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

Voorspellingsmodel van CP-EBUS bij de diagnose van lymfeklieren

31 maart 2020 bijgewerkt door: Jiayuan Sun, Shanghai Chest Hospital

Voorspellingsmodel gebaseerd op diep leren van CP-EBUS multimodaal beeld bij de diagnose van goedaardige en kwaadaardige lymfeklieren

Het multimodale beeld van endobronchiale echografie (EBUS), inclusief grijsschaal, bloedstroomdoppler en elastografie, kan worden gebruikt als niet-invasieve diagnose en vormt een aanvulling op het pathologische resultaat, dat een belangrijke klinische toepassingswaarde heeft. In deze studie zal een EBUS multimodale beelddatabase van 1000 goedaardige en kwaadaardige lymfeklieren (LN's) in de borst worden geconstrueerd om deep learning neurale netwerken te trainen, die automatisch representatieve beelden kunnen selecteren en LN's kunnen diagnosticeren. Onderzoekers zullen een voorspellingsmodel voor kunstmatige intelligentie opstellen op basis van diep leren van intrathoracale LN's, en het model verifiëren in andere 300 LN's.

Studie Overzicht

Toestand

Onbekend

Conditie

Gedetailleerde beschrijving

Intrathoracale LNs-vergroting heeft een breed scala aan ziekten, waaronder intrathoracale LNs-metastase van longkanker de meest voorkomende kwaadaardige ziekte is. Goedaardige laesies, waaronder ontsteking, tuberculose en sarcoïdose, moeten ook worden gedifferentieerd voor een gerichte behandeling.

Het multimodale EBUS-beeld, inclusief grijsschaal, bloedstroomdoppler en elastografie, kan worden gebruikt als niet-invasieve diagnose en vormt een aanvulling op het pathologische resultaat, dat een belangrijke klinische toepassingswaarde heeft. Deze studie omvat twee delen: retrospectieve constructie van het EBUS-voorspellingsmodel voor kunstmatige intelligentie en multicenter prospectieve validatie van het voorspellingsmodel. In totaal zullen 1300 LN's deelnemen aan het onderzoek.

Tijdens het bewaren van video's worden doel-LN's en perifere vaten onderzocht met behulp van ultrasone hosts (EU-ME2, Olympus of Hi-vision Avius, Hitachi) uitgerust met elastografie- en dopplerfuncties en ultrasone bronchoscopie (BF-UC260FW, Olympus of EB1970UK, Pentax) . Er worden multimodale beeldgegevens van doel-LN's verzameld.

Onderzoekers zullen een voorspellingsmodel voor kunstmatige intelligentie bouwen op basis van diep leren met behulp van afbeeldingen van 1000 LN's, en het model verifiëren in andere 300 LN's. Dit model zal worden vergeleken met traditionele kwalitatieve en kwantitatieve evaluatiemethoden om de diagnostische doeltreffendheid te verifiëren.

Studietype

Observationeel

Inschrijving (Verwacht)

1300

Contacten en locaties

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

Studie Locaties

  • China
    • Shanghai
      • Shanghai, Shanghai, China, 200030
        • Werving
        • Shanghai Chest Hospital
        • 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

18 jaar en ouder (Volwassen, Oudere volwassene)

Accepteert gezonde vrijwilligers

NVT

Geslachten die in aanmerking komen voor studie

Allemaal

Bemonsteringsmethode

Niet-waarschijnlijkheidssteekproef

Studie Bevolking

Patiënten met vergrote intrathoracale LN's die door EBUS-TBNA moeten worden gediagnosticeerd, nemen deel aan deze studie.

Beschrijving

Inclusiecriteria:

  1. CT van de borst toont vergrote intrathoracale LN's (korte diameter > 1 cm) of PET/CT toont patiënten met verhoogde FDG-opname (SUV ≧ 2,0) in intrathoracale LN's;
  2. Operatiearts was van mening dat EBUS-TBNA moet worden uitgevoerd op LN's voor diagnose of preoperatieve stadiëring van longkanker;
  3. Patiënten stemmen ermee in om EBUS-TBNA te ondergaan, geïnformeerde toestemming te ondertekenen en hebben geen contra-indicaties.

Uitsluitingscriteria:

- Patiënten met andere situaties die niet geschikt zijn voor EBUS-TBNA.

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
Prospectieve validatiegroep
Twee diagnosemethoden zullen worden gebruikt in de prospectieve validatiesectie, de ene is een traditionele kwalitatieve en kwantitatieve methode, de andere is kunstmatige intelligentie -voorspellingsmodel op basis van video's om de diagnostische werkzaamheid te vergelijken.

Wat meet het onderzoek?

Primaire uitkomstmaten

Uitkomstmaat
Maatregel Beschrijving
Tijdsspanne
Diagnostische werkzaamheid van EBUS multimodaal voorspellingsmodel voor kunstmatige intelligentie op basis van video's
Tijdsspanne: 6 maanden na de procedure
Diagnostische werkzaamheid omvat sensitiviteit, specificiteit, positief voorspellende waarde, negatief voorspellende waarde en diagnostische nauwkeurigheid.
6 maanden na de procedure

Secundaire uitkomstmaten

Uitkomstmaat
Maatregel Beschrijving
Tijdsspanne
Diagnostische werkzaamheid van traditionele kwalitatieve en kwantitatieve methoden
Tijdsspanne: 6 maanden na de procedure
Diagnostische werkzaamheid omvat sensitiviteit, specificiteit, positief voorspellende waarde, negatief voorspellende waarde en diagnostische nauwkeurigheid.
6 maanden na de procedure
Diagnostische effectiviteit van multimodaal deep learning-model op basis van afbeeldingen
Tijdsspanne: 6 maanden na de procedure
Diagnostische werkzaamheid omvat sensitiviteit, specificiteit, positief voorspellende waarde, negatief voorspellende waarde en diagnostische nauwkeurigheid.
6 maanden na de procedure
Vergelijking van voorspellingsmodel op basis van verdiepend leren met traditionele kwalitatieve en kwantitatieve methoden
Tijdsspanne: 6 maanden na de procedure
Diagnostische werkzaamheid omvat sensitiviteit, specificiteit, positief voorspellende waarde, negatief voorspellende waarde en diagnostische nauwkeurigheid.
6 maanden na de procedure

Medewerkers en onderzoekers

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

Sponsor

Shanghai Chest Hospital

Publicaties en nuttige links

De persoon die verantwoordelijk is voor het invoeren van informatie over het onderzoek stelt deze publicaties vrijwillig ter beschikking. Dit kan gaan over alles wat met het onderzoek te maken heeft.

Algemene publicaties

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 juli 2018

Primaire voltooiing (Verwacht)

30 juni 2020

Studie voltooiing (Verwacht)

31 december 2020

Studieregistratiedata

Eerst ingediend

2 december 2019

Eerst ingediend dat voldeed aan de QC-criteria

29 maart 2020

Eerst geplaatst (Werkelijk)

31 maart 2020

Updates van studierecords

Laatste update geplaatst (Werkelijk)

2 april 2020

Laatste update ingediend die voldeed aan QC-criteria

31 maart 2020

Laatst geverifieerd

1 maart 2020

Meer informatie

Termen gerelateerd aan deze studie

Trefwoorden

Andere studie-ID-nummers

  • SHCHE201906

Plan Individuele Deelnemersgegevens (IPD)

Bent u van plan om gegevens van individuele deelnemers (IPD) te delen?

ONBESLIST

Beschrijving IPD-plan

Onderzoekers kunnen de database na het onderzoek vrijgeven, maar er is nog geen beslissing genomen.

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 .

Abonneren