AI klassifiserer multi-retinale sykdommer
Deep Learning-basert automatisert klassifisering av multi-retinal sykdom fra fundusfotografering
Studieoversikt
Status
Forhold
Detaljert beskrivelse
Netthinnesykdommer truer synet og livskvaliteten alvorlig, men de utvikler seg ofte snikende. Til dags dato har algoritmer for dyp læring (DL) vist høye muligheter innen biomedisinsk vitenskap, spesielt i diagnostisering av øyesykdommer, som diabetisk retinopati, aldersrelatert makuladegenerasjon, retinopati av prematuritet, glaukom og papilleødem. Det er imidlertid fortsatt mangel på en enkelt algoritme som kan klassifisere multisykdommer fra fundusfotografering.
Denne tverrsnittsstudien vil etablere en DL-algoritme for automatisk å klassifisere multisykdommer fra fundusfotografering og skille store synstruende tilstander og andre retinale abnormiteter. Vi vil bruke mottakeroperasjonskarakteristikken (ROC) for å undersøke evnen til å gjenkjenne og klassifisere sykdommer. Tatt på resultatene fra ekspertpanelet som gullstandarden, vil vi bruke evalueringsindeksene, som sensitivitet, spesifisitet, nøyaktighet, positiv prediktiv verdi, negativ prediktiv verdi, etc, for å sammenligne den diagnostiske kapasiteten mellom AI-gjenkjenningssystemet og menneskelig øyelege .
Studietype
Registrering (Forventet)
Kontakter og plasseringer
Studiesteder
-
-
Beijing
-
Beijing, Beijing, Kina, 100730
- Rekruttering
- Wen-Bin Wei
-
-
Deltakelseskriterier
Kvalifikasjonskriterier
Alder som er kvalifisert for studier
- Barn
- Voksen
- Eldre voksen
Tar imot friske frivillige
Kjønn som er kvalifisert for studier
Prøvetakingsmetode
Studiepopulasjon
Beskrivelse
Inklusjonskriterier:
- fundusfotografering rundt 45° felt som dekker optisk plate og makula
- fullstendig informasjon om pasientidentifikasjon;
Ekskluderingskriterier:
- ufullstendig pasientidentifikasjonsinformasjon
Studieplan
Hvordan er studiet utformet?
Designdetaljer
Kohorter og intervensjoner
Gruppe / Kohort |
Intervensjon / Behandling |
|---|---|
|
Netthinne-multisykdommer diagnostisert av DL-algoritme
|
DL-algoritmen klassifiserer automatisk multisykdommer fra fundusfotografering og skiller alvorlige synstruende tilstander og andre retinale abnormiteter.
|
|
Netthinne multisykdommer diagnostisert av ekspertpanel
|
Ekspertpanel klassifiserer multisykdommer fra fundusfotografering og skiller alvorlige synstruende tilstander og andre retinale abnormiteter.
|
Hva måler studien?
Primære resultatmål
Resultatmål |
Tiltaksbeskrivelse |
Tidsramme |
|---|---|---|
|
Område under kurve
Tidsramme: 1 uke
|
Vi vil bruke mottakeroperasjonskarakteristikken (ROC) for å undersøke evnen til å gjenkjenne og klassifisere sykdommer.
Tatt på resultatene fra ekspertpanelet som gullstandarden, vil vi bruke området under kurven til å sammenligne den diagnostiske kapasiteten mellom AI-gjenkjenningssystemet og menneskelig øyelege.
|
1 uke
|
|
Sensitivitet og spesifisitet
Tidsramme: 1 uke
|
Tatt på resultatene fra ekspertpanelet som gullstandarden, vil vi bruke sensitivitet og spesifisitet for å sammenligne den diagnostiske kapasiteten mellom AI-gjenkjenningssystemet og menneskelig øyelege.
|
1 uke
|
|
Positiv og negativ prediktiv verdi
Tidsramme: 1 uke
|
Tatt på resultatene fra ekspertpanelet som gullstandarden, vil vi bruke positiv og negativ prediktiv verdi for å sammenligne den diagnostiske kapasiteten mellom AI-gjenkjenningssystemet og menneskelig øyelege.
|
1 uke
|
|
Nøyaktighet
Tidsramme: 1 uke
|
Tatt på resultatene fra ekspertpanelet som gullstandarden, vil vi bruke nøyaktighet til å sammenligne den diagnostiske kapasiteten mellom AI-gjenkjenningssystemet og menneskelig øyelege.
|
1 uke
|
Samarbeidspartnere og etterforskere
Sponsor
Samarbeidspartnere
Studierekorddatoer
Studer hoveddatoer
Studiestart (Faktiske)
Primær fullføring (Forventet)
Studiet fullført (Forventet)
Datoer for studieregistrering
Først innsendt
Først innsendt som oppfylte QC-kriteriene
Først lagt ut (Faktiske)
Oppdateringer av studieposter
Sist oppdatering lagt ut (Faktiske)
Siste oppdatering sendt inn som oppfylte QC-kriteriene
Sist bekreftet
Mer informasjon
Begreper knyttet til denne studien
Ytterligere relevante MeSH-vilkår
Andre studie-ID-numre
- Retinal multi diseases
Plan for individuelle deltakerdata (IPD)
Planlegger du å dele individuelle deltakerdata (IPD)?
Legemiddel- og utstyrsinformasjon, studiedokumenter
Studerer et amerikansk FDA-regulert medikamentprodukt
Studerer et amerikansk FDA-regulert enhetsprodukt
produkt produsert i og eksportert fra USA
Denne informasjonen ble hentet direkte fra nettstedet clinicaltrials.gov uten noen endringer. Hvis du har noen forespørsler om å endre, fjerne eller oppdatere studiedetaljene dine, vennligst kontakt register@clinicaltrials.gov. Så snart en endring er implementert på clinicaltrials.gov, vil denne også bli oppdatert automatisk på nettstedet vårt. .