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

Evaluering av bruken av maskinlæringsteknikker for å klassifisere nevrodegenerative PARKinsonske syndromer (kunstig intelligens) (PARKIA)

28. november 2023 oppdatert av: Antoine VERGER, Central Hospital, Nancy, France

Diagnosen Parkinsons sykdom (PD) er hovedsakelig avhengig av klinisk observasjon av pasienten, på jakt etter de tre karakteristiske symptomene og er noen ganger fortsatt en reell utfordring. Machine Learning (ML) algoritmer kan bidra til å diagnostisere PD tidlig og skille idiopatisk PD fra atypiske Parkinsons syndromer.

I denne sammenheng ga arbeidet til Castillo-Barnes' team et sett med bildefunksjoner basert på morfologiske karakteristikker ekstrahert fra DaTSCAN® eller Ioflupane (jod-123-merket radiofarmasøytisk) enkeltfoton emisjon computertomografi (SPECT) skanninger for å skjelne friske deltakere fra deltakere med Parkinsons sykdom i et balansert sett med SPECTer fra databasen "Parkinson's Progression Markers Initiative" (PPMI).

Teamet til Shabii et al evaluerte klassifiseringsytelsen til Parkinsons pasienter og normale kontroller når semi-kvantitative indikatorer og formegenskaper oppnådd på dopamintransportøren (DAT) av Ioflupane (123I-IP) enkeltfoton emisjon computertomografi (SPECT) er kombinert som en maskinlæringsfunksjon (ML).

AI-baserte metoder kan forbedre diagnostiske vurderinger. Flere dopaminerge avbildningsstudier ved bruk av AI har rapportert nøyaktighet på opptil 90 % for diagnostisering av PD.

Disse automatiserte tilnærmingene bruker maskinlæringsmetoder, basert på teksturanalyser, for å (i) skille mellom PD og friske personer, (ii) skille mellom PD og vaskulær parkinsonisme, og (iii) skille mellom ulike former for atypisk parkinsonisme.

En studie utført i 2 sentre ved bruk av en lineær støttevektormaskin (SVM)-modell diskriminerte pasienter med PD og friske personer med en nøyaktighet på 82,5%. Denne ytelsen ligner på visuell vurdering av kjerneleger. En lineær SVM-modell basert på voxel-verdier av statistiske parametriske bilder var i stand til å skille PD fra vaskulær parkinsonisme med en nøyaktighet på 90,4 %. Nancy-teamet har lang erfaring med påvisning av PD i SPECT- og SPECT/CT-skanninger med Ioflupane eller DaTSCAN™

Studieoversikt

Status

Suspendert

Studietype

Observasjonsmessig

Registrering (Antatt)

1664

Kontakter og plasseringer

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

Studiesteder

      • Vandoeuvre les Nancy cedex, Frankrike, 54511
        • Nuclear medicine Department CHRU de NANCY

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 85 år (Voksen, Eldre voksen)

Tar imot friske frivillige

N/A

Prøvetakingsmetode

Sannsynlighetsprøve

Studiepopulasjon

Alle pasienter som utførte en DaTSCAN SPECT-skanning i nukleærmedisinsk avdeling i Nancy CHRU mellom 21.11.2011 og 01.09.2017.

Beskrivelse

Inklusjonskriterier:

  • Pasienter som utførte en DaTSCAN SPECT-skanning i nukleærmedisinsk avdeling i Nancy CHRU mellom 21.11.2011 og 01.09.2017.
  • Anmeldelser som fant sted mellom 21.11.2011 og 1.9.2017 ble repatriert fra PACS til behandlingskonsollene.

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
Alle pasientene gjennomgikk DaTSCAN SPECT-skanninger

Hva måler studien?

Primære resultatmål

Resultatmål
Tiltaksbeskrivelse
Tidsramme
Nøyaktighet av algoritmen
Tidsramme: 2 måneder
Nøyaktigheten av algoritmen implementert for de nye dataene når det gjelder å forutsi typen atypisk parkinsonsyndrom.
2 måneder

Sekundære resultatmål

Resultatmål
Tiltaksbeskrivelse
Tidsramme
Sammenligning av to nettverk
Tidsramme: 2 måneder
Sammenligning av ytelsen til det semi-overvåkede nettverket med det overvåkede nettverket, for å anerkjenne viktigheten av umerkede data i læring
2 måneder
Analyser robustheten til nettverket
Tidsramme: 2 måneder
Analyser robustheten til nettverket til forskjellige data (data fra forskjellige gammakameramodeller)
2 måneder

Samarbeidspartnere og etterforskere

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

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)

20. desember 2021

Primær fullføring (Faktiske)

1. mai 2023

Studiet fullført (Antatt)

1. september 2024

Datoer for studieregistrering

Først innsendt

30. september 2021

Først innsendt som oppfylte QC-kriteriene

13. oktober 2021

Først lagt ut (Faktiske)

15. oktober 2021

Oppdateringer av studieposter

Sist oppdatering lagt ut (Faktiske)

1. desember 2023

Siste oppdatering sendt inn som oppfylte QC-kriteriene

28. november 2023

Sist bekreftet

1. november 2023

Mer informasjon

Begreper knyttet til denne studien

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. .

Kliniske studier på DaTSCAN SPECT skanner

Abonnere