Automatische diagnose van spinale stenose op CT (ASSIST)
16 november 2018 bijgewerkt door: Shisheng He, MD, Shanghai 10th People's Hospital
Automatische diagnose van spinale stenose op CT met deep learning
MRI is een algemeen hulpmiddel voor radiografische diagnose van spinale stenose, maar het is duur en vereist een lange scantijd.
CT is ook een handig hulpmiddel om spinale stenose te diagnosticeren, maar interpretatie kan tijdrovend zijn met hoge interlezervariabiliteit, zelfs onder de meest gespecialiseerde radiologen.
In deze studie streven de onderzoekers ernaar een algoritme voor diep leren te ontwikkelen om lumbale spinale stenose automatisch te detecteren en te classificeren.
Studie Overzicht
Toestand
Onbekend
Conditie
Interventie / Behandeling
Gedetailleerde beschrijving
MRI is een algemeen hulpmiddel voor radiografische diagnose van spinale stenose, maar het is duur en vereist een lange scantijd.
CT is ook een handig hulpmiddel om spinale stenose te diagnosticeren, maar interpretatie kan tijdrovend zijn met hoge interlezervariabiliteit, zelfs onder de meest gespecialiseerde radiologen.
In deze studie streven de onderzoekers ernaar een algoritme voor diep leren te ontwikkelen om lumbale spinale stenose automatisch te detecteren en te classificeren.
Het zou een tijdbesparende workflow zijn als de software de radiologen kan helpen bij het detecteren en lokaliseren van de vermoedelijke laesie.
Studietype
Observationeel
Inschrijving (Verwacht)
500
Contacten en locaties
In dit gedeelte vindt u de contactgegevens van degenen die het onderzoek uitvoeren en informatie over waar dit onderzoek wordt uitgevoerd.
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
18 jaar en ouder (Volwassen, Oudere volwassene)
Accepteert gezonde vrijwilligers
Nee
Geslachten die in aanmerking komen voor studie
Allemaal
Bemonsteringsmethode
Niet-waarschijnlijkheidssteekproef
Studie Bevolking
Spinale stenose is een vernauwing van de ruimtes in de wervelkolom, die druk kan uitoefenen op de zenuwen die door de wervelkolom lopen. Spinale stenose komt het vaakst voor in de rug, de nek en soms de thoracale wervelkolom.
Sommige mensen met spinale stenose hebben mogelijk geen symptomen. Anderen kunnen pijn, tintelingen, gevoelloosheid en spierzwakte ervaren. Symptomen kunnen na verloop van tijd verergeren.
Beschrijving
Inclusiecriteria:
- Leeftijd >18 jaar
- met CT-rapporten van radiologen over cervicale, thoracale en lumbale stenose
Uitsluitingscriteria:
- niet van toepassing (alleen specifieke niveaus met uitgebreide infecties, fracturen, tumoren, hoogwaardige spondylolisthesis zouden worden uitgesloten voor analyse).
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
- Observatiemodellen: Case-Alleen
- Tijdsperspectieven: Retrospectief
Cohorten en interventies
Groep / Cohort |
Interventie / Behandeling |
|---|---|
|
wervelkanaalstenose
Spinale stenose is een vernauwing van de ruimtes in uw wervelkolom, die druk kan uitoefenen op de zenuwen die door de wervelkolom lopen.
Spinale stenose komt het vaakst voor in de onderrug en de nek.
|
Detecteer en classificeer spinale stenose door diep leren
|
Wat meet het onderzoek?
Primaire uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
|---|---|---|
|
diagnostische nauwkeurigheid van diep leren
Tijdsspanne: 1 dag
|
Diagnostische nauwkeurigheid van deep learning om spinale stenose te bepalen in vergelijking met de labels van radiologen op basis van CT
|
1 dag
|
Secundaire uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
|---|---|---|
|
Diagnostische prestaties van diep leren
Tijdsspanne: 1 dag
|
Gevoeligheid, specificiteit, positief voorspellende waarde en negatief voorspellende waarde van deep learning vergeleken met labels van radiologen op basis van CT
|
1 dag
|
Medewerkers en onderzoekers
Hier vindt u mensen en organisaties die betrokken zijn bij dit onderzoek.
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 (Verwacht)
1 november 2018
Primaire voltooiing (Verwacht)
1 april 2019
Studie voltooiing (Verwacht)
1 mei 2019
Studieregistratiedata
Eerst ingediend
7 november 2018
Eerst ingediend dat voldeed aan de QC-criteria
16 november 2018
Eerst geplaatst (Werkelijk)
19 november 2018
Updates van studierecords
Laatste update geplaatst (Werkelijk)
19 november 2018
Laatste update ingediend die voldeed aan QC-criteria
16 november 2018
Laatst geverifieerd
1 november 2018
Meer informatie
Termen gerelateerd aan deze studie
Aanvullende relevante MeSH-voorwaarden
Andere studie-ID-nummers
- SHSY181022
Plan Individuele Deelnemersgegevens (IPD)
Bent u van plan om gegevens van individuele deelnemers (IPD) te delen?
Onbeslist
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 .