- ICH GCP
- US Clinical Trials Registry
- Klinisk utprøving NCT04952675
Evaluering av høyrisikomodeller for tidlig varsling av pneumokoniose
2. juli 2021 oppdatert av: Peking University Third Hospital
Utvikling og klinisk anvendelse av Pneumokoniose høyrisiko tidlig varslingsmodeller basert på konvolusjonelt nevralt nettverk i brystradiografi
Forsiktighet ved pneumokoniose er viktigere enn behandling.
Imidlertid kan den nåværende prosessen ikke tidlig advare de høyrisikostøveksponerte arbeiderne før de er diagnostisert med pneumokoniose.
Med funksjonen effektivitet, upersonlighet og kvantifisering, er kunstig intelligens akkurat passende for å løse disse problemene.
Derfor tar vi sikte på å tilpasse dyp læring for å utvikle modeller for intelligent deteksjon av pneumokoniose, karakterdiagnose og tidlig varsling med høy risiko.
De kommenterte bildene vil bli brukt for konvolusjonelle nevrale nettverk (CNNs) algoritmetrening, med sikte på pneumokoniose-screening og karakterdiagnose.
Dessuten vil risikoscore beregnet av tetthetsvarmekart bli brukt for tidlig varsling av støveksponerte arbeidere.
Deretter vil oppfølging av kohorten bli underforstått for å verifisere gyldigheten av risikoskåren.
På denne måten vil de høyrisikostøveksponerte arbeiderne få tidlig intervensjon og bedre prognose, noe som åpenbart kan redusere medisinsk belastning.
Studieoversikt
Status
Rekruttering
Forhold
Detaljert beskrivelse
Pneumokoniose, den dominerende yrkessykdommen i Kina og over hele verden.
Røntgen av brystet er den mest tilgjengelige og rimeligste radiologiske testen tilgjengelig for fysisk undersøkelse av støveksponerte arbeidere og massescreening for pneumokoniose.
Men diagnoseprosessen har noen ulemper, slik som sterk subjektivitet, ineffektivitet og funksjonshemning ved vurdering av borderline lesjon, etc. Dessuten er forholdsregler ved pneumokoniose viktigere enn behandling.
Imidlertid kan den nåværende prosessen ikke tidlig advare de høyrisikostøveksponerte arbeiderne før de er diagnostisert med pneumokoniose.
Med funksjonen effektivitet, upersonlighet og kvantifisering, er kunstig intelligens akkurat passende for å løse de nevnte problemene.
Til nå har det vært sjelden forskning om tilpasning av dyp læring for pneumokoniose-gradsdiagnose og tidlig varsling med høy risiko.
I våre tidligere studier har vi opprettet en thoraxradiografdatabase, som inneholder mer enn 100 000 digitale pneumokoniose-radiografibilder.
Resultatet av deteksjonssystemevaluering viste at nøyaktigheten i identifiseringen av pneumokoniose kunne nå 90 %, med en AUC(Area Under The Curve) på 0,965 og en sensitivitet på 99 %.
Flere arbeider må videreføres.
Derfor tar vi sikte på å tilpasse dyp læring for å utvikle modeller for intelligent deteksjon av pneumokoniose, karakterdiagnose og tidlig varsling med høy risiko.
De kommenterte bildene vil bli brukt for konvolusjonelle nevrale nettverk (CNNs) algoritmetrening, med sikte på pneumokoniose-screening og karakterdiagnose.
Dessuten vil risikoscore beregnet av tetthetsvarmekart bli brukt for tidlig varsling av støveksponerte arbeidere.
Deretter vil oppfølging av kohorten bli underforstått for å verifisere gyldigheten av risikoskåren.
På denne måten vil de høyrisikostøveksponerte arbeiderne få tidlig intervensjon og bedre prognose, noe som åpenbart kan redusere medisinsk belastning.
Studietype
Observasjonsmessig
Registrering (Forventet)
200
Kontakter og plasseringer
Denne delen inneholder kontaktinformasjon for de som utfører studien, og informasjon om hvor denne studien blir utført.
Studiekontakt
- Navn: Xiao Li, M.D.
- Telefonnummer: +8613051709411
- E-post: lixiao.sy@bjmu.edu.cn
Studiesteder
-
-
Beijing
-
Beijing, Beijing, Kina, 100191
- Rekruttering
- Peking University Third Hospital
-
Ta kontakt med:
- Xiao Li, M.D.
- Telefonnummer: +8613051709411
- E-post: lixiao.sy@bjmu.edu.cn
-
-
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
18 år til 60 år (VOKSEN)
Tar imot friske frivillige
Nei
Kjønn som er kvalifisert for studier
Alle
Prøvetakingsmetode
Sannsynlighetsprøve
Studiepopulasjon
støveksponerte arbeidere i 16 provinser i Kina
Beskrivelse
Inklusjonskriterier:
- arbeidere utsatt for støv;
- ha digital røntgen av brystet
Ekskluderingskriterier:
- basal lungesykdom;
- dimission fra støveksponert arbeid
Studieplan
Denne delen gir detaljer om studieplanen, inkludert hvordan studien er utformet og hva studien måler.
Hvordan er studiet utformet?
Designdetaljer
Kohorter og intervensjoner
Gruppe / Kohort |
---|
lavrisikogruppe
Risikoindeks∈[0,0.5)
|
høyrisikogruppe
Risikoindeks∈[0,5,1)
|
Hva måler studien?
Primære resultatmål
Resultatmål |
Tiltaksbeskrivelse |
Tidsramme |
---|---|---|
deltakere diagnostisert som "pneumokoniose"
Tidsramme: før 31. desember 2022
|
Antall deltakere diagnostisert som "pneumokoniose"
|
før 31. desember 2022
|
død
Tidsramme: før 31. desember 2022
|
Antall deltakere som dør
|
før 31. desember 2022
|
Sekundære resultatmål
Resultatmål |
Tiltaksbeskrivelse |
Tidsramme |
---|---|---|
Forsert ekspirasjonsvolum om 1s(FEV1) i %
Tidsramme: før 31. desember 2022
|
Forsert ekspirasjonsvolum på 1 s
|
før 31. desember 2022
|
arterielt partialtrykk av oksygen, PaO2
Tidsramme: før 31. desember 2022
|
arterielt partialtrykk av oksygen
|
før 31. desember 2022
|
modifisert medisinsk forskningsråd, mMRC
Tidsramme: før 31. desember 2022
|
et spørreskjema som brukes til å vurdere symptom
|
før 31. desember 2022
|
Samarbeidspartnere og etterforskere
Det er her du vil finne personer og organisasjoner som er involvert i denne studien.
Sponsor
Etterforskere
- Hovedetterforsker: Xiao Li, M.D., Peking University Third 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. august 2018
Primær fullføring (FORVENTES)
1. desember 2021
Studiet fullført (FORVENTES)
1. desember 2025
Datoer for studieregistrering
Først innsendt
23. juni 2021
Først innsendt som oppfylte QC-kriteriene
2. juli 2021
Først lagt ut (FAKTISKE)
7. juli 2021
Oppdateringer av studieposter
Sist oppdatering lagt ut (FAKTISKE)
7. juli 2021
Siste oppdatering sendt inn som oppfylte QC-kriteriene
2. juli 2021
Sist bekreftet
1. juni 2021
Mer informasjon
Begreper knyttet til denne studien
Ytterligere relevante MeSH-vilkår
Andre studie-ID-numre
- PekingUTH-002
Plan for individuelle deltakerdata (IPD)
Planlegger du å dele individuelle deltakerdata (IPD)?
UBESLUTTE
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. .