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

Intelligent deteksjon av karotisplakk og dens stabilitet basert på dyp læring dynamisk ultralydskanning

13. september 2023 oppdatert av: Jia Liu

Dyplæringsmodell basert på rutinemessig ultralydskanning video for å hjelpe leger med å forbedre diagnosen carotis plakk

Denne studien har til hensikt å bygge en modell gjennom dyp læring som automatisk og nøyaktig kan oppdage plakk, beregne lumenstenosehastigheten og evaluere stabiliteten til plakk basert på dynamiske ultralydbilder av carotis transversale akse og kontrastforsterkede ultralydbilder, for å kunne evaluere muligheten for plakk i halsen. kardiovaskulær risiko. Den vellykkede utviklingen av denne studien vil automatisk simulere og reprodusere hele prosessen med karotisplakkvurdering av kliniske sonografer. Løs problemet med ultralydinspeksjonsutstyr og erfaringsavhengighet. Det forventes å utføre storskala befolknings intelligent screening, og gi nye ideer for tidlig forebygging og behandling. Spesielt i medisinsk underutviklede avsidesliggende områder og mangelen på erfarne sonografer, har det stor praktisk verdi i klinisk helsevesen og kan gi større sosiale og økonomiske fordeler.

Studieoversikt

Detaljert beskrivelse

Bakgrunn:

Carotis plakk er skadelig for menneskers helse. I følge anslag fra Verdens helseorganisasjon forekommer 6,7 millioner cerebrovaskulære ulykker og hjerneslag hvert år, hovedsakelig relatert til dannelsen av aterosklerotisk plakk i halsen. På den ene siden kan plakk i halspulsåren forårsake stenose i halspulsåren eller til og med okklusjon, og forårsake cerebral iskemi. Tidlig påvisning og nøyaktig vurdering av karotisplakk er nyttig for klinikere å iverksette effektive intervensjonstiltak, som kan redusere uførhet og dødelighet av hjerneslag betydelig.

Carotis CTA og MRA kan gi plakkbilder med relativt høy oppløsning og høy kvalitet, men har kostnads- og skanningsbegrensninger som begrenser deres anvendelse i daglig klinisk praksis. Ultrasonografi har fordelene av ikke-invasivitet, bekvemmelighet, lav pris og god repeterbarhet. Det er den foretrukne avbildningsmetoden for plakkdeteksjon, stenose og plakkstabilitet. Kontrastforsterket ultrasonografi (CEUS) kan følsomt demonstrere intra-plak mikrosirkulasjonsperfusjon ved å injisere mikroboblekontrastmidler, og er i samsvar med histopatologiske funn, og har i økende grad blitt brukt klinisk for å evaluere plakkstabilitet.

På den ene siden er imidlertid begrensningen ved ultralydundersøkelse at den må stole på nivået på instrumenter og operatører for å forbedre nøyaktigheten. På den annen side, med veksten i befolkningsgrunnlaget og samfunnets aldring, har den tradisjonelle medisinske modellen ikke klart å møte den årlige økningen i antall pasienter. undersøkelsesbehov hos pasienter. Derfor er det av stor betydning å utvikle en integrert AI-applikasjonsplattform som automatisk og nøyaktig kan oppdage plakk basert på ultralydbildedata, og evaluere lumenstenose og plakkstabilitet.

Hensikt:

Denne studien har til hensikt å bygge en modell basert på dyp læring for automatisk og nøyaktig å oppdage plakk basert på det dynamiske ultralydbildet av carotis transversale akse, beregne lumenstenosehastigheten og utføre stabilitetsvurdering, for å evaluere de mulige kardiovaskulære effektene av carotisplakk. . Fare. Det vil realisere automatisk simulering og reproduksjon av hele prosessen med vurdering av cervical plakk av kliniske ultralydeksperter.

Studere design:

To tredjedeler av de registrerte pasientene og deres tilsvarende dynamiske skanningsbilder og ekspertdiagnoseresultater ble tilfeldig valgt som treningskohorten for dyp læring. De dynamiske skanningsbildene for halspulsåren og ekspertdiagnoseresultatene til de resterende 1/3 pasientene ble brukt som en valideringskohort for å evaluere den generelle diagnostiske nøyaktigheten til dyplæringsmodellen

Statistisk analyse:

Sensitiviteten, spesifisiteten, den positive prediktive verdien og den negative prediktive verdien av dyp læring for å oppdage plakk, estimere luminal stenoserate eller forutsi plakkstabilitet ble beregnet av arealet under mottakeroperasjonskarakteristikken (ROC) kurven (AUROC) for å evaluere. Statistisk analyse ble utført ved bruk av SPSS 22.0-programvare.

Kvalitetskontroll:

Utvikle standardiserte og standard carotis-ultralydundersøkelsesmetoder og operasjonsprosedyrer, og utvikle enhetlige bildeinnsamlings- og lagringsstandarder. Alle operatører er grundig opplært i carotis ultrasonografi. To operatører med mer enn 5 års erfaring innen ultralyddrift ble ansatt som kvalitetskontrollpersonell for å gjennomgå alle bilder og ekskludere ukvalifiserte bilder.

Ultralyd er trygt og strålingsfritt. Under undersøkelsen var legen og pasienten alltid i en kommunikasjonstilstand, og pasienten følte seg mindre nervøs og redd, med god toleranse og høy etterlevelse.

Studiens etikk:

Denne forskningen vil følge de etiske retningslinjene i Helsinki-erklæringen fra World Medical Congress og relevante normer og forskrifter for klinisk forskning. Studien vil starte etter godkjenning av etikkkomiteen. Før studien starter, bør utrederen informere forsøkspersonene om alt relevant innhold i den kliniske studien på et lettfattelig språk, og informere pasientene om at de har rett til å trekke seg fra studien når som helst. Studien ble startet først etter at pasientene frivillig signerte det informerte samtykket.

Studietype

Observasjonsmessig

Registrering (Faktiske)

2000

Kontakter og plasseringer

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

Studiesteder

    • Guangdong
      • Guangzhou, Guangdong, Kina
        • The third affiliated hospital of Sun Yat-Sen University

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 og eldre (Voksen, Eldre voksen)

Tar imot friske frivillige

Nei

Prøvetakingsmetode

Sannsynlighetsprøve

Studiepopulasjon

Alder≥18 år gammel, kjønn er ikke begrenset, med varierende grad av carotis aterosklerose.

Beskrivelse

Inklusjonskriterier:

  • (1) Alder ≥18 år, kjønn er ikke begrenset. (2) Pasienter som frivillig deltok i denne studien signerte det informerte samtykket.

Ekskluderingskriterier:

  • (1) Alvorlig cerebrovaskulær sykdom, lite samarbeidsvillige pasienter og de som ikke tåler undersøkelse. (2) Sårbandasjer etter nakkeoperasjon påvirker carotisarterie-ultralyd. (3) Halsen er kort og tykk, og sonden kan ikke settes ned vertikalt.

Studieplan

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

Hvordan er studiet utformet?

Designdetaljer

  • Observasjonsmodeller: Kohort
  • Tidsperspektiver: Potensielle

Kohorter og intervensjoner

Gruppe / Kohort
Intervensjon / Behandling
Dyplæringsopplæringskohort
2/3 av de påmeldte pasientene og deres tilsvarende dynamiske skanningsbilder av halspulsåren og ekspertdiagnoseresultater ble tilfeldig valgt som treningskohort for dyp læring.
trene dyplæringsmodellen
Kohort for validering av dyp læring
De dynamiske skanningsbildene for halspulsårene og ekspertdiagnoseresultatene til de resterende 1/3 pasientene ble brukt som en valideringskohort for å evaluere den generelle diagnostiske nøyaktigheten til dyplæringsmodellen.
vurdere modellen

Hva måler studien?

Primære resultatmål

Resultatmål
Tiltaksbeskrivelse
Tidsramme
AI hjelper juniorradiologer med å lese bilder, og primærleger leser bilder uavhengig
Tidsramme: gjennom studiegjennomføring, gjennomsnittlig 2 år
Ved å ta leseresultatene til senior sonografer som gullstandarden, ble sensitiviteten, spesifisiteten, nøyaktigheten, positiv prediktiv verdi og negativ prediktiv verdi av AI-assistert lesing og uavhengig lesing av yngre leger for carotis plakk-assistert diagnose testet. AUC blir evaluert.
gjennom studiegjennomføring, gjennomsnittlig 2 år
Vurdere ytelsen til AI-modellen
Tidsramme: gjennom studiegjennomføring, gjennomsnittlig 2 år
Tar leseresultatene til senior sonografer som gullstandarden, sensitiviteten, spesifisiteten, nøyaktigheten, positiv prediktiv verdi og negativ prediktiv verdi av AI-uavhengig lesing. Det ble evaluert av området under mottakerdriftskarakteristikken (ROC) kurven (AUC).
gjennom studiegjennomføring, gjennomsnittlig 2 år
AI estimerer lumenstenosefrekvensen
Tidsramme: gjennom studiegjennomføring, gjennomsnittlig 2 år
Ved å ta leseresultatene til senior sonografer som gullstandarden, kan AI estimere sensitiviteten, spesifisiteten, nøyaktigheten, positiv prediktiv verdi og negativ prediktiv verdi for lumenstenosefrekvens. Det ble evaluert av området under mottakerdriftskarakteristikken (ROC) kurven (AUC).
gjennom studiegjennomføring, gjennomsnittlig 2 år
AI forutsier plakkstabilitet.
Tidsramme: gjennom studiegjennomføring, gjennomsnittlig 2 år
Ved å ta leseresultatene til senior sonografer som gullstandarden, forutsier AI sensitiviteten, spesifisiteten, nøyaktigheten, positiv prediktiv verdi og negativ prediktiv verdi av plakkstabilitet. Det ble evaluert av området under mottakerdriftskarakteristikken (ROC) kurven (AUC).
gjennom studiegjennomføring, gjennomsnittlig 2 år
Plakkdeteksjon ved hjelp av AI-modell på videoer innhentet av forskjellige typer utstyr.
Tidsramme: gjennom studiegjennomføring, gjennomsnittlig 2 år
Ved å ta leseresultatene til senior sonografer som gullstandarden, oppdager AI plakksensitivitet, spesifisitet, nøyaktighet, positiv prediktiv verdi og negativ prediktiv verdi på forskjellig ultralydutstyr. Vurdert av området under mottakerens driftskarakteristikk (ROC) kurve (AUC).
gjennom studiegjennomføring, gjennomsnittlig 2 år

Samarbeidspartnere og etterforskere

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

Sponsor

Etterforskere

  • Hovedetterforsker: Jia Liu, Third Affiliated Hospital, Sun Yat-Sen University

Publikasjoner og nyttige lenker

Den som er ansvarlig for å legge inn informasjon om studien leverer frivillig disse publikasjonene. Disse kan handle om alt relatert til studiet.

Generelle publikasjoner

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. mai 2020

Primær fullføring (Faktiske)

1. juni 2023

Studiet fullført (Faktiske)

1. juni 2023

Datoer for studieregistrering

Først innsendt

27. januar 2022

Først innsendt som oppfylte QC-kriteriene

8. februar 2022

Først lagt ut (Faktiske)

9. februar 2022

Oppdateringer av studieposter

Sist oppdatering lagt ut (Faktiske)

14. september 2023

Siste oppdatering sendt inn som oppfylte QC-kriteriene

13. september 2023

Sist bekreftet

1. september 2023

Mer informasjon

Begreper knyttet til denne studien

Plan for individuelle deltakerdata (IPD)

Planlegger du å dele individuelle deltakerdata (IPD)?

NEI

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