- ICH GCP
- US Clinical Trials Registry
- Klinisk utprøving NCT05699850
KUNSTIG INTELLIGENS I REPRODUKSIV MEDISIN (AI in ART)
BRUKSOMRÅDER FOR KUNSTIG INTELLIGENS I REPRODUKSIV MEDISIN
Studieoversikt
Status
Intervensjon / Behandling
Detaljert beskrivelse
KUNSTIG INTELLIGENS (AI) APPLIKASJONER I REPRODUKSIV MEDISIN
Kamaleldin Abdullah Rageh, M.D. (1).
Mohammad Atef Behery, M.D. (2)
Elsayed Ali Farag, M.D. (1)
1 - Institutt for obstetrikk og gynekologi, Det medisinske fakultet, Al-Azhar-universitetet, Kairo, Egypt.
2-International Islamic Center for Population Studies and Research, Al-Azhar University, Kairo, Egypt.
Abstrakt:
Til tross for forbedret nesten alle aspekter av IVF: eggstokkstimulering, embryokultur og overføring, er graviditetsratene fortsatt ikke tilfredsstillende. Studier bekrefter at opptil 50 % av de utførte IVF-syklusene mislykkes, og det kan ikke være noen direkte forklaring på dette.
Og det er verdt å nevne at nøyaktig prediksjon av utfallet av en IVF-syklus ennå ikke er oppnådd. En grunn til dette er metoden for å velge et embryo for overføring. Morfologisk vurdering av embryoer er den tradisjonelle metoden for å evaluere embryokvalitet og velge hvilket embryo som skal overføres. Imidlertid fører denne subjektive metoden for å vurdere embryoer til inter- og intra-observatørvariabilitet, noe som resulterer i mindre enn optimale IVF-suksessrater. Selv om time-lapse inkubatorer og preimplantasjons genetisk testing for aneuploidi har blitt introdusert for å øke sjansene for levende fødsel, forblir resultatene mindre enn ideelle.
For tiden utøver infertilitetsbehandlinger mye økonomisk og emosjonelt stress, spesielt hos pasienter med tidligere mislykkede IVF-behandlinger, hvor det ikke er noen klar årsak å identifisere er et vanlig, hjerteskjærende endepunkt når den emosjonelle, økonomiske og fysiske belastningen av behandlingen eskalerer til fortsett å finne svar, men AI-systemer kan bidra til å løse dilemmaet ved å velge de beste levedyktige embryoene som mennesker ikke kan gjøre. AI-teknologier har et utmerket potensial til å hjelpe infertilitetsfeltet til å sveve over sitt nåværende smale fokus på individuelle embryoer og oppdage nye mønstre skjult i pasientdataene for å overvinne de rådende infertilitetstilfellene.
Utvelgelsen av embryoer er den mest kritiske faktoren for å lykkes med IVF. Det er imidlertid ikke noe enkelt definitivt kriterium som kan forutsi suksessen til et embryo. Snarere er embryoseleksjon basert på en rekke faktorer, noe som gjør det vanskelig å forutsi sannsynligheten for en vellykket graviditet for hver pasient og å fullt ut forstå årsaken til hver svikt. Så, bruk av kunstig intelligens (AI) kan støtte klinikerne i å fylle dette kunnskapsgapet, og dermed bli utnyttet i embryologilaboratoriet for å forbedre IVF-resultatene.
Studietype
Registrering (Forventet)
Kontakter og plasseringer
Studiesteder
-
-
-
Cairo, Egypt, 12358
- Rekruttering
- Al-Azhar University
-
Ta kontakt med:
- Dr. Mohammed Atef, M.D.
- Telefonnummer: 00201006206040
- E-post: kimovip2000@yahoo.com
-
Cairo, Egypt, 15006
- Rekruttering
- Kamal Eldin Abdalla Rageh
-
Ta kontakt med:
- Kamal Eldin A Rageh
- Telefonnummer: 0097333153871
- E-post: dr_kamal_rageh@yahoo.com
-
-
Deltakelseskriterier
Kvalifikasjonskriterier
Alder som er kvalifisert for studier
- Barn
- Voksen
- Eldre voksen
Tar imot friske frivillige
Kjønn som er kvalifisert for studier
Prøvetakingsmetode
Studiepopulasjon
Beskrivelse
Inklusjonskriterier:
- fertilitetsrelatert
Ekskluderingskriterier:
- fruktbare mennesker
Studieplan
Hvordan er studiet utformet?
Designdetaljer
- Observasjonsmodeller: Annen
- Tidsperspektiver: Annen
Hva måler studien?
Primære resultatmål
Resultatmål |
Tiltaksbeskrivelse |
Tidsramme |
|---|---|---|
|
SUKSESS RATE
Tidsramme: 4 MÅNEDER
|
KUNSTIG INTELLIGENS (AI) APPLIKASJONER I REPRODUKSIV MEDISIN
|
4 MÅNEDER
|
Samarbeidspartnere og etterforskere
Sponsor
Samarbeidspartnere
Studierekorddatoer
Studer hoveddatoer
Studiestart (Faktiske)
Primær fullføring (Forventet)
Studiet fullført (Forventet)
Datoer for studieregistrering
Først innsendt
Først innsendt som oppfylte QC-kriteriene
Først lagt ut (Anslag)
Oppdateringer av studieposter
Sist oppdatering lagt ut (Anslag)
Siste oppdatering sendt inn som oppfylte QC-kriteriene
Sist bekreftet
Mer informasjon
Begreper knyttet til denne studien
Nøkkelord
Andre studie-ID-numre
- Kamal-AI
Plan for individuelle deltakerdata (IPD)
Planlegger du å dele individuelle deltakerdata (IPD)?
IPD-planbeskrivelse
Legemiddel- og utstyrsinformasjon, studiedokumenter
Studerer et amerikansk FDA-regulert medikamentprodukt
Studerer et amerikansk FDA-regulert enhetsprodukt
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. .