- ICH GCP
- US Clinical Trials Registry
- Klinisk utprøving NCT05633732
Utvikling av ekkokardiografi bildekvalitetsstyringssystem basert på dyp læring
21. februar 2023 oppdatert av: The Affiliated Nanjing Drum Tower Hospital of Nanjing University Medical School
Ekkokardiografi bildekvalitetsstyringssystem basert på dyp læring: en prospektiv studie med enkeltsenter
Å utvikle et ekkokardiografi bildekvalitetsstyringssystem basert på dyp læring for å oppnå objektiv og nøyaktig automatisk ekkokardiografi bildekvalitetskontroll.
Totalt 2000 pasienter som utførte transthorakal ekkokardiografi ble prospektivt registrert i avdelingen for ultralydmedisin ved det tilknyttede Drum Tower Hospital med Medical School ved Nanjing University.
Dataene for 8 TTE-visningssegmenteringer ble samlet inn, inkludert visningene av den parasternale langaksen til venstre ventrikkel (PLAX_LV), parasternal kort akse for det store karnivået (PSAX_GV), parasternal kortakse av mitralklaffennivået (PSAX_MV), parasternal kort akse av papillær muskelnivå (PSAX_PM), parasternal kort akse av apikale nivå (PSAX_AP), apikale fire hulrom (A4C), apikale tre hulrom (A3C), apikale to hulrom (A2C).
Dataene til 1500 pasienter ble brukt som treningssett, og resten ble brukt som valideringssett.
Disse videodataene ble klassifisert i tilsvarende visningssegmenteringer og analysert av Video Swin Transformed Model.
Deretter ble skåringsmodulen for forskjellige visningssegmenteringer kombinert nøkkelframeekstraksjon, bildesegmentering, videomålgjenkjenning og videoklassifiseringsmodell etablert.
Samtidig ble skårene oppnådd av det automatiske ekkokardiografibildevurderingssystemet sammenlignet med den kunstige skåren.
Ved å hele tiden korrigere og lære og til slutt bygge et primært automatisert karaktersystem.
Til slutt ble det automatiske ekkokardiografibildevurderingssystemet konstruert og utført på de resterende 500 pasientene.
Studieoversikt
Status
Rekruttering
Forhold
Detaljert beskrivelse
Å utvikle et ekkokardiografi bildekvalitetsstyringssystem basert på dyp læring for å oppnå objektiv og nøyaktig automatisk ekkokardiografi bildekvalitetskontroll.
Totalt 2000 pasienter som utførte transthorakal ekkokardiografi ble prospektivt registrert i avdelingen for ultralydmedisin ved det tilknyttede Drum Tower Hospital med Medical School ved Nanjing University.
Inklusjonskriteriene: Pasienter med standardisert TTE-visningssegmentering; Eksklusjonskriteriene: Pasienter med ufullstendige standardsegmenteringer.
Dataene for 8 TTE-visningssegmenteringer ble samlet inn, inkludert visningene av den parasternale langaksen til venstre ventrikkel (PLAX_LV), parasternal kort akse for det store karnivået (PSAX_GV), parasternal kortakse av mitralklaffennivået (PSAX_MV), parasternal kort akse av papillær muskelnivå (PSAX_PM), parasternal kort akse av apikale nivå (PSAX_AP), apikale fire hulrom (A4C), apikale tre hulrom (A3C), apikale to hulrom (A2C).
Dataene til 1500 pasienter ble brukt som treningssett, og resten ble brukt som valideringssett.
Disse videodataene ble klassifisert i tilsvarende visningssegmenteringer og analysert av Video Swin Transformed Model.
Deretter ble skåringsmodulen for forskjellige visningssegmenteringer kombinert nøkkelframeekstraksjon, bildesegmentering, videomålgjenkjenning og videoklassifiseringsmodell etablert.
Samtidig ble skårene oppnådd av det automatiske ekkokardiografibildevurderingssystemet sammenlignet med den kunstige skåren.
Ved å hele tiden korrigere og lære og til slutt bygge et primært automatisert karaktersystem.
Til slutt ble ekkokardiografiens bildekvalitetsstyringssystem utført på de resterende 500 pasientene og forbedret.
Studietype
Observasjonsmessig
Registrering (Forventet)
2000
Kontakter og plasseringer
Denne delen inneholder kontaktinformasjon for de som utfører studien, og informasjon om hvor denne studien blir utført.
Studiekontakt
- Navn: Jing Yao, Phd
- Telefonnummer: +8618905188727
- E-post: w1835199709@163.com
Studiesteder
-
-
Jiangsu
-
Nanjing, Jiangsu, Kina, 210008
- Rekruttering
- Affiliated Drum Tower Hospital of Nanjing University Medical School
-
Ta kontakt med:
- Jing Yao, Phd
- Telefonnummer: +18905188727
- E-post: w18351992709@163.com
-
-
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
Ja
Kjønn som er kvalifisert for studier
Alle
Prøvetakingsmetode
Ikke-sannsynlighetsprøve
Studiepopulasjon
pasienter med standardiserte TTE-syn
Beskrivelse
Inklusjonskriterier:
- alder ≥18 år, ubegrenset med kjønn;
- Pasienter med standardiserte TTE-visninger;
- Forsøkspersonene deltok frivillig i studien og signerte informert samtykke;
Ekskluderingskriterier:
- pasienter med ufullstendige standard TTE-visninger;
- pasienter med dårlige lydoverføringsforhold.
Studieplan
Denne delen gir detaljer om studieplanen, inkludert hvordan studien er utformet og hva studien måler.
Hvordan er studiet utformet?
Designdetaljer
- Observasjonsmodeller: Annen
- Tidsperspektiver: Potensielle
Kohorter og intervensjoner
Gruppe / Kohort |
---|
Standardisert visningsgruppe
Ekkokardiografibildene av pasienter i denne gruppen er standardiserte.
|
Hva måler studien?
Primære resultatmål
Resultatmål |
Tiltaksbeskrivelse |
Tidsramme |
---|---|---|
poengsummen til PSAX view
Tidsramme: 12 måneder
|
poengsummen til PSAX-visning av ekkokardiografiens bildekvalitetsstyringssystem
|
12 måneder
|
poengsummen til apikale syn
Tidsramme: 12 måneder
|
poengsummen til apikale visning av ekkokardiografiens bildekvalitetsstyringssystem
|
12 måneder
|
Samarbeidspartnere og etterforskere
Det er her du vil finne personer og organisasjoner som er involvert i denne studien.
Samarbeidspartnere
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
- Thiebaut R, Thiessard F; Section Editors for the IMIA Yearbook Section on Public Health and Epidemiology Informatics. Artificial Intelligence in Public Health and Epidemiology. Yearb Med Inform. 2018 Aug;27(1):207-210. doi: 10.1055/s-0038-1667082. Epub 2018 Aug 29.
- Sengupta PP, Shrestha S. Machine Learning for Data-Driven Discovery: The Rise and Relevance. JACC Cardiovasc Imaging. 2019 Apr;12(4):690-692. doi: 10.1016/j.jcmg.2018.06.030. Epub 2018 Dec 12. No abstract available.
- Ueda D, Shimazaki A, Miki Y. Technical and clinical overview of deep learning in radiology. Jpn J Radiol. 2019 Jan;37(1):15-33. doi: 10.1007/s11604-018-0795-3. Epub 2018 Dec 1.
- Madani A, Arnaout R, Mofrad M, Arnaout R. Fast and accurate view classification of echocardiograms using deep learning. NPJ Digit Med. 2018;1:6. doi: 10.1038/s41746-017-0013-1. Epub 2018 Mar 21.
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)
30. desember 2022
Primær fullføring (Forventet)
31. desember 2024
Studiet fullført (Forventet)
31. desember 2025
Datoer for studieregistrering
Først innsendt
21. november 2022
Først innsendt som oppfylte QC-kriteriene
21. november 2022
Først lagt ut (Faktiske)
1. desember 2022
Oppdateringer av studieposter
Sist oppdatering lagt ut (Anslag)
23. februar 2023
Siste oppdatering sendt inn som oppfylte QC-kriteriene
21. februar 2023
Sist bekreftet
1. september 2022
Mer informasjon
Begreper knyttet til denne studien
Andre studie-ID-numre
- 2022-337-01
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. .