는 나이
- 어린이
- 성인
- 고령자
건강한 자원 봉사자를 받아들입니다
설명
포함 기준:
- 제1형 또는 제2형 당뇨병의 임상적 진단
- 당뇨망막병증 선별검사의 일환으로 촬영한 안저 사진
제외 기준:
- 치료 중인 녹내장 환자
- 사진 촬영에 협조하지 않는 진행성 치매 환자
- 사진 촬영 지시를 따르지 못하는 심각한 난청 환자
- 이동에 문제가 있는 환자(휠체어, 중증 후만증) 또는 사진을 찍을 수 없는 떨림 환자
- 백내장, 안진, 각막 백혈종 또는 각막 이식과 같은 이미지의 품질을 방해하는 병리가 있는 환자.
공부 계획
연구는 어떻게 설계됩니까?
디자인 세부사항
- 주 목적: 다른
- 할당: 무작위화되지 않음
- 중재 모델: 병렬 할당
- 마스킹: 없음(오픈 라벨)
무기와 개입
참가자 그룹 / 팔 |
개입 / 치료 |
---|---|
실험적: 가정의학과 의사
망막 읽기
|
알고리즘의 진단 능력을 가정의학과 의사, 망막 전문의와 비교한다.
참조는 망막 전문의가 수행하는 맹검 이중 판독이 될 것입니다.
|
실험적: 망막 전문의
망막 판독(골드 표준)
|
알고리즘의 진단 능력을 가정의학과 의사, 망막 전문의와 비교한다.
참조는 망막 전문의가 수행하는 맹검 이중 판독이 될 것입니다.
|
연구는 무엇을 측정합니까?
주요 결과 측정
결과 측정 |
측정값 설명 |
기간 |
---|---|---|
알고리즘의 감도
기간: 일년
|
알고리즘의 참양성률
|
일년
|
알고리즘의 특이성
기간: 일년
|
알고리즘의 참음성률
|
일년
|
알고리즘의 정확도
기간: 일년
|
전체 입력 샘플 수에 대한 올바른 예측 수의 비율
|
일년
|
알고리즘의 수신기 작동 특성 곡선 아래 영역
기간: 일년
|
알고리즘의 진단 능력
|
일년
|
공동 작업자 및 조사자
수사관
- 연구 의자: Josep Vidal-Alaball, MD, PhD, MPH, Institut Català de la Salut / IDIAP Jordi Gol
- 수석 연구원: Alba Arocas Bonache, RN, Institut Català de la Salut
간행물 및 유용한 링크
일반 간행물
- Bourne RR, Stevens GA, White RA, Smith JL, Flaxman SR, Price H, Jonas JB, Keeffe J, Leasher J, Naidoo K, Pesudovs K, Resnikoff S, Taylor HR; Vision Loss Expert Group. Causes of vision loss worldwide, 1990-2010: a systematic analysis. Lancet Glob Health. 2013 Dec;1(6):e339-49. doi: 10.1016/S2214-109X(13)70113-X. Epub 2013 Nov 11.
- Sanchez Gonzalez S, Calvo Lozano J, Sanchez Gonzalez J, Pedregal Gonzalez M, Cornejo Castillo M, Molina Fernandez E, Barral FJ, Perez Espinosa JR. [Assessment of the use of retinography as a screening method for the early diagnosis of chronic glaucoma in Primary Care: Validation for screening in populations with open-angle glaucoma risk factors]. Aten Primaria. 2017 Aug-Sep;49(7):399-406. doi: 10.1016/j.aprim.2016.10.008. Epub 2017 Jan 23. Spanish.
- Gomez-Ulla F, Fernandez MI, Gonzalez F, Rey P, Rodriguez M, Rodriguez-Cid MJ, Casanueva FF, Tome MA, Garcia-Tobio J, Gude F. Digital retinal images and teleophthalmology for detecting and grading diabetic retinopathy. Diabetes Care. 2002 Aug;25(8):1384-9. doi: 10.2337/diacare.25.8.1384.
- Dankwa-Mullan I, Rivo M, Sepulveda M, Park Y, Snowdon J, Rhee K. Transforming Diabetes Care Through Artificial Intelligence: The Future Is Here. Popul Health Manag. 2019 Jun;22(3):229-242. doi: 10.1089/pop.2018.0129. Epub 2018 Oct 2.
- Quellec G, Charriere K, Boudi Y, Cochener B, Lamard M. Deep image mining for diabetic retinopathy screening. Med Image Anal. 2017 Jul;39:178-193. doi: 10.1016/j.media.2017.04.012. Epub 2017 Apr 28.
- Usher D, Dumskyj M, Himaga M, Williamson TH, Nussey S, Boyce J. Automated detection of diabetic retinopathy in digital retinal images: a tool for diabetic retinopathy screening. Diabet Med. 2004 Jan;21(1):84-90. doi: 10.1046/j.1464-5491.2003.01085.x.
- Somfai GM, Tatrai E, Laurik L, Varga B, Olvedy V, Jiang H, Wang J, Smiddy WE, Somogyi A, DeBuc DC. Automated classifiers for early detection and diagnosis of retinopathy in diabetic eyes. BMC Bioinformatics. 2014 Apr 12;15:106. doi: 10.1186/1471-2105-15-106.
- Abramoff MD, Lou Y, Erginay A, Clarida W, Amelon R, Folk JC, Niemeijer M. Improved Automated Detection of Diabetic Retinopathy on a Publicly Available Dataset Through Integration of Deep Learning. Invest Ophthalmol Vis Sci. 2016 Oct 1;57(13):5200-5206. doi: 10.1167/iovs.16-19964.
- Abramoff MD, Lavin PT, Birch M, Shah N, Folk JC. Pivotal trial of an autonomous AI-based diagnostic system for detection of diabetic retinopathy in primary care offices. NPJ Digit Med. 2018 Aug 28;1:39. doi: 10.1038/s41746-018-0040-6. eCollection 2018.
- Li Z, Keel S, Liu C, He Y, Meng W, Scheetz J, Lee PY, Shaw J, Ting D, Wong TY, Taylor H, Chang R, He M. An Automated Grading System for Detection of Vision-Threatening Referable Diabetic Retinopathy on the Basis of Color Fundus Photographs. Diabetes Care. 2018 Dec;41(12):2509-2516. doi: 10.2337/dc18-0147. Epub 2018 Oct 1.
연구 기록 날짜
연구 주요 날짜
연구 시작 (실제)
기본 완료 (실제)
연구 완료 (실제)
연구 등록 날짜
최초 제출
QC 기준을 충족하는 최초 제출
처음 게시됨 (실제)
연구 기록 업데이트
마지막 업데이트 게시됨 (실제)
QC 기준을 충족하는 마지막 업데이트 제출
마지막으로 확인됨
추가 정보
이 연구와 관련된 용어
추가 관련 MeSH 약관
기타 연구 ID 번호
- P18/109
개별 참가자 데이터(IPD) 계획
개별 참가자 데이터(IPD)를 공유할 계획입니까?
IPD 계획 설명
IPD 공유 기간
IPD 공유 액세스 기준
IPD 공유 지원 정보 유형
- 연구_프로토콜
- CSR
약물 및 장치 정보, 연구 문서
미국 FDA 규제 의약품 연구
미국 FDA 규제 기기 제품 연구
이 정보는 변경 없이 clinicaltrials.gov 웹사이트에서 직접 가져온 것입니다. 귀하의 연구 세부 정보를 변경, 제거 또는 업데이트하도록 요청하는 경우 register@clinicaltrials.gov. 문의하십시오. 변경 사항이 clinicaltrials.gov에 구현되는 즉시 저희 웹사이트에도 자동으로 업데이트됩니다. .
연산에 대한 임상 시험
-
Medtronic Bakken Research CenterMedtronic종료됨
-
New York State Psychiatric InstituteNational Institute of Mental Health (NIMH)완전한