Deze pagina is automatisch vertaald en de nauwkeurigheid van de vertaling kan niet worden gegarandeerd. Raadpleeg de Engelse versie voor een brontekst.

Deep Learning voor preoperatieve longbeoordeling bij thoracale CT

26 juni 2024 bijgewerkt door: Jianxing He, The First Affiliated Hospital of Guangzhou Medical University

Toepassing van deep learning bij CT-beeldvorming bij patiënten die electieve thoraxchirurgie ondergaan: beoordeling van preoperatieve abnormale longfunctie

Het onderzoek was ontworpen als een single-center, niet-interventioneel prospectief observationeel onderzoek waarbij gebruik werd gemaakt van deep learning-technologie in combinatie met computertomografie (CT)-beelden om de longfunctie-indicatoren van preoperatieve patiënten met thoraxchirurgie nauwkeurig te voorspellen.

Studie Overzicht

Toestand

Werving

Conditie

Interventie / Behandeling

Gedetailleerde beschrijving

Preoperatieve longfunctietesten zijn van cruciaal belang bij het beoordelen van perioperatieve complicaties of sterfterisico's en bij het bieden van beslissingsondersteuning voor thoracale chirurgie. Traditionele methoden voor het beoordelen van de longfunctie hebben echter aanzienlijke beperkingen, waaronder lange testduur, problemen bij de samenwerking tussen patiënten, hoge fout-negatieve percentages en talrijke contra-indicaties. Onze studie optimaliseerde dus het uiteindelijke model op basis van 1500 CT's met een enkele inspiratoire fase door modelparameters over te dragen die waren getraind op 500 tweefasige respiratoire CT's, waardoor de voorspellende mogelijkheden voor de longfunctie werden verbeterd. Deze aanpassing voldoet aan de eisen van toepassingen in de praktijk en biedt handigere, uitgebreidere en gepersonaliseerde ondersteuning voor preoperatieve longfunctiebeoordeling. Onze studie optimaliseerde het uiteindelijke model op basis van 1500 enkelvoudige inspiratoire CT's door modelparameters over te dragen die waren getraind op 500 tweefasige respiratoire CT's, waardoor de voorspellende mogelijkheden voor de longfunctie werden verbeterd. Deze aanpassing voldoet aan de eisen van toepassingen in de praktijk en biedt handigere, uitgebreidere en gepersonaliseerde ondersteuning voor preoperatieve longfunctiebeoordeling.

Studietype

Observationeel

Inschrijving (Geschat)

2000

Contacten en locaties

In dit gedeelte vindt u de contactgegevens van degenen die het onderzoek uitvoeren en informatie over waar dit onderzoek wordt uitgevoerd.

Studiecontact

Studie Locaties

    • Guangdong
      • Guangzhou, Guangdong, China, 510120
        • Werving
        • Department of Cardiothoracic Surgery, the First Affiliated Hospital of Guangzhou Medical College
        • Contact:

Deelname Criteria

Onderzoekers zoeken naar mensen die aan een bepaalde beschrijving voldoen, de zogenaamde geschiktheidscriteria. Enkele voorbeelden van deze criteria zijn iemands algemene gezondheidstoestand of eerdere behandelingen.

Geschiktheidscriteria

Leeftijden die in aanmerking komen voor studie

  • Volwassen
  • Oudere volwassene

Accepteert gezonde vrijwilligers

Nee

Bemonsteringsmethode

Niet-waarschijnlijkheidssteekproef

Studie Bevolking

Electieve patiënten met thoraxchirurgie

Beschrijving

Inclusiecriteria:

  • (1) Ondertekening van het formulier voor geïnformeerde toestemming;
  • (2) Man of vrouw, tussen 18 en 75 jaar;
  • (3) Een electieve thoracale operatie ondergaan;
  • (4) Goede preoperatieve longfunctie-samenwerking en volledige rapportage;
  • (5) Preoperatieve enkel-/dubbelfase CT-scans van de thorax zonder noemenswaardige artefacten en met volledige beeldvorming;
  • (6) Het interval tussen preoperatieve longfunctie en enkel-/dubbelfasige CT-scans bedraagt ​​niet meer dan één maand.

Uitsluitingscriteria:

  • (1) Slechte preoperatieve samenwerking op het gebied van de longfunctie of ontbrekende rapporten;
  • (2) Preoperatieve enkel-/dubbelfasige CT-scans van de borstkas vertonen significante artefacten of weglatingen in het beeld;
  • (3) Het interval tussen preoperatieve longfunctie en enkel-/dubbelfasige CT-scans bedraagt ​​meer dan één maand;
  • (4) Complicaties bij ernstige ademhalingsstoornissen (zoals longtransplantatie, pneumothorax, gigantische bullae, enz.);
  • (5) Samenleven met andere ernstige functionele beperkingen;
  • (6) Patiënten met obstructieve laesies zoals luchtwegstenose of slokdarmstenose;
  • (7) Hoogte buiten het voorspelde vergelijkingsbereik (vrouw < 1,45 m; man < 1,55 m);
  • (8) Medicatiegebruik vóór longfunctietesten dat niet voldoet aan de richtlijnen voor stoppen;
  • (9) Kwaliteit van het longfunctierapport, geclassificeerd als D-F.

Studie plan

Dit gedeelte bevat details van het studieplan, inclusief hoe de studie is opgezet en wat de studie meet.

Hoe is de studie opgezet?

Ontwerpdetails

Cohorten en interventies

Groep / Cohort
Interventie / Behandeling
Cohort met enkele inspiratiefase
Patiënten in dit cohort ondergaan preoperatief CT-onderzoek in de enkele inspiratoire fase en longfunctietesten.
Gebruikmakend van deep learning-technologie in combinatie met computertomografiebeelden uit een enkele inspiratoire fase om nauwkeurig de longfunctie-indicatoren van preoperatieve thoraxchirurgiepatiënten te voorspellen.
Respiratoir tweefasig cohort
Patiënten in dit cohort ondergaan preoperatief respiratoire dual-phase CT- en longfunctietesten.
Gebruikmakend van deep learning-technologie in combinatie met respiratoire dual-phase computertomografiebeelden om de longfunctie-indicatoren van preoperatieve thoraxchirurgiepatiënten nauwkeurig te voorspellen.

Wat meet het onderzoek?

Primaire uitkomstmaten

Uitkomstmaat
Maatregel Beschrijving
Tijdsspanne
Gemiddelde absolute fout (MAE)
Tijdsspanne: 2 jaar
Wordt gebruikt om de discrepantie te beoordelen tussen longfunctievoorspellingen gemaakt door het deep learning-algoritme en feitelijke resultaten verkregen uit longfunctietests (gemeten met een spirometer).
2 jaar

Secundaire uitkomstmaten

Uitkomstmaat
Maatregel Beschrijving
Tijdsspanne
Concordantiecorrelatiecoëfficiënt (CCC)
Tijdsspanne: 2 jaar
Wordt gebruikt om de discrepantie te beoordelen tussen longfunctievoorspellingen gemaakt door het deep learning-algoritme en feitelijke resultaten verkregen uit longfunctietests (gemeten met een spirometer).
2 jaar

Medewerkers en onderzoekers

Hier vindt u mensen en organisaties die betrokken zijn bij dit onderzoek.

Sponsor

Medewerkers

Onderzoekers

  • Hoofdonderzoeker: Jianxing He, MD, Department of Cardiothoracic Surgery, the First Affiliated Hospital of Guangzhou Medical College

Studie record data

Deze datums volgen de voortgang van het onderzoeksdossier en de samenvatting van de ingediende resultaten bij ClinicalTrials.gov. Studieverslagen en gerapporteerde resultaten worden beoordeeld door de National Library of Medicine (NLM) om er zeker van te zijn dat ze voldoen aan specifieke kwaliteitscontrolenormen voordat ze op de openbare website worden geplaatst.

Bestudeer belangrijke data

Studie start (Werkelijk)

1 oktober 2023

Primaire voltooiing (Geschat)

30 september 2024

Studie voltooiing (Geschat)

30 december 2024

Studieregistratiedata

Eerst ingediend

21 juni 2024

Eerst ingediend dat voldeed aan de QC-criteria

26 juni 2024

Eerst geplaatst (Werkelijk)

27 juni 2024

Updates van studierecords

Laatste update geplaatst (Werkelijk)

27 juni 2024

Laatste update ingediend die voldeed aan QC-criteria

26 juni 2024

Laatst geverifieerd

1 juni 2024

Meer informatie

Termen gerelateerd aan deze studie

Andere studie-ID-nummers

  • ES-2024-091-02

Informatie over medicijnen en apparaten, studiedocumenten

Bestudeert een door de Amerikaanse FDA gereguleerd geneesmiddel

Nee

Bestudeert een door de Amerikaanse FDA gereguleerd apparaatproduct

Nee

Deze informatie is zonder wijzigingen rechtstreeks van de website clinicaltrials.gov gehaald. Als u verzoeken heeft om uw onderzoeksgegevens te wijzigen, te verwijderen of bij te werken, neem dan contact op met register@clinicaltrials.gov. Zodra er een wijziging wordt doorgevoerd op clinicaltrials.gov, wordt deze ook automatisch bijgewerkt op onze website .

Klinische onderzoeken op Longfunctie

Klinische onderzoeken op Computertomografie met enkele inspiratoire fase.

Zoek naar vergelijkbare onderzoeken