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

Deze studie test een nieuwe Sound Blade-echografie voor schildklierscans. Het vergelijkt de beelden met reguliere ziekenhuis-echografieën om te zien welke duidelijker zijn. De beelden zullen helpen bij het ontwikkelen van toekomstige AI-tools om de zorg te verbeteren. (THYMAL 01)

28 augustus 2026 bijgewerkt door: Sound Blade Medical Inc.

Een nieuwe ultrasone sonde voor schildklierbeeldvorming en machine learning: een pilotstudie

Deze studie test een nieuw type echografie dat speciaal is gemaakt voor het bekijken van de schildklier, een kleine klier in de nek. Tijdens één kliniekbezoek krijgen mensen twee veilige en pijnloze scans: de reguliere echografie die ze normaal zouden krijgen, en een tweede scan met het onderzoeksapparaat. Beide scans gebruiken een sonde op de huid met gel - er zijn geen naalden, geen straling en geen veranderingen aan hun medische zorg. Het doel is om te zien of de nieuwe echografie duidelijkere beelden kan maken en computerprogramma's kan helpen schildklierknobbels nauwkeuriger te vinden en meten. In de toekomst kan dit artsen helpen behandelingen te begeleiden en ze veiliger en effectiever te maken.

Studie Overzicht

Gedetailleerde beschrijving

Ons speciaal ontwikkelde schildklier-echografieplatform, geïntegreerd met geavanceerde machine-learning algoritmen, zal nauwkeurige detectie en afbakening van schildklierknobbels en aangrenzende kritieke structuren bereiken, en zal een traceerbaar driedimensionaal knobbelsmodel produceren dat in staat is om minimaal invasieve ablatie te begeleiden terwijl het real-time volumetrische kwantificering van behandelingsvoortgang en restziekte biedt.

STUDIEONTWERP Deze studie zal uit twee delen bestaan. Deel A - Prospectieve Schildklierbeeldvormingsstudie We zullen een prospectieve, gepaarde beeldvormingsstudie (n=30) uitvoeren om te bepalen of de studie-echografieapparatuur resultaten/het vermogen om schildklierknobbels en belangrijke structuren (arteria carotis communis, vena jugularis interna, trachea, nervus vagus, nervus laryngeus recurrens en bijschildklieren) te detecteren verkrijgt die vergelijkbaar zijn met de standaardzorg (SOC) echografieapparatuur.

Deel B - Machine Learning Modelontwikkeling Echografiebeelden en cinevideo's verkregen van het onderzoeksapparaat en radioloogannotaties uit Deel A zullen worden gebruikt om een ML-model voor knobbels- en kritieke-structuursegmentatie te trainen en intern te testen. Voor externe validatie zal het ML-model worden toegepast op geanonimiseerde schildklierechografieonderzoeken verkregen met de standaardzorg (SOC) echografie en retrospectief opgehaald uit het provinciale PACS (n≈30). Nauwkeurigheid en precisie zullen worden beoordeeld om technische validiteit en generaliseerbaarheid vast te stellen. ML-uitvoer is alleen voor onderzoek; er zullen geen klinische beslissingen op worden gebaseerd.

Studietype

Ingrijpend

Inschrijving (Geschat)

30

Fase

  • Niet toepasbaar

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 Contact Back-up

  • Naam: Richard Balys, MD, MD
  • Telefoonnummer: 902-223-8032
  • E-mail: rbalys@gmail.com

Studie Locaties

    • Nova Scotia
      • Dartmouth, Nova Scotia, Canada
        • Werving
        • Nova Scotia Health, Dartmouth
        • 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

  • Volwassen
  • Oudere volwassene

Accepteert gezonde vrijwilligers

Nee

Beschrijving

Inclusiecriteria:

  • Deelnemers moeten ≥ 18 jaar oud zijn
  • Bekwaam om geïnformeerde toestemming te tekenen
  • Bekende schildkliernodule aangetoond op een eerdere schildklier-echo en ondergaat actieve bewaking van de nodule met seriële echo's

Exclusiecriteria:

  • Niet in staat om 15 minuten plat te liggen
  • Actieve wonden, verbanden of huidaandoeningen in de nek die de nek-echo zouden hinderen (bijv. plaatsing transducer verhinderen)
  • Halswervelkolom- of rugaandoeningen die nekstrekking voorkomen en het verkrijgen van nauwkeurige schildklier-echoafbeeldingen belemmeren
  • Eerdere schildklieroperaties, bestraling van gezicht en nek
  • Bekende inflammatoire schildklieraandoeningen of thyroiditis (bijv. Graves, Hashimoto)

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

  • Primair doel: Diagnostisch
  • Toewijzing: NVT
  • Interventioneel model: Opdracht voor een enkele groep
  • Masker: Geen (open label)

Wapens en interventies

Deelnemersgroep / Arm
Interventie / Behandeling
Experimenteel: Schildklierechografie
Patiënten die gepland staan voor een standaard bewakings-echografie van de schildklierknobbels, zullen een tweede echografie ondergaan met behulp van de Sound Blade Ultrasound.
Patiënten die gepland staan voor een SOC surveillance schildklierknobbel echografie zullen een tweede echografie ondergaan met behulp van de Sound Blade Ultrasound.

Wat meet het onderzoek?

Primaire uitkomstmaten

Uitkomstmaat
Maatregel Beschrijving
Tijdsspanne
Het vermogen om schildklierknobbels en andere belangrijke anatomische structuren te visualiseren
Tijdsspanne: Dag 1
Het primaire eindpunt is het evalueren van het vermogen om schildklierknobbels en andere belangrijke anatomische structuren te visualiseren met het onderzoeksapparaat in vergelijking met de SOC US-beeldvormingsapparatuur.
Dag 1
Evalueer de zichtbaarheid/detectieprestatie van een machine-learningmodel
Tijdsspanne: Dag 1
Er wordt een machine learning-model ontwikkeld om schildklierknobbels en belangrijke anatomische nekstructuren te identificeren en te segmenteren. De eerste uitkomst zal de prestaties van zichtbaarheid en detectie evalueren met behulp van standaard classificatiematen.
Dag 1
Evalueer de segmentatieprestatie van een machine-learning model
Tijdsspanne: Dag 1
Er zal een machine learning-model worden ontwikkeld om schildklierknobbels en belangrijke anatomische halsstructuren te identificeren en te segmenteren. Het tweede resultaat zal de prestaties op afbakenbare gevallen evalueren.
Dag 1

Medewerkers en onderzoekers

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

Onderzoekers

  • Hoofdonderzoeker: Richard Bayls, MD, Nova Scotia Health Authority

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 (Geschat)

1 september 2026

Primaire voltooiing (Geschat)

31 december 2026

Studie voltooiing (Geschat)

1 september 2027

Studieregistratiedata

Eerst ingediend

27 februari 2026

Eerst ingediend dat voldeed aan de QC-criteria

18 maart 2026

Eerst geplaatst (Werkelijk)

23 maart 2026

Updates van studierecords

Laatste update geplaatst (Werkelijk)

1 september 2026

Laatste update ingediend die voldeed aan QC-criteria

28 augustus 2026

Laatst geverifieerd

1 augustus 2026

Meer informatie

Termen gerelateerd aan deze studie

Plan Individuele Deelnemersgegevens (IPD)

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

NEE

Beschrijving IPD-plan

Dit is op dit moment een interne haalbaarheidsstudie.

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