- ICH GCP
- Register voor klinische proeven in de VS.
- Klinische proef NCT04952675
Evaluatie van Pneumoconiose High Risk Early Warning-modellen
2 juli 2021 bijgewerkt door: Peking University Third Hospital
De ontwikkeling en klinische toepassing van pneumoconiose High Risk Early Warning-modellen op basis van convolutioneel neuraal netwerk bij thoraxradiografie
Voorzorg van pneumoconiose is belangrijker dan behandeling.
Het huidige proces kan de werknemers die aan stof met een hoog risico zijn blootgesteld echter niet vroegtijdig waarschuwen totdat bij hen de diagnose pneumoconiose wordt gesteld.
Met het kenmerk van efficiëntie, onpersoonlijkheid en kwantificering is kunstmatige intelligentie precies geschikt om deze problemen op te lossen.
Daarom richten we ons op het aanpassen van deep learning om modellen te ontwikkelen voor intelligente detectie van pneumoconiose, graaddiagnose en vroegtijdige waarschuwing met een hoog risico.
De geannoteerde beelden zullen worden gebruikt voor algoritmetraining van convolutionele neurale netwerken (CNN's), gericht op screening op pneumoconiose en graaddiagnose.
Bovendien zal de risicoscore, berekend door de dichtheidswarmtekaart, worden gebruikt voor vroegtijdige waarschuwing van aan stof blootgestelde werknemers.
Vervolgens wordt de follow-up van het cohort geïmpliceerd om de validiteit van de risicoscore te verifiëren.
Op deze manier krijgen werknemers met een hoog risico die aan stof worden blootgesteld vroegtijdige interventie en een betere prognose, wat uiteraard de medische belasting kan verminderen.
Studie Overzicht
Toestand
Werving
Conditie
Gedetailleerde beschrijving
Pneumoconiose, de belangrijkste beroepsziekte in China en de rest van de wereld.
Borstradiografie is de meest toegankelijke en betaalbare radiologische test die beschikbaar is voor lichamelijk onderzoek van werknemers die aan stof zijn blootgesteld en massale screening op pneumoconiose.
Maar het diagnoseproces heeft enkele nadelen, zoals sterke subjectiviteit, inefficiëntie en onvermogen om borderline-laesie te beoordelen, enz. Bovendien is voorzorg van pneumoconiose belangrijker dan behandeling.
Het huidige proces kan de werknemers die aan stof met een hoog risico zijn blootgesteld echter niet vroegtijdig waarschuwen totdat bij hen de diagnose pneumoconiose wordt gesteld.
Met het kenmerk van efficiëntie, onpersoonlijkheid en kwantificering is kunstmatige intelligentie precies geschikt om de bovengenoemde problemen op te lossen.
Tot nu toe is er zelden onderzoek gedaan naar het aanpassen van deep learning voor pneumoconiose-diagnose en vroegtijdige waarschuwing met een hoog risico.
In onze eerdere studies hebben we een thoraxfotodatabase opgezet, die meer dan 100.000 digitale pneumoconiose-radiografiebeelden bevat.
Het resultaat van de evaluatie van het detectiesysteem toonde aan dat de nauwkeurigheid bij de identificatie van pneumoconiose 90% kon bereiken, met een AUC (Area Under The Curve) van 0,965 en een gevoeligheid van 99%.
Meer werken moeten worden voortgezet.
Daarom richten we ons op het aanpassen van deep learning om modellen te ontwikkelen voor intelligente detectie van pneumoconiose, graaddiagnose en vroegtijdige waarschuwing met een hoog risico.
De geannoteerde beelden zullen worden gebruikt voor algoritmetraining van convolutionele neurale netwerken (CNN's), gericht op screening op pneumoconiose en graaddiagnose.
Bovendien zal de risicoscore, berekend door de dichtheidswarmtekaart, worden gebruikt voor vroegtijdige waarschuwing van aan stof blootgestelde werknemers.
Vervolgens wordt de follow-up van het cohort geïmpliceerd om de validiteit van de risicoscore te verifiëren.
Op deze manier krijgen werknemers met een hoog risico die aan stof worden blootgesteld vroegtijdige interventie en een betere prognose, wat uiteraard de medische belasting kan verminderen.
Studietype
Observationeel
Inschrijving (Verwacht)
200
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
- Naam: Xiao Li, M.D.
- Telefoonnummer: +8613051709411
- E-mail: lixiao.sy@bjmu.edu.cn
Studie Locaties
-
-
Beijing
-
Beijing, Beijing, China, 100191
- Werving
- Peking University Third Hospital
-
Contact:
- Xiao Li, M.D.
- Telefoonnummer: +8613051709411
- E-mail: lixiao.sy@bjmu.edu.cn
-
-
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 tot 60 jaar (VOLWASSEN)
Accepteert gezonde vrijwilligers
Nee
Geslachten die in aanmerking komen voor studie
Allemaal
Bemonsteringsmethode
Kanssteekproef
Studie Bevolking
aan stof blootgestelde arbeiders van 16 provincies van China
Beschrijving
Inclusiecriteria:
- werknemers blootgesteld aan stof;
- digitale thoraxfoto hebben
Uitsluitingscriteria:
- basale longziekte;
- afscheiding van aan stof blootgesteld werk
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 |
|---|
|
laag risico groep
Risico-index∈[0,0,5)
|
|
risicogroep
Risico-index∈[0.5,1)
|
Wat meet het onderzoek?
Primaire uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
|---|---|---|
|
deelnemers gediagnosticeerd als "pneumoconiose"
Tijdsspanne: vóór 31 december 2022
|
Aantal deelnemers gediagnosticeerd als "pneumoconiose"
|
vóór 31 december 2022
|
|
dood
Tijdsspanne: vóór 31 december 2022
|
Aantal deelnemers dat overlijdt
|
vóór 31 december 2022
|
Secundaire uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
|---|---|---|
|
Geforceerd expiratoir volume in 1s (FEV1) in %
Tijdsspanne: vóór 31 december 2022
|
Geforceerd expiratievolume in 1s
|
vóór 31 december 2022
|
|
arteriële partiële zuurstofdruk, PaO2
Tijdsspanne: vóór 31 december 2022
|
arteriële partiële zuurstofdruk
|
vóór 31 december 2022
|
|
gemodificeerde Medische Onderzoeksraad, mMRC
Tijdsspanne: vóór 31 december 2022
|
een vragenlijst die wordt gebruikt om symptomen te beoordelen
|
vóór 31 december 2022
|
Medewerkers en onderzoekers
Hier vindt u mensen en organisaties die betrokken zijn bij dit onderzoek.
Sponsor
Onderzoekers
- Hoofdonderzoeker: Xiao Li, M.D., Peking University Third Hospital
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 augustus 2018
Primaire voltooiing (VERWACHT)
1 december 2021
Studie voltooiing (VERWACHT)
1 december 2025
Studieregistratiedata
Eerst ingediend
23 juni 2021
Eerst ingediend dat voldeed aan de QC-criteria
2 juli 2021
Eerst geplaatst (WERKELIJK)
7 juli 2021
Updates van studierecords
Laatste update geplaatst (WERKELIJK)
7 juli 2021
Laatste update ingediend die voldeed aan QC-criteria
2 juli 2021
Laatst geverifieerd
1 juni 2021
Meer informatie
Termen gerelateerd aan deze studie
Trefwoorden
Aanvullende relevante MeSH-voorwaarden
Andere studie-ID-nummers
- PekingUTH-002
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 .