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

SVP-detectie met behulp van machine learning (SVP-ML)

5 maart 2024 bijgewerkt door: King's College London

Geautomatiseerde detectie van spontane veneuze pulsaties in fundamentele video's met behulp van machine learning

Deze diagnostische studie zal 410 retrospectief vastgelegde fundal-video's gebruiken om ML-systemen te ontwikkelen die SVP's detecteren en ICP kwantificeren. De grondwaarheid zal worden gegenereerd op basis van de annotaties van twee onafhankelijke, gemaskerde clinici, met arbitrage door een oogarts in geval van onenigheid.

Studie Overzicht

Toestand

Actief, niet wervend

Conditie

Interventie / Behandeling

Studietype

Observationeel

Inschrijving (Geschat)

210

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

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

Ja

Bemonsteringsmethode

Niet-waarschijnlijkheidssteekproef

Studie Bevolking

Patiënten van ≥18 jaar met vermoedelijk normale ICP of vermoedelijk verhoogde ICP

Beschrijving

Inclusiecriteria:

  • Patiënten van ≥18 jaar met een vermoedelijk normale ICP die routinematig gedilateerde OCT-scans ondergaan.
  • Patiënten die een LP of continue ICP-bewaking ondergaan met geïmplanteerde transcraniale druktransducerapparaten bij interne of poliklinische neurologie, neurochirurgie of neuro-oftalmologie.

Uitsluitingscriteria:

  • Diagnose van glaucoom of vermoeden van glaucoom in beide ogen.
  • Bilaterale beperkte fundamentele visie, b.v. geavanceerde bilaterale cataracten.
  • Bilaterale occlusie van de retinale ader of slagader.

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
Patiënten van ≥18 jaar met een veronderstelde normale intracraniale druk
Diagnostische toets: Machine Learning-model
Geautomatiseerd machine learning-systeem voor de detectie van spontane veneuze pulsaties en kwantificering van intracraniale druk
Patiënten van ≥18 jaar met vermoedelijk verhoogde intracraniale druk
Diagnostische toets: Machine Learning-model
Geautomatiseerd machine learning-systeem voor de detectie van spontane veneuze pulsaties en kwantificering van intracraniale druk

Wat meet het onderzoek?

Primaire uitkomstmaten

Uitkomstmaat
Maatregel Beschrijving
Tijdsspanne
Area-under-the-receiver-bedrijfskarakteristiek (AUROC) voor detectie van spontane veneuze pulsaties
Tijdsspanne: 1 jaar
Binaire classificatieprestaties van het machine learning-model
1 jaar

Secundaire uitkomstmaten

Uitkomstmaat
Maatregel Beschrijving
Tijdsspanne
Lokalisatie van spontane veneuze pulsaties
Tijdsspanne: 1 jaar
Overlap van begrenzingskaders voor het machine learning-model
1 jaar
Kwantificering van intracraniale druk
Tijdsspanne: 1 jaar
Gemiddelde absolute fout voor de voorspelling van de intracraniale druk
1 jaar

Medewerkers en onderzoekers

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

Sponsor

King's College London

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 maart 2023

Primaire voltooiing (Geschat)

1 november 2024

Studie voltooiing (Geschat)

1 november 2024

Studieregistratiedata

Eerst ingediend

30 januari 2023

Eerst ingediend dat voldeed aan de QC-criteria

7 februari 2023

Eerst geplaatst (Werkelijk)

16 februari 2023

Updates van studierecords

Laatste update geplaatst (Geschat)

6 maart 2024

Laatste update ingediend die voldeed aan QC-criteria

5 maart 2024

Laatst geverifieerd

1 maart 2024

Meer informatie

Termen gerelateerd aan deze studie

Aanvullende relevante MeSH-voorwaarden

Andere studie-ID-nummers

  • 1.0

Plan Individuele Deelnemersgegevens (IPD)

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

JA

Beschrijving IPD-plan

De gegevens zouden, waar mogelijk, worden gedeeld via een overeenkomst voor het delen van gegevens met beperkte toegang, voor zover in overeenstemming met de KCL-vereisten voor gegevensbeheer.

IPD-tijdsbestek voor delen

Binnen 12 maanden na afronding van de studie

IPD-toegangscriteria voor delen

Overeenkomst voor het delen van gegevens en gegevensbeheer

IPD delen Ondersteunend informatietype

  • LEERPROTOCOOL

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 Machine Learning-model

Zoek naar vergelijkbare onderzoeken

Sponsors en medewerkers

Medische omstandigheden

Geneesmiddelinterventies

CROs by country

CROs in Papua New Guinea

Voorwaarden

Zeldzame ziekten

Geneesmiddelinterventies

Voedingssupplementen

Sponsor / medewerkers

Locaties

3
Abonneren