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

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

Studie Locaties

    • Beijing
      • Beijing, Beijing, China, 100191
        • Werving
        • Peking University Third 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 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:

  1. werknemers blootgesteld aan stof;
  2. digitale thoraxfoto hebben

Uitsluitingscriteria:

  1. basale longziekte;
  2. 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.

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

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 .

Abonneren