- ICH GCP
- US Clinical Trials Registry
- Klinisk utprøving NCT05348031
Multimodal analyse av strukturelle stemmeforstyrrelser basert på tale og stroboskopisk laryngoskopvideo
22. april 2022 oppdatert av: Sun Yat-Sen Memorial Hospital of Sun Yat-Sen University
Denne studien har til hensikt å samle inn kliniske data som strobary laryngoskopbilder og vokallyddata fra pasienter med strukturelle stemmeforstyrrelser og friske individer, og å etablere en multimodal stemmelidelsesdiagnosesystemmodell ved å bruke dyplæringsalgoritmer.
Multiklassifisering av sykdommer som forårsaker stemmeforstyrrelser kan brukes på pasienter med stemmeforstyrrelser, men udiagnostisert i klinisk praksis, og hjelper derved klinikere med å diagnostisere sykdommer og redusere feildiagnostisering og tapt diagnose.
I tillegg kan enkelte pasienter med stemmelidelser fjernstyres gjennom lyddiagnosemodellen, og bedre oppfølging og behandlingsforslag kan gis til dem.
Fjernstemmeterapi kan lindre dagens situasjon med mangel på logopeder i avsidesliggende områder av landet vårt, og øke antallet pasienter som trenger stemmeterapi.
mulighet.
Ekstern stemmeterapi er mer kostnadseffektiv, mer fleksibel i tid og mer kostnadseffektiv.
Studieoversikt
Status
Har ikke rekruttert ennå
Forhold
Detaljert beskrivelse
- Deteksjon og klassifisering av akustiske lesjoner basert på tale dyplæring
- Deteksjon og klassifisering av akustiske lesjoner basert på dyp læring av bilder
- Deteksjon og klassifisering av akustiske lesjoner basert på dyp læring basert på multimodalitet
Studietype
Observasjonsmessig
Registrering (Forventet)
1
Kontakter og plasseringer
Denne delen inneholder kontaktinformasjon for de som utfører studien, og informasjon om hvor denne studien blir utført.
Studiekontakt
- Navn: YueXin Cai
- Telefonnummer: 13825063663
- E-post: caiyx25@mail.sysu.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
20 år til 80 år (VOKSEN, OLDER_ADULT)
Tar imot friske frivillige
Ja
Kjønn som er kvalifisert for studier
Alle
Prøvetakingsmetode
Ikke-sannsynlighetsprøve
Studiepopulasjon
I denne studien ble 490 pasienter med stemmeforstyrrelser (inkludert strupekreft, strupekreft og benigne strupehodelesjoner) og 50 friske personer samlet fra stroboskopiske laryngoskopivideoer og vokallydopptak.
Kjønn, sykdomsforløp, VHI og andre kliniske data.
Beskrivelse
Inklusjonskriterier:
Strupekreft, strupehode forstadier til kreft, godartede strupehoder med stemmeforstyrrelser, friske mennesker uten halssykdommer
Ekskluderingskriterier:
- En historie med larynxkirurgi
- Pasienter med stemmeforstyrrelser forårsaket av ulike årsaker bortsett fra strupekreft, strupehode-forstadier til kreft og benigne strupehodelesjoner
- Lydkvaliteten er ikke tydelig, det stroboskopiske laryngoskopet viser ikke tydelig det anatomiske området relatert til glottis, og det er undereksponert og blokkert;
Studieplan
Denne delen gir detaljer om studieplanen, inkludert hvordan studien er utformet og hva studien måler.
Hvordan er studiet utformet?
Designdetaljer
Hva måler studien?
Primære resultatmål
Resultatmål |
Tiltaksbeskrivelse |
Tidsramme |
---|---|---|
Machine deep learning klassifiserer stemmeforstyrrelser
Tidsramme: 6. mai 2022 – 30. desember 2023
|
Nøyaktighet
|
6. mai 2022 – 30. desember 2023
|
Machine deep learning klassifiserer stemmeforstyrrelser med multimodalitet
Tidsramme: 1. januar 2024 – 30. desember 2024
|
presisjon
|
1. januar 2024 – 30. desember 2024
|
Maskindyp læring klassifiserer patologisk stemmeendring i strupehodekreft
Tidsramme: 1. januar 2024 – 30. desember 2025
|
presisjon
|
1. januar 2024 – 30. desember 2025
|
Sekundære resultatmål
Resultatmål |
Tiltaksbeskrivelse |
Tidsramme |
---|---|---|
Machine deep learning klassifiserer stemmeforstyrrelser med multimodalitet
Tidsramme: 1. januar 2024 – 30. desember 2025
|
minnes
|
1. januar 2024 – 30. desember 2025
|
Samarbeidspartnere og etterforskere
Det er her du vil finne personer og organisasjoner som er involvert i denne studien.
Samarbeidspartnere
Etterforskere
- Studiestol: YueXin Cai, Sun Yat-sen Memorial 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
- Martínez, David, Lleida Eduardo, Ortega Alfonso,Miguel Antonio, Villalba Jesús. Voice pathology detection on the Saarbrücken voice database with calibration and fusion of scores using multifocal toolkit. Advances in Speech and Language Technologies for Iberian Languages. Springer, Berlin, Heidelberg, 2012. 99-109
- Hegde S, Shetty S, Rai S, Dodderi T. A Survey on Machine Learning Approaches for Automatic Detection of Voice Disorders. J Voice. 2019 Nov;33(6):947.e11-947.e33. doi: 10.1016/j.jvoice.2018.07.014. Epub 2018 Oct 11.
- Al-Nasheri A, Muhammad G, Alsulaiman M, Ali Z. Investigation of Voice Pathology Detection and Classification on Different Frequency Regions Using Correlation Functions. J Voice. 2017 Jan;31(1):3-15. doi: 10.1016/j.jvoice.2016.01.014. Epub 2016 Mar 15.
- .Chuang, ZY,YuXT,Chen JY, Hsu YT,Xu ZZ,Wang CT,Lin FC,Fang SH. DNN-based approach to detect and classify pathological voice. In Proceedings of the 2018 IEEE International Conference on Big Data (Big Data), Seattle, WA, USA, 10-13 December 2018
- Fang SH, Tsao Y, Hsiao MJ, Chen JY, Lai YH, Lin FC, Wang CT. Detection of Pathological Voice Using Cepstrum Vectors: A Deep Learning Approach. J Voice. 2019 Sep;33(5):634-641. doi: 10.1016/j.jvoice.2018.02.003. Epub 2018 Mar 19.
- Bethani Gty As H , Suwandi, Anggraini C D . Classification System Vocal Cords Disease Using Digital Image Processing.The 2019 IEEE International Conference on industry 4.0,Artifical Intelligence,and Communications Technology.2019.129-132
- Unger J, Lohscheller J, Reiter M, Eder K, Betz CS, Schuster M. A noninvasive procedure for early-stage discrimination of malignant and precancerous vocal fold lesions based on laryngeal dynamics analysis. Cancer Res. 2015 Jan 1;75(1):31-9. doi: 10.1158/0008-5472.CAN-14-1458. Epub 2014 Nov 4.
- Xiong H, Lin P, Yu JG, Ye J, Xiao L, Tao Y, Jiang Z, Lin W, Liu M, Xu J, Hu W, Lu Y, Liu H, Li Y, Zheng Y, Yang H. Computer-aided diagnosis of laryngeal cancer via deep learning based on laryngoscopic images. EBioMedicine. 2019 Oct;48:92-99. doi: 10.1016/j.ebiom.2019.08.075. Epub 2019 Oct 5.
- Kim H, Jeon J, Han YJ, Joo Y, Lee J, Lee S, Im S. Convolutional Neural Network Classifies Pathological Voice Change in Laryngeal Cancer with High Accuracy. J Clin Med. 2020 Oct 25;9(11):3415. doi: 10.3390/jcm9113415.
- Godino-Llorente JI, Gomez-Vilda P. Automatic detection of voice impairments by means of short-term cepstral parameters and neural network based detectors. IEEE Trans Biomed Eng. 2004 Feb;51(2):380-4. doi: 10.1109/TBME.2003.820386.
- Ren J, Jing X, Wang J, Ren X, Xu Y, Yang Q, Ma L, Sun Y, Xu W, Yang N, Zou J, Zheng Y, Chen M, Gan W, Xiang T, An J, Liu R, Lv C, Lin K, Zheng X, Lou F, Rao Y, Yang H, Liu K, Liu G, Lu T, Zheng X, Zhao Y. Automatic Recognition of Laryngoscopic Images Using a Deep-Learning Technique. Laryngoscope. 2020 Nov;130(11):E686-E693. doi: 10.1002/lary.28539. Epub 2020 Feb 18.
- Bainbridge KE, Roy N, Losonczy KG, Hoffman HJ, Cohen SM. Voice disorders and associated risk markers among young adults in the United States. Laryngoscope. 2017 Sep;127(9):2093-2099. doi: 10.1002/lary.26465. Epub 2016 Dec 23.
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 (FORVENTES)
6. mai 2022
Primær fullføring (FORVENTES)
30. desember 2025
Studiet fullført (FORVENTES)
20. februar 2027
Datoer for studieregistrering
Først innsendt
19. april 2022
Først innsendt som oppfylte QC-kriteriene
22. april 2022
Først lagt ut (FAKTISKE)
27. april 2022
Oppdateringer av studieposter
Sist oppdatering lagt ut (FAKTISKE)
27. april 2022
Siste oppdatering sendt inn som oppfylte QC-kriteriene
22. april 2022
Sist bekreftet
1. mars 2022
Mer informasjon
Begreper knyttet til denne studien
Nøkkelord
Ytterligere relevante MeSH-vilkår
Andre studie-ID-numre
- SYSEC-KY-KS-2022-040
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. .