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

Algoritme voor kunstmatige intelligentie voor de screening van abnormale foetale hersenbevindingen bij echografie in het eerste trimester (AIRFRAME)

21 maart 2024 bijgewerkt door: Familiari Alessandra, Fondazione Policlinico Universitario Agostino Gemelli IRCCS

Visualisatie van de posterieure fossa-hersenruimten, hun ruimtelijke relatie en metingen kunnen worden verkregen in het sagittale middenaanzicht van de foetuskop, dezelfde die wordt gebruikt voor NT-meting (9), en speelt een belangrijke rol bij de vroege diagnose van neuralebuisdefecten, zoals open spinale dysrafie (5) en posterieure fossa-afwijkingen, zoals DWM of BPC (7). De beoordeling van de foetale fossa posterior in het eerste trimester is echter nog steeds een uitdaging vanwege verschillende beperkingen, waaronder onwillekeurige bewegingen van de foetus en de kleine omvang van de hersenstructuren, waardoor het onderzoek moeilijk wordt en er een verkeerde diagnose wordt gesteld. Bovendien is het ook afhankelijk van de operator voor het verkrijgen van hoogwaardige ultrasone beelden, standaardmetingen en nauwkeurige diagnose.

Het gebruik van nieuwe technologieën om de verwerving van beelden te verbeteren, om automatisch metingen uit te voeren of om te helpen bij de diagnose van foetale afwijkingen, kan van groot belang zijn voor de optimale beoordeling van de foetale hersenen, met name in het eerste trimester (10). Kunstmatige intelligentie (AI) wordt beschreven als het vermogen van een computerprogramma om processen uit te voeren die verband houden met menselijke intelligentie, zoals leren, denken en probleemoplossing. Deep Learning (DL), een subset van Machine Learning (ML), is een tak van AI, gedefinieerd door de mogelijkheid om automatisch functies uit gegevens te leren zonder menselijke tussenkomst. In DL zijn de invoer en uitvoer verbonden door meerdere lagen die losjes zijn gemodelleerd naar de neurale paden van het menselijk brein. Op het gebied van beeldherkenning wordt een van de meest veelbelovende typen DL-netwerken vertegenwoordigd door convolutionele neurale netwerken (CNN). Deze zijn ontworpen om zeer representatieve beeldkenmerken op een volledig geautomatiseerde manier te extraheren, waardoor ze toepasbaar zijn bij diagnostische besluitvorming.

Op basis van deze observaties stellen we een onderzoeksproject voor dat gericht is op de ontwikkeling van een op echografie gebaseerd AI-algoritme, dat in staat is om de foetale posterieure fossa-structuren te beoordelen tijdens de echografie van het eerste trimester en onderscheid te maken tussen normale en abnormale bevindingen door middel van een volledig automatische gegevensverwerking. .

Studie Overzicht

Gedetailleerde beschrijving

De toepassing van AI in verloskundige echografie omvat drie aspecten: structuuridentificatie, automatische en gestandaardiseerde metingen en classificatiediagnose. Aangezien verloskundige echografie tijdrovend is, kan het gebruik van AI ook de onderzoekstijd verkorten en de workflow verbeteren.

Onderzoeksopzet: dit is een multicenter retrospectieve observationele cohortstudie en daaropvolgende prospectieve cohortstudie. Het onderzoeksontwerp zal in twee verschillende fasen worden georganiseerd.

De eerste fase, de retrospectieve haalbaarheidsstudie, heeft tot doel het AI-algoritme te ontwikkelen en te trainen met normale en abnormale beelden die retrospectief zijn verkregen tijdens echografie in het eerste trimester van tien internationale centra voor foetale geneeskunde.

De tweede fase, een prospectieve klinische validatie, heeft tot doel het AI-algoritme te testen bij de beoordeling van de anatomie van de foetale fossa posterior in een echte klinische setting met echte patiënten van elk van de deelnemende centra voor foetale geneeskunde.

Omgeving: Drie (3) centra voor foetale geneeskunde.

Deelnemers: eenlingzwangere populatie die echografisch onderzoek onderging tussen 11 - 14 weken zwangerschap in tien foetale geneeskundecentra.

Primair eindpunt: het valideren van een nieuwe, op AI gebaseerde technologie, die mogelijk kan worden gebruikt als screeningsinstrument voor foetale hersenafwijkingen in het eerste trimester.

Secundaire eindpunten: het verbeteren van de prestaties van de standaardscreening in het eerste trimester van de foetale fossa posterior, waarbij een betrouwbare echografische beoordeling binnen een kortere uitvoeringstijd wordt gegarandeerd. Om een ​​hogere herhaalbaarheid en reproduceerbaarheid te detecteren, waardoor de echografiescreening ook op grote schaal kan worden geïmplementeerd, waardoor de gezondheidszorg wordt geoptimaliseerd. die echografie ondergingen bij 11+0 - 13+6 weken zwangerschap met een foetale posterieure fossa anomalie, zoals open spinale dysrafie, DWM of BPC. Normale beelden van de foetale achterste fossa bij dezelfde zwangerschapsduur zullen worden geleverd door de promotiecentra - d.w.z. Fondazione Policlinico A. Gemelli, IRCCS en Universiteit van Parma. Klinische, echografie, prenatale en postnatale informatie van elk geval zal worden opgehaald uit de medische dossiers van de patiënt en door de hoofdonderzoeker van elk deelnemend centrum in een elektronisch databasebestand worden ingevoerd. De verkregen beelden worden geanonimiseerd, opgeslagen als DICOM en gedeeld via een speciaal cloudopslagsysteem dat wordt opgezet door het bio-engineeringteam. Elk centrum krijgt toegang tot het websysteem met behulp van een persoonlijke ID en wachtwoord.

In de tweede fase van de studie zal het algoritme prospectief worden getest en gevalideerd in een echte klinische setting met echte patiënten uit elk van de deelnemende centra voor foetale geneeskunde. In- en exclusiecriteria, beeldvormingsprotocol en gegevensverzameling zullen tijdens de retrospectieve fase hetzelfde zijn.

Studietype

Observationeel

Inschrijving (Geschat)

10000

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 tot 45 jaar (Volwassen)

Accepteert gezonde vrijwilligers

Ja

Bemonsteringsmethode

Niet-waarschijnlijkheidssteekproef

Studie Bevolking

Alle zwangerschappen ondergaan screening in het eerste trimester

Beschrijving

Inclusiecriteria:

  • Vrouwen met eenlingzwangerschappen die echografisch zijn onderzocht tussen 11+0 - 13+6 weken zwangerschap of een foetale kruin-stuitlengte tussen 45 - 84 mm.

Uitsluitingscriteria:

  • Vrouwen die op de vaste zwangerschapsduur geen screeningsscan in het eerste trimester hebben gehad.
  • Vrouwen waarbij een goede visualisatie van het sagittale middenaanzicht van het foetushoofd technisch niet mogelijk was.
  • Vrouwen die niet in staat zijn om de geïnformeerde toestemming te geven.

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
Geval
Foetussen met hersenafwijkingen
Ontwikkeling van AI-algoritme voor vroege detectie van foetale hersenafwijkingen in het eerste trimester van de zwangerschap
Controles
Normaal met normale hersenen
Ontwikkeling van AI-algoritme voor vroege detectie van foetale hersenafwijkingen in het eerste trimester van de zwangerschap

Wat meet het onderzoek?

Primaire uitkomstmaten

Uitkomstmaat
Maatregel Beschrijving
Tijdsspanne
AI-algoritme
Tijdsspanne: 2 jaar
Aantal gedetecteerde gevallen met toepassing van AI-algoritmen
2 jaar

Secundaire uitkomstmaten

Uitkomstmaat
Maatregel Beschrijving
Tijdsspanne
Reproduceerbaarheid
Tijdsspanne: 1 jaar
Aantal gedetecteerde gevallen met toepassing van AI-algoritme vergeleken met het aantal gedetecteerde gevallen met standaardtechnieken voor prenatale diagnose
1 jaar

Medewerkers en onderzoekers

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

Onderzoekers

  • Hoofdonderzoeker: Alessandra Familiari, MD, Fondazione Policlinico Agostino Gemelli

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.

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 mei 2023

Primaire voltooiing (Geschat)

1 mei 2024

Studie voltooiing (Geschat)

1 mei 2025

Studieregistratiedata

Eerst ingediend

6 maart 2023

Eerst ingediend dat voldeed aan de QC-criteria

16 maart 2023

Eerst geplaatst (Werkelijk)

30 maart 2023

Updates van studierecords

Laatste update geplaatst (Werkelijk)

22 maart 2024

Laatste update ingediend die voldeed aan QC-criteria

21 maart 2024

Laatst geverifieerd

1 maart 2024

Meer informatie

Termen gerelateerd aan deze studie

Aanvullende relevante MeSH-voorwaarden

Andere studie-ID-nummers

  • 5526

Plan Individuele Deelnemersgegevens (IPD)

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

JA

Beschrijving IPD-plan

DICOM-beelden via een rit tussen de centra

IPD-tijdsbestek voor delen

na 1 jaar en voor 1 jaar

IPD-toegangscriteria voor delen

pathologische gevallen

IPD delen Ondersteunend informatietype

  • LEERPROTOCOOL
  • SAP

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 Misvorming van de hersenen

Klinische onderzoeken op Kunstmatige intelligentie

3
Abonneren