Multimodale beeldvorming bij vitreo-retinale chirurgie en maculaire dystrofieën (MICAI)
10 februari 2024 bijgewerkt door: RIZZO STANISLAO, Fondazione Policlinico Universitario Agostino Gemelli IRCCS
Multimodale beeldvorming bij vitreo-retinale chirurgie en maculaire dystrofieën: biomarkers van morfo-functioneel herstel door kunstmatige intelligentie
Het doel van de studie is om morfologische en functionele biomarkers van postoperatief herstel na vitreoretinale chirurgie te identificeren, met behulp van beslissingsondersteunende systemen (DSS), gebaseerd op multimodale big-data-analyse door middel van machine learning-technieken in de dagelijkse klinische praktijk.
Studie Overzicht
Toestand
Werving
Gedetailleerde beschrijving
Het doel van de studie is het identificeren van morfologische en functionele biomarkers van postoperatief herstel na vitreoretinale chirurgie.
Door de biomarkers te identificeren en de voorspelbaarheid van herstel te beoordelen, kunnen de categorieën patiënten worden gemarkeerd die het meest baat kunnen hebben bij een chirurgische behandeling, en kan de patiënt nauwkeuriger worden benaderd voor gepersonaliseerde geneeskunde en chirurgie.
De introductie van nieuwe beslissingsondersteunende systemen (DSS), gebaseerd op multimodale big-data-analyse door middel van machine learning-technieken in de dagelijkse klinische praktijk, levert nieuwe nuttige informatie op bij de beoordeling van patiënten voor gepersonaliseerde chirurgie.
Studietype
Observationeel
Inschrijving (Geschat)
100
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: Maria Cristina Savastano, MD,PhD
- Telefoonnummer: +39 3384443002
- E-mail: mariacristina.savastano@unicatt.it
Studie Contact Back-up
- Naam: Alfonso Savastano, MD,PhD
- E-mail: alfonso.savastano@policlinicogemelli.it
Studie Locaties
-
-
-
Rome, Italië, 00168
- Werving
- Prof. Stanislao Rizzo
-
Contact:
- Stanislao Rizzo, MD,PhD
-
-
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
1 jaar en ouder (Kind, Volwassen, Oudere volwassene)
Accepteert gezonde vrijwilligers
Nee
Bemonsteringsmethode
Kanssteekproef
Studie Bevolking
Alle patiënten die een vitreo-retinale operatie ondergaan voor maculaziekte (d.w.z. maculair gaatje, epiretinale membranen, netvliesloslating, maculaire dystrofieën (retinale pre-prothese).
Beschrijving
Inclusiecriteria:
Alle patiënten die een vitreo-retinale operatie ondergaan voor:
- Macula gat
- Epiretinale membranen
- Netvliesloslating
- Maculaire dystrofieën (retinale pre-prothese)
Uitsluitingscriteria:
- Patiënten jonger dan 18 jaar worden uitgesloten; patiënten bij wie morfologische onderzoeken niet kunnen worden uitgevoerd vanwege slechte samenwerking of ondoorzichtigheid van de dioptrische media (bijv. hoornvliespathologie). Kwaliteit van morfologische beelden onvoldoende voor verwerking na acquisitie (<6/10).
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 |
|---|---|
|
Macula gat
Patiënten getroffen door maculair gaatje.
|
Biometrische metingen uitgevoerd met IOL Master, indien uitvoerbaar Contact- of immersie-echobiometrie als IOL Master niet kan worden uitgevoerd
Kleur + AF: EIDON, indien beschikbaar (60° niet moduleerbaar) Kleur: COBRA (60° niet aanpasbaar) AF: Spectralis-Heidelberg (kies 55°) Anders indien beschikbaar (kies achterpoolonderzoek tussen 50-60°)
OKT B-scan: 2 scans (6 mm) 1 kruislijn OCTA: 3x3 mm + 6x6 mm gecentreerd op de fovea 4,5 mm gecentreerd op de oogzenuw
1) fixatiepatroon 2) gevoeligheidskaart van het netvlies
Laag-voor-laag beoordeling van het netvlies met behulp van focale ERG en patroon-ERG volgens gestandaardiseerde en gepubliceerde methoden. Voor patiënten met visus < 3/10 en onstabiele fixatie zal een protocol worden gebruikt op basis van componentanalyse van de fotopische ERG van diffuse flits.
|
|
Epiretinale membranen
Patiënten getroffen door epiretinaal membraan.
|
Biometrische metingen uitgevoerd met IOL Master, indien uitvoerbaar Contact- of immersie-echobiometrie als IOL Master niet kan worden uitgevoerd
Kleur + AF: EIDON, indien beschikbaar (60° niet moduleerbaar) Kleur: COBRA (60° niet aanpasbaar) AF: Spectralis-Heidelberg (kies 55°) Anders indien beschikbaar (kies achterpoolonderzoek tussen 50-60°)
OKT B-scan: 2 scans (6 mm) 1 kruislijn OCTA: 3x3 mm + 6x6 mm gecentreerd op de fovea 4,5 mm gecentreerd op de oogzenuw
1) fixatiepatroon 2) gevoeligheidskaart van het netvlies
Laag-voor-laag beoordeling van het netvlies met behulp van focale ERG en patroon-ERG volgens gestandaardiseerde en gepubliceerde methoden. Voor patiënten met visus < 3/10 en onstabiele fixatie zal een protocol worden gebruikt op basis van componentanalyse van de fotopische ERG van diffuse flits.
|
|
Netvliesloslating
Patiënten getroffen door netvliesloslating.
|
Biometrische metingen uitgevoerd met IOL Master, indien uitvoerbaar Contact- of immersie-echobiometrie als IOL Master niet kan worden uitgevoerd
Kleur + AF: EIDON, indien beschikbaar (60° niet moduleerbaar) Kleur: COBRA (60° niet aanpasbaar) AF: Spectralis-Heidelberg (kies 55°) Anders indien beschikbaar (kies achterpoolonderzoek tussen 50-60°)
OKT B-scan: 2 scans (6 mm) 1 kruislijn OCTA: 3x3 mm + 6x6 mm gecentreerd op de fovea 4,5 mm gecentreerd op de oogzenuw
1) fixatiepatroon 2) gevoeligheidskaart van het netvlies
Laag-voor-laag beoordeling van het netvlies met behulp van focale ERG en patroon-ERG volgens gestandaardiseerde en gepubliceerde methoden. Voor patiënten met visus < 3/10 en onstabiele fixatie zal een protocol worden gebruikt op basis van componentanalyse van de fotopische ERG van diffuse flits.
|
|
Maculaire dystrofieën
Patiënten met maculaire dystrofieën.
|
Biometrische metingen uitgevoerd met IOL Master, indien uitvoerbaar Contact- of immersie-echobiometrie als IOL Master niet kan worden uitgevoerd
Kleur + AF: EIDON, indien beschikbaar (60° niet moduleerbaar) Kleur: COBRA (60° niet aanpasbaar) AF: Spectralis-Heidelberg (kies 55°) Anders indien beschikbaar (kies achterpoolonderzoek tussen 50-60°)
OKT B-scan: 2 scans (6 mm) 1 kruislijn OCTA: 3x3 mm + 6x6 mm gecentreerd op de fovea 4,5 mm gecentreerd op de oogzenuw
1) fixatiepatroon 2) gevoeligheidskaart van het netvlies
Laag-voor-laag beoordeling van het netvlies met behulp van focale ERG en patroon-ERG volgens gestandaardiseerde en gepubliceerde methoden. Voor patiënten met visus < 3/10 en onstabiele fixatie zal een protocol worden gebruikt op basis van componentanalyse van de fotopische ERG van diffuse flits.
|
Wat meet het onderzoek?
Primaire uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
|---|---|---|
|
Voorspelbaarheid van morfologisch-functionele radiomische gegevens
Tijdsspanne: 3 jaar
|
Snelheid van voorspelbaarheid van morfologisch-functionele radiomische gegevens om de mate van herstel in de postoperatieve periode vast te stellen door middel van een machine learning-model met kunstmatige intelligentie (AI).
|
3 jaar
|
Secundaire uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
|---|---|---|
|
Identificeer voorspellende verschillen volgens diagnose
Tijdsspanne: 3 jaar
|
Onderverdeling in subgroepen om voorspellende verschillen volgens diagnose te identificeren
|
3 jaar
|
|
Correleert met de leeftijd van patiënten
Tijdsspanne: 3 jaar
|
Identificeer voorspellende verschillen volgens diagnose en breng ze in verband met de leeftijd van patiënten
|
3 jaar
|
|
Correleren met de leeftijd waarop de ziekte begint
Tijdsspanne: 3 jaar
|
Identificeer voorspellende verschillen volgens de diagnose en breng ze in verband met de leeftijd waarop de ziekte begint
|
3 jaar
|
Medewerkers en onderzoekers
Hier vindt u mensen en organisaties die betrokken zijn bij dit onderzoek.
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
- Gulshan V, Peng L, Coram M, Stumpe MC, Wu D, Narayanaswamy A, Venugopalan S, Widner K, Madams T, Cuadros J, Kim R, Raman R, Nelson PC, Mega JL, Webster DR. Development and Validation of a Deep Learning Algorithm for Detection of Diabetic Retinopathy in Retinal Fundus Photographs. JAMA. 2016 Dec 13;316(22):2402-2410. doi: 10.1001/jama.2016.17216.
- Harris PA, Taylor R, Minor BL, Elliott V, Fernandez M, O'Neal L, McLeod L, Delacqua G, Delacqua F, Kirby J, Duda SN; REDCap Consortium. The REDCap consortium: Building an international community of software platform partners. J Biomed Inform. 2019 Jul;95:103208. doi: 10.1016/j.jbi.2019.103208. Epub 2019 May 9.
- Duker JS, Kaiser PK, Binder S, de Smet MD, Gaudric A, Reichel E, Sadda SR, Sebag J, Spaide RF, Stalmans P. The International Vitreomacular Traction Study Group classification of vitreomacular adhesion, traction, and macular hole. Ophthalmology. 2013 Dec;120(12):2611-2619. doi: 10.1016/j.ophtha.2013.07.042. Epub 2013 Sep 17.
- Kermany DS, Goldbaum M, Cai W, Valentim CCS, Liang H, Baxter SL, McKeown A, Yang G, Wu X, Yan F, Dong J, Prasadha MK, Pei J, Ting MYL, Zhu J, Li C, Hewett S, Dong J, Ziyar I, Shi A, Zhang R, Zheng L, Hou R, Shi W, Fu X, Duan Y, Huu VAN, Wen C, Zhang ED, Zhang CL, Li O, Wang X, Singer MA, Sun X, Xu J, Tafreshi A, Lewis MA, Xia H, Zhang K. Identifying Medical Diagnoses and Treatable Diseases by Image-Based Deep Learning. Cell. 2018 Feb 22;172(5):1122-1131.e9. doi: 10.1016/j.cell.2018.02.010.
- Esteva A, Kuprel B, Novoa RA, Ko J, Swetter SM, Blau HM, Thrun S. Dermatologist-level classification of skin cancer with deep neural networks. Nature. 2017 Feb 2;542(7639):115-118. doi: 10.1038/nature21056. Epub 2017 Jan 25. Erratum In: Nature. 2017 Jun 28;546(7660):686.
- Schmidt-Erfurth U, Waldstein SM, Klimscha S, Sadeghipour A, Hu X, Gerendas BS, Osborne A, Bogunovic H. Prediction of Individual Disease Conversion in Early AMD Using Artificial Intelligence. Invest Ophthalmol Vis Sci. 2018 Jul 2;59(8):3199-3208. doi: 10.1167/iovs.18-24106.
- Garrity ST, Sarraf D, Freund KB, Sadda SR. Multimodal Imaging of Nonneovascular Age-Related Macular Degeneration. Invest Ophthalmol Vis Sci. 2018 Mar 20;59(4):AMD48-AMD64. doi: 10.1167/iovs.18-24158.
- Acon D, Wu L. Multimodal Imaging in Diabetic Macular Edema. Asia Pac J Ophthalmol (Phila). 2018 Jan-Feb;7(1):22-27. doi: 10.22608/APO.2017504. Epub 2017 Jan 29.
- Spaide RF, Fujimoto JG, Waheed NK, Sadda SR, Staurenghi G. Optical coherence tomography angiography. Prog Retin Eye Res. 2018 May;64:1-55. doi: 10.1016/j.preteyeres.2017.11.003. Epub 2017 Dec 8.
- Sun P, Tandias RM, Yu G, Arroyo JG. SPECTRAL DOMAIN OPTICAL COHERENCE TOMOGRAPHY FINDINGS AND VISUAL OUTCOME AFTER TREATMENT FOR VITREOMACULAR TRACTION. Retina. 2019 Jun;39(6):1054-1060. doi: 10.1097/IAE.0000000000002116.
- Lee CS, Tyring AJ, Deruyter NP, Wu Y, Rokem A, Lee AY. Deep-learning based, automated segmentation of macular edema in optical coherence tomography. Biomed Opt Express. 2017 Jun 23;8(7):3440-3448. doi: 10.1364/BOE.8.003440. eCollection 2017 Jul 1.
- Zur D, Iglicki M, Busch C, Invernizzi A, Mariussi M, Loewenstein A; International Retina Group. OCT Biomarkers as Functional Outcome Predictors in Diabetic Macular Edema Treated with Dexamethasone Implant. Ophthalmology. 2018 Feb;125(2):267-275. doi: 10.1016/j.ophtha.2017.08.031. Epub 2017 Sep 19.
- Beam AL, Kohane IS. Big Data and Machine Learning in Health Care. JAMA. 2018 Apr 3;319(13):1317-1318. doi: 10.1001/jama.2017.18391. No abstract available.
- Ngiam KY, Khor IW. Big data and machine learning algorithms for health-care delivery. Lancet Oncol. 2019 May;20(5):e262-e273. doi: 10.1016/S1470-2045(19)30149-4. Erratum In: Lancet Oncol. 2019 Jun;20(6):293.
- Abramoff MD, Lou Y, Erginay A, Clarida W, Amelon R, Folk JC, Niemeijer M. Improved Automated Detection of Diabetic Retinopathy on a Publicly Available Dataset Through Integration of Deep Learning. Invest Ophthalmol Vis Sci. 2016 Oct 1;57(13):5200-5206. doi: 10.1167/iovs.16-19964.
- Lakhani P, Sundaram B. Deep Learning at Chest Radiography: Automated Classification of Pulmonary Tuberculosis by Using Convolutional Neural Networks. Radiology. 2017 Aug;284(2):574-582. doi: 10.1148/radiol.2017162326. Epub 2017 Apr 24.
- Ting DSW, Cheung CY, Lim G, Tan GSW, Quang ND, Gan A, Hamzah H, Garcia-Franco R, San Yeo IY, Lee SY, Wong EYM, Sabanayagam C, Baskaran M, Ibrahim F, Tan NC, Finkelstein EA, Lamoureux EL, Wong IY, Bressler NM, Sivaprasad S, Varma R, Jonas JB, He MG, Cheng CY, Cheung GCM, Aung T, Hsu W, Lee ML, Wong TY. Development and Validation of a Deep Learning System for Diabetic Retinopathy and Related Eye Diseases Using Retinal Images From Multiethnic Populations With Diabetes. JAMA. 2017 Dec 12;318(22):2211-2223. doi: 10.1001/jama.2017.18152.
- Li Z, He Y, Keel S, Meng W, Chang RT, He M. Efficacy of a Deep Learning System for Detecting Glaucomatous Optic Neuropathy Based on Color Fundus Photographs. Ophthalmology. 2018 Aug;125(8):1199-1206. doi: 10.1016/j.ophtha.2018.01.023. Epub 2018 Mar 2.
- Burlina P, Joshi N, Pacheco KD, Freund DE, Kong J, Bressler NM. Utility of Deep Learning Methods for Referability Classification of Age-Related Macular Degeneration. JAMA Ophthalmol. 2018 Nov 1;136(11):1305-1307. doi: 10.1001/jamaophthalmol.2018.3799.
- Grassmann F, Mengelkamp J, Brandl C, Harsch S, Zimmermann ME, Linkohr B, Peters A, Heid IM, Palm C, Weber BHF. A Deep Learning Algorithm for Prediction of Age-Related Eye Disease Study Severity Scale for Age-Related Macular Degeneration from Color Fundus Photography. Ophthalmology. 2018 Sep;125(9):1410-1420. doi: 10.1016/j.ophtha.2018.02.037. Epub 2018 Apr 10.
- Brown JM, Campbell JP, Beers A, Chang K, Ostmo S, Chan RVP, Dy J, Erdogmus D, Ioannidis S, Kalpathy-Cramer J, Chiang MF; Imaging and Informatics in Retinopathy of Prematurity (i-ROP) Research Consortium. Automated Diagnosis of Plus Disease in Retinopathy of Prematurity Using Deep Convolutional Neural Networks. JAMA Ophthalmol. 2018 Jul 1;136(7):803-810. doi: 10.1001/jamaophthalmol.2018.1934.
- De Fauw J, Ledsam JR, Romera-Paredes B, Nikolov S, Tomasev N, Blackwell S, Askham H, Glorot X, O'Donoghue B, Visentin D, van den Driessche G, Lakshminarayanan B, Meyer C, Mackinder F, Bouton S, Ayoub K, Chopra R, King D, Karthikesalingam A, Hughes CO, Raine R, Hughes J, Sim DA, Egan C, Tufail A, Montgomery H, Hassabis D, Rees G, Back T, Khaw PT, Suleyman M, Cornebise J, Keane PA, Ronneberger O. Clinically applicable deep learning for diagnosis and referral in retinal disease. Nat Med. 2018 Sep;24(9):1342-1350. doi: 10.1038/s41591-018-0107-6. Epub 2018 Aug 13.
- Schmidt-Erfurth U, Sadeghipour A, Gerendas BS, Waldstein SM, Bogunovic H. Artificial intelligence in retina. Prog Retin Eye Res. 2018 Nov;67:1-29. doi: 10.1016/j.preteyeres.2018.07.004. Epub 2018 Aug 1.
- Sarao V, Veritti D, Borrelli E, Sadda SVR, Poletti E, Lanzetta P. A comparison between a white LED confocal imaging system and a conventional flash fundus camera using chromaticity analysis. BMC Ophthalmol. 2019 Nov 19;19(1):231. doi: 10.1186/s12886-019-1241-8.
- Fernandez-Avellaneda P, Breazzano MP, Fragiotta S, Xu X, Zhang Q, Wang RK, Freund KB. BACILLARY LAYER DETACHMENT OVERLYING REDUCED CHORIOCAPILLARIS FLOW IN ACUTE IDIOPATHIC MACULOPATHY. Retin Cases Brief Rep. 2022 Jan 1;16(1):59-66. doi: 10.1097/ICB.0000000000000943.
- Huang NT, Georgiadis C, Gomez J, Tang PH, Drayna P, Koozekanani DD, van Kuijk FJGM, Montezuma SR. Comparing fundus autofluorescence and infrared imaging findings of peripheral retinoschisis, schisis detachment, and retinal detachment. Am J Ophthalmol Case Rep. 2020 Mar 26;18:100666. doi: 10.1016/j.ajoc.2020.100666. eCollection 2020 Jun.
- Stanga PE, Williams JI, Shaarawy SA, Agarwal A, Venkataraman A, Kumar DA, You TT, Hope RS. FIRST-IN-HUMAN CLINICAL STUDY TO INVESTIGATE THE EFFECTIVENESS AND SAFETY OF PARS PLANA VITRECTOMY SURGERY USING A NEW HYPERSONIC TECHNOLOGY. Retina. 2020 Jan;40(1):16-23. doi: 10.1097/IAE.0000000000002365.
- Hubschman JP, Govetto A, Spaide RF, Schumann R, Steel D, Figueroa MS, Sebag J, Gaudric A, Staurenghi G, Haritoglou C, Kadonosono K, Thompson JT, Chang S, Bottoni F, Tadayoni R. Optical coherence tomography-based consensus definition for lamellar macular hole. Br J Ophthalmol. 2020 Dec;104(12):1741-1747. doi: 10.1136/bjophthalmol-2019-315432. Epub 2020 Feb 27.
- Bae K, Lee SM, Kang SW, Kim ES, Yu SY, Kim KT. Atypical epiretinal tissue in full-thickness macular holes: pathogenic and prognostic significance. Br J Ophthalmol. 2019 Feb;103(2):251-256. doi: 10.1136/bjophthalmol-2017-311810. Epub 2018 Apr 26.
- Rizzo S, Tartaro R, Barca F, Caporossi T, Bacherini D, Giansanti F. INTERNAL LIMITING MEMBRANE PEELING VERSUS INVERTED FLAP TECHNIQUE FOR TREATMENT OF FULL-THICKNESS MACULAR HOLES: A COMPARATIVE STUDY IN A LARGE SERIES OF PATIENTS. Retina. 2018 Sep;38 Suppl 1:S73-S78. doi: 10.1097/IAE.0000000000001985.
- Christensen UC. Value of internal limiting membrane peeling in surgery for idiopathic macular hole and the correlation between function and retinal morphology. Acta Ophthalmol. 2009 Dec;87 Thesis 2:1-23. doi: 10.1111/j.1755-3768.2009.01777.x.
- Fukuyama H, Ishikawa H, Komuku Y, Araki T, Kimura N, Gomi F. Comparative analysis of metamorphopsia and aniseikonia after vitrectomy for epiretinal membrane, macular hole, or rhegmatogenous retinal detachment. PLoS One. 2020 May 8;15(5):e0232758. doi: 10.1371/journal.pone.0232758. eCollection 2020.
- Rizzo S, Savastano A, Bacherini D, Savastano MC. Vascular Features of Full-Thickness Macular Hole by OCT Angiography. Ophthalmic Surg Lasers Imaging Retina. 2017 Jan 1;48(1):62-68. doi: 10.3928/23258160-20161219-09.
- Bacherini D, Savastano MC, Dragotto F, Finocchio L, Lenzetti C, Bitossi A, Tartaro R, Giansanti F, Barca F, Savastano A, Caporossi T, Vannozzi L, Sodi A, Luca M, Faraldi F, Virgili G, Rizzo S. Morpho-Functional Evaluation of Full-Thickness Macular Holes by the Integration of Optical Coherence Tomography Angiography and Microperimetry. J Clin Med. 2020 Jan 15;9(1):229. doi: 10.3390/jcm9010229.
- Qi Y, Wang Z, Li SM, You Q, Liang X, Yu Y, Liu W. Effect of internal limiting membrane peeling on normal retinal function evaluated by microperimetry-3. BMC Ophthalmol. 2020 Apr 9;20(1):140. doi: 10.1186/s12886-020-01383-3.
- Smith AJ, Telander DG, Zawadzki RJ, Choi SS, Morse LS, Werner JS, Park SS. High-resolution Fourier-domain optical coherence tomography and microperimetric findings after macula-off retinal detachment repair. Ophthalmology. 2008 Nov;115(11):1923-9. doi: 10.1016/j.ophtha.2008.05.025. Epub 2008 Jul 31.
- Reumueller A, Wassermann L, Salas M, Karantonis MG, Sacu S, Georgopoulos M, Drexler W, Pircher M, Pollreisz A, Schmidt-Erfurth U. Morphologic and Functional Assessment of Photoreceptors After Macula-Off Retinal Detachment With Adaptive-Optics OCT and Microperimetry. Am J Ophthalmol. 2020 Jun;214:72-85. doi: 10.1016/j.ajo.2019.12.015. Epub 2019 Dec 25.
- Falsini B, Serrao S, Fadda A, Iarossi G, Porrello G, Cocco F, Merendino E. Focal electroretinograms and fundus appearance in nonexudative age-related macular degeneration. Quantitative relationship between retinal morphology and function. Graefes Arch Clin Exp Ophthalmol. 1999 Mar;237(3):193-200. doi: 10.1007/s004170050218.
- Falsini B, Bardocci A, Porciatti V, Bolzani R, Piccardi M. Macular dysfunction in multiple sclerosis revealed by steady-state flicker and pattern ERGs. Electroencephalogr Clin Neurophysiol. 1992 Jan;82(1):53-9. doi: 10.1016/0013-4694(92)90182-h.
- Abed E, Placidi G, Campagna F, Federici M, Minnella A, Guerri G, Bertelli M, Piccardi M, Galli-Resta L, Falsini B. Early impairment of the full-field photopic negative response in patients with Stargardt disease and pathogenic variants of the ABCA4 gene. Clin Exp Ophthalmol. 2018 Jul;46(5):519-530. doi: 10.1111/ceo.13115. Epub 2017 Dec 28.
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)
15 januari 2021
Primaire voltooiing (Geschat)
15 januari 2025
Studie voltooiing (Geschat)
16 januari 2025
Studieregistratiedata
Eerst ingediend
17 februari 2023
Eerst ingediend dat voldeed aan de QC-criteria
17 februari 2023
Eerst geplaatst (Werkelijk)
28 februari 2023
Updates van studierecords
Laatste update geplaatst (Werkelijk)
13 februari 2024
Laatste update ingediend die voldeed aan QC-criteria
10 februari 2024
Laatst geverifieerd
1 februari 2024
Meer informatie
Termen gerelateerd aan deze studie
Aanvullende relevante MeSH-voorwaarden
Andere studie-ID-nummers
- 3680
Plan Individuele Deelnemersgegevens (IPD)
Bent u van plan om gegevens van individuele deelnemers (IPD) te delen?
NEE
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 .