Denne siden ble automatisk oversatt og nøyaktigheten av oversettelsen er ikke garantert. Vennligst referer til engelsk versjon for en kildetekst.

Sammenligning av en SegNet-basert algoritme som estimerer epifascial fibrose

16. desember 2022 oppdatert av: Chang Ho Hwang, MD, PhD., Chungnam National University Sejong Hospital

Sammenligning av en SegNet-basert algoritme som kvantitativt estimerer epifascial fibrose i tredimensjonale computertomografibilder med graderingsmetoden for klinisk lymfødem

For godkjenning for påvisning av lymfødemfibrose før progresjon, er verifisering av CT-basert kvantifisering av suprafascial mikroskopisk fibrose forsøkt.

Studieoversikt

Status

Fullført

Forhold

Intervensjon / Behandling

Detaljert beskrivelse

Ved lymfødem oppstår alltid proinflammatoriske cytokin-mediert progressive kaskader, noe som fører til makroskopisk fibrose. Imidlertid er ingen metoder praktisk tilgjengelig for å måle lymfødem-indusert fibrose før den forverres. Teknisk sett kan CT visualisere fibrose på overfladiske og dype steder. For standardisert måling ble det utført verifikasjon av dyp læring (DL)-basert anerkjennelse. En tverrsnitts, observerende kohortforsøk ble utført ved et undervisende universitetssykehus. Protokollen for denne studien ble godkjent av University Hospital Institutional Review Board og ble registrert ved Protocol Registration and Results System (PRS), www. kliniske studier. gov (NCT04811677: https:// clini caltrials. gov/ ct2/ show/ NCT04 811677? term= NCT04 81167 7& draw= 2& rank=1). Alle metoder ble utført i henhold til relevante retningslinjer og forskrifter. Rettssaken var i samsvar med prinsippene i Helsinki-erklæringen. Pasienter ble inkludert hvis de ble klinisk diagnostisert med unilateralt lymfødem og hadde gjennomgått BEI-analyse og CT-skanning. Forsøkspersonene ga skriftlig informert samtykke til publisering av saksdetaljene. Data ble samlet inn så nær CT-skanningsdatoen som mulig. Pasienter som ble diagnostisert med dyp venetrombose, bilateral lempåvirkning, vaskulær sykdom eller lokal infeksjon ble ekskludert.

Etter innsnevring av vindusbredden til de absorberende verdiene i CT-bilder, ble SegNet-basert semantisk segmenteringsmodell av hver piksel i 5 klasser (luft, hud, muskel/vann, fett og fibrose) trent (65%), validert (15%) og testet (20%). Deretter ble 4 indekser formulert og sammenlignet med resultatene av standardisert omkretsforskjellsforhold (SCDR) og bioelektrisk impedans (BEI). Totalt ble 2138 CT-bilder av 27 kroniske unilaterale lymfødempasienter analysert.

Studietype

Observasjonsmessig

Registrering (Faktiske)

27

Kontakter og plasseringer

Denne delen inneholder kontaktinformasjon for de som utfører studien, og informasjon om hvor denne studien blir utført.

Studiesteder

      • Sejong, Korea, Republikken, 30099
        • Chungnam National University Sejong Hospital

Deltakelseskriterier

Forskere ser etter personer som passer til en bestemt beskrivelse, kalt kvalifikasjonskriterier. Noen eksempler på disse kriteriene er en persons generelle helsetilstand eller tidligere behandlinger.

Kvalifikasjonskriterier

Alder som er kvalifisert for studier

  • Barn
  • Voksen
  • Eldre voksen

Tar imot friske frivillige

N/A

Kjønn som er kvalifisert for studier

Alle

Prøvetakingsmetode

Ikke-sannsynlighetsprøve

Studiepopulasjon

Pasientene som ble klinisk diagnostisert med lymfødem i lemmer.

Beskrivelse

Inklusjonskriterier:

  • Pasientene som ble klinisk diagnostisert med unilateralt lymfødem i lemmer og som gjennomgikk multi-frekvens bio-elektrisk impedans (BEI) analyse og CT-skanning.

Ekskluderingskriterier:

  • Pasientene som ble diagnostisert med dyp venetrombose, involvering av bilaterale lemmer, vaskulære sykdommer eller lokal infeksjon ble ekskludert.

Studieplan

Denne delen gir detaljer om studieplanen, inkludert hvordan studien er utformet og hva studien måler.

Hvordan er studiet utformet?

Designdetaljer

  • Observasjonsmodeller: Kohort
  • Tidsperspektiver: Tverrsnitt

Hva måler studien?

Primære resultatmål

Resultatmål
Tiltaksbeskrivelse
Tidsramme
nøyaktighet
Tidsramme: innen 1 uke etter CT-skanning
et forhold mellom den korrekt klassifiserte pikselen og alle de klassifiserte pikslene i én etikett.
innen 1 uke etter CT-skanning

Sekundære resultatmål

Resultatmål
Tiltaksbeskrivelse
Tidsramme
Første indeks
Tidsramme: innen 1 uke etter CT-skanning
(P_(Fett i berørte)+P_(Fibrose i berørte))/(P_(Fett i upåvirket)+P_(Fibrose i upåvirket) ) " "
innen 1 uke etter CT-skanning

Samarbeidspartnere og etterforskere

Det er her du vil finne personer og organisasjoner som er involvert i denne studien.

Etterforskere

  • Hovedetterforsker: Chang Ho Hwang, Chungnam National University Sejong Hospital

Studierekorddatoer

Disse datoene sporer fremdriften for innsending av studieposter og sammendragsresultater til ClinicalTrials.gov. Studieposter og rapporterte resultater gjennomgås av National Library of Medicine (NLM) for å sikre at de oppfyller spesifikke kvalitetskontrollstandarder før de legges ut på det offentlige nettstedet.

Studer hoveddatoer

Studiestart (Faktiske)

1. januar 2018

Primær fullføring (Faktiske)

30. mars 2019

Studiet fullført (Faktiske)

30. mars 2019

Datoer for studieregistrering

Først innsendt

19. mars 2021

Først innsendt som oppfylte QC-kriteriene

19. mars 2021

Først lagt ut (Faktiske)

23. mars 2021

Oppdateringer av studieposter

Sist oppdatering lagt ut (Faktiske)

20. desember 2022

Siste oppdatering sendt inn som oppfylte QC-kriteriene

16. desember 2022

Sist bekreftet

1. desember 2022

Mer informasjon

Begreper knyttet til denne studien

Ytterligere relevante MeSH-vilkår

Andre studie-ID-numre

  • UUH 2018-04-009

Legemiddel- og utstyrsinformasjon, studiedokumenter

Studerer et amerikansk FDA-regulert medikamentprodukt

Nei

Studerer et amerikansk FDA-regulert enhetsprodukt

Nei

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. .

Abonnere