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

Digital 3D-rekonstruksjon forutsier tynntarmlengde (DTDRPSBL-BS)

Digital tredimensjonal rekonstruksjon for å forutsi tynntarmlengde i fedmekirurgi

Prevalensen av type 2 diabetes mellitus (T2DM) har økt årlig over hele verden, og prevalensen av diabetes har nådd 11,6 % i Kina. Laparoskopisk Roux-en-Y gastrisk bypass (RYGB) er fortsatt allment akseptert som en gyldig kirurgi i behandling av fedme og T2DM. Men likevel er det ingen konsensus om idealet om gastrisk bypass-lemlengder. Rapporterte lengder av biliopankreatisk lem (BPL) og fordøyelseslem (AL) varierte mye fra 10-250 til 35-250 cm, og anatomiske data viser at lengden på tynntarmen varierer mye blant voksne. Å velge samme tynntarmsbypasslengde for ulike individer kan åpenbart ikke oppnå forventet vekttapeffekt, og individer med for kort tynntarm kan forårsake alvorlige underernæringskomplikasjoner og til og med livstruende tilstander. Derfor er måling av tynntarmslengde en av forutsetningene for å utføre presis RYGB. Intraoperativ måling av tynntarmslengde kan øke operasjonstiden og risikoen for kirurgiske komplikasjoner som tarmperforering. Så å forutsi den totale lengden av tynntarmen er svært viktig for nøyaktig å utføre fedmekirurgi og unngå risikoen for kirurgiske komplikasjoner. I denne studien foreslår vi å utføre 3D-segmentering og rekonstruksjon av tynntarmen ved å innhente abdominal CT-data gjennom digital teknologi, og forutsi tynntarmens lengde ved 3D digital måling av tynntarmen, og verifisere de digitale måledataene ved å utføre digital måling data. Etabler en prediksjonsmodell for tynntarmlengde for fedmekirurgi for å utvikle en mer nøyaktig og personlig plan for gastrisk bypass-kirurgi for pasienter for å oppnå vekttap og glukosekontroll.

Studieoversikt

Status

Rekruttering

Studietype

Observasjonsmessig

Registrering (Forventet)

100

Kontakter og plasseringer

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

Studiekontakt

Studiesteder

      • Chongqing, Kina, 400042
        • Rekruttering
        • Daping Hospital
        • Ta kontakt med:

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

16 år til 65 år (Barn, Voksen, Eldre voksen)

Tar imot friske frivillige

Ja

Kjønn som er kvalifisert for studier

Alle

Prøvetakingsmetode

Ikke-sannsynlighetsprøve

Studiepopulasjon

Pasienter som gjennomgikk fedmeoperasjoner på sykehuset vårt

Beskrivelse

Inklusjonskriterier:

  • Pasienter som var kvalifisert for kirurgisk behandling av T2DM ble valgt ut basert på de kinesiske retningslinjene for kirurgisk behandling av fedme og type 2-diabetes (2019)

Ekskluderingskriterier:

  • Adhesjoner, peritonitt og pasienter som har hatt tarmreseksjon (tynntarm, tykktarm eller endetarm) som hindrer måling av hele tarmens lengde
  • Pasienter som ikke går ned i vekt, hvis snitt er mindre enn 6 cm, er ikke egnet til å måle lengden på tynntarmen.

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
Intervensjon / Behandling
Åpen/laparoskopisk kirurgi
Tynntarmslengdemåling ved laparoskopi eller laparotomi
3D rekonstruksjon
Tynntarmslengdemåling med 3D digital modell
Nøyaktighet av digital 3D-rekonstruksjon for å forutsi tynntarmlengde

Hva måler studien?

Primære resultatmål

Resultatmål
Tiltaksbeskrivelse
Tidsramme
Validering av nøyaktigheten til den forutsagte lengden av tynntarmen
Tidsramme: 2 år
Nøyaktigheten av 3D-rekonstruksjonsmetoden ble bedømt ved å sammenligne lengden av tynntarmen målt ved åpen/laparoskopisk kirurgi med lengden av tynntarmen beregnet ved preoperativ CT 3D-rekonstruksjon.
2 år

Sekundære resultatmål

Resultatmål
Tiltaksbeskrivelse
Tidsramme
Bygg prediksjonsformler gjennom maskindyp læring
Tidsramme: 2 år
Gjennom robotisk dyplæring segmenteres tynntarmen automatisk, og tynntarmen rekonstrueres i tre dimensjoner for å beregne lengden på tynntarmen.
2 år

Samarbeidspartnere og etterforskere

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

Etterforskere

  • Studieleder: fan Li, PhD, Army medical universtiy daping 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)

2. oktober 2019

Primær fullføring (Forventet)

2. oktober 2023

Studiet fullført (Forventet)

2. oktober 2023

Datoer for studieregistrering

Først innsendt

14. april 2022

Først innsendt som oppfylte QC-kriteriene

14. april 2022

Først lagt ut (Faktiske)

21. april 2022

Oppdateringer av studieposter

Sist oppdatering lagt ut (Faktiske)

20. juli 2022

Siste oppdatering sendt inn som oppfylte QC-kriteriene

17. juli 2022

Sist bekreftet

1. juli 2022

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. .

3
Abonnere