Multimodal avbildning i Vitreo-retinal kirurgi og makulær dystrofier (MICAI)
10. februar 2024 oppdatert av: RIZZO STANISLAO, Fondazione Policlinico Universitario Agostino Gemelli IRCCS
Multimodal avbildning i Vitreo-retinal kirurgi og makulær dystrofier: biomarkører for morfo-funksjonell utvinning ved kunstig intelligens
Målet med studien er å identifisere morfologiske og funksjonelle biomarkører for postoperativ utvinning etter vitreoretinal kirurgi, ved hjelp av beslutningsstøttesystemer (DSS), basert på multimodal big-data-analyse ved hjelp av maskinlæringsteknikker i daglig klinisk praksis
Studieoversikt
Status
Rekruttering
Detaljert beskrivelse
Målet med studien er å identifisere morfologiske og funksjonelle biomarkører for postoperativ utvinning etter vitreoretinal kirurgi.
Identifisering av biomarkørene og vurdering av prediktiviteten til bedring vil gjøre det mulig å synliggjøre de kategoriene pasienter som kan ha mest nytte av kirurgisk behandling, og å målrette pasienten mer presist for personlig tilpasset medisin og kirurgi.
Innføringen av nye beslutningsstøttesystemer (DSS), basert på multimodal stordataanalyse gjennom maskinlæringsteknikker i daglig klinisk praksis, gir ny nyttig informasjon i pasientvurdering for personlig tilpasset kirurgi.
Studietype
Observasjonsmessig
Registrering (Antatt)
100
Kontakter og plasseringer
Denne delen inneholder kontaktinformasjon for de som utfører studien, og informasjon om hvor denne studien blir utført.
Studiekontakt
- Navn: Maria Cristina Savastano, MD,PhD
- Telefonnummer: +39 3384443002
- E-post: mariacristina.savastano@unicatt.it
Studer Kontakt Backup
- Navn: Alfonso Savastano, MD,PhD
- E-post: alfonso.savastano@policlinicogemelli.it
Studiesteder
-
-
-
Rome, Italia, 00168
- Rekruttering
- Prof. Stanislao Rizzo
-
Ta kontakt med:
- Stanislao Rizzo, MD,PhD
-
-
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
1 år og eldre (Barn, Voksen, Eldre voksen)
Tar imot friske frivillige
Nei
Prøvetakingsmetode
Sannsynlighetsprøve
Studiepopulasjon
Alle pasienter skal gjennomgå vitreo-retinal kirurgi for makulær sykdom (dvs. makulært hull, epiretinale membraner, netthinneløsning, makulær dystrofier (retinal pre-protese).
Beskrivelse
Inklusjonskriterier:
Alle pasienter som skal gjennomgå vitreo-retinal kirurgi for:
- Makula hull
- Epiretinale membraner
- Netthinneavløsning
- Makuladystrofier (retinal preprotese)
Ekskluderingskriterier:
- Pasienter under 18 år vil bli ekskludert; pasienter hvor morfologiske undersøkelser ikke kan utføres på grunn av dårlig samarbeid eller opasitet av dioptrimediene (f. hornhinnepatologi). Kvaliteten på morfologiske bilder utilstrekkelig for behandling etter anskaffelse (<6/10).
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 |
|---|---|
|
Makula hull
Pasienter rammet av makulært hull.
|
Biometriske målinger utført med IOL Master, hvis kjørbar Kontakt eller nedsenkingsekkobiometri hvis IOL Master ikke kan utføres
Farge + AF: EIDON, hvis tilgjengelig (60° ikke modulbar) Farge: COBRA (60° ikke-modifiserbar) AF: Spectralis-Heidelberg (velg 55°) Annet hvis tilgjengelig (velg posterior polundersøkelse mellom 50-60°)
OKT B-skanning: 2 skanninger (6 mm) 1 krysslinje OCTA: 3x3 mm + 6x6 mm sentrert på fovea 4,5 mm sentrert på synsnerven
1) fikseringsmønster 2) retinal sensitivitetskart
Lag-for-lag vurdering av netthinnen ved bruk av fokal ERG og mønster ERG i henhold til standardiserte og publiserte metoder, For pasienter med visus < 3/10 og ustabil fiksering vil det bli brukt en protokoll basert på komponentanalyse av fotopisk ERG fra diffus blits.
|
|
Epiretinale membraner
Pasienter påvirket av epiretinal membran.
|
Biometriske målinger utført med IOL Master, hvis kjørbar Kontakt eller nedsenkingsekkobiometri hvis IOL Master ikke kan utføres
Farge + AF: EIDON, hvis tilgjengelig (60° ikke modulbar) Farge: COBRA (60° ikke-modifiserbar) AF: Spectralis-Heidelberg (velg 55°) Annet hvis tilgjengelig (velg posterior polundersøkelse mellom 50-60°)
OKT B-skanning: 2 skanninger (6 mm) 1 krysslinje OCTA: 3x3 mm + 6x6 mm sentrert på fovea 4,5 mm sentrert på synsnerven
1) fikseringsmønster 2) retinal sensitivitetskart
Lag-for-lag vurdering av netthinnen ved bruk av fokal ERG og mønster ERG i henhold til standardiserte og publiserte metoder, For pasienter med visus < 3/10 og ustabil fiksering vil det bli brukt en protokoll basert på komponentanalyse av fotopisk ERG fra diffus blits.
|
|
Netthinneavløsning
Pasienter rammet av netthinneløsning.
|
Biometriske målinger utført med IOL Master, hvis kjørbar Kontakt eller nedsenkingsekkobiometri hvis IOL Master ikke kan utføres
Farge + AF: EIDON, hvis tilgjengelig (60° ikke modulbar) Farge: COBRA (60° ikke-modifiserbar) AF: Spectralis-Heidelberg (velg 55°) Annet hvis tilgjengelig (velg posterior polundersøkelse mellom 50-60°)
OKT B-skanning: 2 skanninger (6 mm) 1 krysslinje OCTA: 3x3 mm + 6x6 mm sentrert på fovea 4,5 mm sentrert på synsnerven
1) fikseringsmønster 2) retinal sensitivitetskart
Lag-for-lag vurdering av netthinnen ved bruk av fokal ERG og mønster ERG i henhold til standardiserte og publiserte metoder, For pasienter med visus < 3/10 og ustabil fiksering vil det bli brukt en protokoll basert på komponentanalyse av fotopisk ERG fra diffus blits.
|
|
Makuladystrofier
Pasienter rammet av makulær dystrofier.
|
Biometriske målinger utført med IOL Master, hvis kjørbar Kontakt eller nedsenkingsekkobiometri hvis IOL Master ikke kan utføres
Farge + AF: EIDON, hvis tilgjengelig (60° ikke modulbar) Farge: COBRA (60° ikke-modifiserbar) AF: Spectralis-Heidelberg (velg 55°) Annet hvis tilgjengelig (velg posterior polundersøkelse mellom 50-60°)
OKT B-skanning: 2 skanninger (6 mm) 1 krysslinje OCTA: 3x3 mm + 6x6 mm sentrert på fovea 4,5 mm sentrert på synsnerven
1) fikseringsmønster 2) retinal sensitivitetskart
Lag-for-lag vurdering av netthinnen ved bruk av fokal ERG og mønster ERG i henhold til standardiserte og publiserte metoder, For pasienter med visus < 3/10 og ustabil fiksering vil det bli brukt en protokoll basert på komponentanalyse av fotopisk ERG fra diffus blits.
|
Hva måler studien?
Primære resultatmål
Resultatmål |
Tiltaksbeskrivelse |
Tidsramme |
|---|---|---|
|
Forutsigbarhet av morfologisk-funksjonelle radiomiske data
Tidsramme: 3 år
|
Prediktivitetshastighet for morfologisk-funksjonelle radiomiske data for å fastslå graden av utvinning i den postoperative perioden ved hjelp av en kunstig intelligens (AI) maskinlæringsmodell.
|
3 år
|
Sekundære resultatmål
Resultatmål |
Tiltaksbeskrivelse |
Tidsramme |
|---|---|---|
|
Identifiser prediktive forskjeller i henhold til diagnose
Tidsramme: 3 år
|
Inndeling i undergrupper for å identifisere prediktive forskjeller i henhold til diagnose
|
3 år
|
|
Sammenheng med pasientens alder
Tidsramme: 3 år
|
Identifiser prediktive forskjeller i henhold til diagnose og korreler dem med pasientens alder
|
3 år
|
|
Sammenheng med alder for sykdomsdebut
Tidsramme: 3 år
|
Identifiser prediktive forskjeller i henhold til diagnose og korreler dem med alderen for sykdomsdebut
|
3 år
|
Samarbeidspartnere og etterforskere
Det er her du vil finne personer og organisasjoner som er involvert i denne studien.
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
- Gulshan V, Peng L, Coram M, Stumpe MC, Wu D, Narayanaswamy A, Venugopalan S, Widner K, Madams T, Cuadros J, Kim R, Raman R, Nelson PC, Mega JL, Webster DR. Development and Validation of a Deep Learning Algorithm for Detection of Diabetic Retinopathy in Retinal Fundus Photographs. JAMA. 2016 Dec 13;316(22):2402-2410. doi: 10.1001/jama.2016.17216.
- Harris PA, Taylor R, Minor BL, Elliott V, Fernandez M, O'Neal L, McLeod L, Delacqua G, Delacqua F, Kirby J, Duda SN; REDCap Consortium. The REDCap consortium: Building an international community of software platform partners. J Biomed Inform. 2019 Jul;95:103208. doi: 10.1016/j.jbi.2019.103208. Epub 2019 May 9.
- Duker JS, Kaiser PK, Binder S, de Smet MD, Gaudric A, Reichel E, Sadda SR, Sebag J, Spaide RF, Stalmans P. The International Vitreomacular Traction Study Group classification of vitreomacular adhesion, traction, and macular hole. Ophthalmology. 2013 Dec;120(12):2611-2619. doi: 10.1016/j.ophtha.2013.07.042. Epub 2013 Sep 17.
- Kermany DS, Goldbaum M, Cai W, Valentim CCS, Liang H, Baxter SL, McKeown A, Yang G, Wu X, Yan F, Dong J, Prasadha MK, Pei J, Ting MYL, Zhu J, Li C, Hewett S, Dong J, Ziyar I, Shi A, Zhang R, Zheng L, Hou R, Shi W, Fu X, Duan Y, Huu VAN, Wen C, Zhang ED, Zhang CL, Li O, Wang X, Singer MA, Sun X, Xu J, Tafreshi A, Lewis MA, Xia H, Zhang K. Identifying Medical Diagnoses and Treatable Diseases by Image-Based Deep Learning. Cell. 2018 Feb 22;172(5):1122-1131.e9. doi: 10.1016/j.cell.2018.02.010.
- Esteva A, Kuprel B, Novoa RA, Ko J, Swetter SM, Blau HM, Thrun S. Dermatologist-level classification of skin cancer with deep neural networks. Nature. 2017 Feb 2;542(7639):115-118. doi: 10.1038/nature21056. Epub 2017 Jan 25. Erratum In: Nature. 2017 Jun 28;546(7660):686.
- Schmidt-Erfurth U, Waldstein SM, Klimscha S, Sadeghipour A, Hu X, Gerendas BS, Osborne A, Bogunovic H. Prediction of Individual Disease Conversion in Early AMD Using Artificial Intelligence. Invest Ophthalmol Vis Sci. 2018 Jul 2;59(8):3199-3208. doi: 10.1167/iovs.18-24106.
- Garrity ST, Sarraf D, Freund KB, Sadda SR. Multimodal Imaging of Nonneovascular Age-Related Macular Degeneration. Invest Ophthalmol Vis Sci. 2018 Mar 20;59(4):AMD48-AMD64. doi: 10.1167/iovs.18-24158.
- Acon D, Wu L. Multimodal Imaging in Diabetic Macular Edema. Asia Pac J Ophthalmol (Phila). 2018 Jan-Feb;7(1):22-27. doi: 10.22608/APO.2017504. Epub 2017 Jan 29.
- Spaide RF, Fujimoto JG, Waheed NK, Sadda SR, Staurenghi G. Optical coherence tomography angiography. Prog Retin Eye Res. 2018 May;64:1-55. doi: 10.1016/j.preteyeres.2017.11.003. Epub 2017 Dec 8.
- Sun P, Tandias RM, Yu G, Arroyo JG. SPECTRAL DOMAIN OPTICAL COHERENCE TOMOGRAPHY FINDINGS AND VISUAL OUTCOME AFTER TREATMENT FOR VITREOMACULAR TRACTION. Retina. 2019 Jun;39(6):1054-1060. doi: 10.1097/IAE.0000000000002116.
- Lee CS, Tyring AJ, Deruyter NP, Wu Y, Rokem A, Lee AY. Deep-learning based, automated segmentation of macular edema in optical coherence tomography. Biomed Opt Express. 2017 Jun 23;8(7):3440-3448. doi: 10.1364/BOE.8.003440. eCollection 2017 Jul 1.
- Zur D, Iglicki M, Busch C, Invernizzi A, Mariussi M, Loewenstein A; International Retina Group. OCT Biomarkers as Functional Outcome Predictors in Diabetic Macular Edema Treated with Dexamethasone Implant. Ophthalmology. 2018 Feb;125(2):267-275. doi: 10.1016/j.ophtha.2017.08.031. Epub 2017 Sep 19.
- Beam AL, Kohane IS. Big Data and Machine Learning in Health Care. JAMA. 2018 Apr 3;319(13):1317-1318. doi: 10.1001/jama.2017.18391. No abstract available.
- Ngiam KY, Khor IW. Big data and machine learning algorithms for health-care delivery. Lancet Oncol. 2019 May;20(5):e262-e273. doi: 10.1016/S1470-2045(19)30149-4. Erratum In: Lancet Oncol. 2019 Jun;20(6):293.
- Abramoff MD, Lou Y, Erginay A, Clarida W, Amelon R, Folk JC, Niemeijer M. Improved Automated Detection of Diabetic Retinopathy on a Publicly Available Dataset Through Integration of Deep Learning. Invest Ophthalmol Vis Sci. 2016 Oct 1;57(13):5200-5206. doi: 10.1167/iovs.16-19964.
- Lakhani P, Sundaram B. Deep Learning at Chest Radiography: Automated Classification of Pulmonary Tuberculosis by Using Convolutional Neural Networks. Radiology. 2017 Aug;284(2):574-582. doi: 10.1148/radiol.2017162326. Epub 2017 Apr 24.
- Ting DSW, Cheung CY, Lim G, Tan GSW, Quang ND, Gan A, Hamzah H, Garcia-Franco R, San Yeo IY, Lee SY, Wong EYM, Sabanayagam C, Baskaran M, Ibrahim F, Tan NC, Finkelstein EA, Lamoureux EL, Wong IY, Bressler NM, Sivaprasad S, Varma R, Jonas JB, He MG, Cheng CY, Cheung GCM, Aung T, Hsu W, Lee ML, Wong TY. Development and Validation of a Deep Learning System for Diabetic Retinopathy and Related Eye Diseases Using Retinal Images From Multiethnic Populations With Diabetes. JAMA. 2017 Dec 12;318(22):2211-2223. doi: 10.1001/jama.2017.18152.
- Li Z, He Y, Keel S, Meng W, Chang RT, He M. Efficacy of a Deep Learning System for Detecting Glaucomatous Optic Neuropathy Based on Color Fundus Photographs. Ophthalmology. 2018 Aug;125(8):1199-1206. doi: 10.1016/j.ophtha.2018.01.023. Epub 2018 Mar 2.
- Burlina P, Joshi N, Pacheco KD, Freund DE, Kong J, Bressler NM. Utility of Deep Learning Methods for Referability Classification of Age-Related Macular Degeneration. JAMA Ophthalmol. 2018 Nov 1;136(11):1305-1307. doi: 10.1001/jamaophthalmol.2018.3799.
- Grassmann F, Mengelkamp J, Brandl C, Harsch S, Zimmermann ME, Linkohr B, Peters A, Heid IM, Palm C, Weber BHF. A Deep Learning Algorithm for Prediction of Age-Related Eye Disease Study Severity Scale for Age-Related Macular Degeneration from Color Fundus Photography. Ophthalmology. 2018 Sep;125(9):1410-1420. doi: 10.1016/j.ophtha.2018.02.037. Epub 2018 Apr 10.
- Brown JM, Campbell JP, Beers A, Chang K, Ostmo S, Chan RVP, Dy J, Erdogmus D, Ioannidis S, Kalpathy-Cramer J, Chiang MF; Imaging and Informatics in Retinopathy of Prematurity (i-ROP) Research Consortium. Automated Diagnosis of Plus Disease in Retinopathy of Prematurity Using Deep Convolutional Neural Networks. JAMA Ophthalmol. 2018 Jul 1;136(7):803-810. doi: 10.1001/jamaophthalmol.2018.1934.
- De Fauw J, Ledsam JR, Romera-Paredes B, Nikolov S, Tomasev N, Blackwell S, Askham H, Glorot X, O'Donoghue B, Visentin D, van den Driessche G, Lakshminarayanan B, Meyer C, Mackinder F, Bouton S, Ayoub K, Chopra R, King D, Karthikesalingam A, Hughes CO, Raine R, Hughes J, Sim DA, Egan C, Tufail A, Montgomery H, Hassabis D, Rees G, Back T, Khaw PT, Suleyman M, Cornebise J, Keane PA, Ronneberger O. Clinically applicable deep learning for diagnosis and referral in retinal disease. Nat Med. 2018 Sep;24(9):1342-1350. doi: 10.1038/s41591-018-0107-6. Epub 2018 Aug 13.
- Schmidt-Erfurth U, Sadeghipour A, Gerendas BS, Waldstein SM, Bogunovic H. Artificial intelligence in retina. Prog Retin Eye Res. 2018 Nov;67:1-29. doi: 10.1016/j.preteyeres.2018.07.004. Epub 2018 Aug 1.
- Sarao V, Veritti D, Borrelli E, Sadda SVR, Poletti E, Lanzetta P. A comparison between a white LED confocal imaging system and a conventional flash fundus camera using chromaticity analysis. BMC Ophthalmol. 2019 Nov 19;19(1):231. doi: 10.1186/s12886-019-1241-8.
- Fernandez-Avellaneda P, Breazzano MP, Fragiotta S, Xu X, Zhang Q, Wang RK, Freund KB. BACILLARY LAYER DETACHMENT OVERLYING REDUCED CHORIOCAPILLARIS FLOW IN ACUTE IDIOPATHIC MACULOPATHY. Retin Cases Brief Rep. 2022 Jan 1;16(1):59-66. doi: 10.1097/ICB.0000000000000943.
- Huang NT, Georgiadis C, Gomez J, Tang PH, Drayna P, Koozekanani DD, van Kuijk FJGM, Montezuma SR. Comparing fundus autofluorescence and infrared imaging findings of peripheral retinoschisis, schisis detachment, and retinal detachment. Am J Ophthalmol Case Rep. 2020 Mar 26;18:100666. doi: 10.1016/j.ajoc.2020.100666. eCollection 2020 Jun.
- Stanga PE, Williams JI, Shaarawy SA, Agarwal A, Venkataraman A, Kumar DA, You TT, Hope RS. FIRST-IN-HUMAN CLINICAL STUDY TO INVESTIGATE THE EFFECTIVENESS AND SAFETY OF PARS PLANA VITRECTOMY SURGERY USING A NEW HYPERSONIC TECHNOLOGY. Retina. 2020 Jan;40(1):16-23. doi: 10.1097/IAE.0000000000002365.
- Hubschman JP, Govetto A, Spaide RF, Schumann R, Steel D, Figueroa MS, Sebag J, Gaudric A, Staurenghi G, Haritoglou C, Kadonosono K, Thompson JT, Chang S, Bottoni F, Tadayoni R. Optical coherence tomography-based consensus definition for lamellar macular hole. Br J Ophthalmol. 2020 Dec;104(12):1741-1747. doi: 10.1136/bjophthalmol-2019-315432. Epub 2020 Feb 27.
- Bae K, Lee SM, Kang SW, Kim ES, Yu SY, Kim KT. Atypical epiretinal tissue in full-thickness macular holes: pathogenic and prognostic significance. Br J Ophthalmol. 2019 Feb;103(2):251-256. doi: 10.1136/bjophthalmol-2017-311810. Epub 2018 Apr 26.
- Rizzo S, Tartaro R, Barca F, Caporossi T, Bacherini D, Giansanti F. INTERNAL LIMITING MEMBRANE PEELING VERSUS INVERTED FLAP TECHNIQUE FOR TREATMENT OF FULL-THICKNESS MACULAR HOLES: A COMPARATIVE STUDY IN A LARGE SERIES OF PATIENTS. Retina. 2018 Sep;38 Suppl 1:S73-S78. doi: 10.1097/IAE.0000000000001985.
- Christensen UC. Value of internal limiting membrane peeling in surgery for idiopathic macular hole and the correlation between function and retinal morphology. Acta Ophthalmol. 2009 Dec;87 Thesis 2:1-23. doi: 10.1111/j.1755-3768.2009.01777.x.
- Fukuyama H, Ishikawa H, Komuku Y, Araki T, Kimura N, Gomi F. Comparative analysis of metamorphopsia and aniseikonia after vitrectomy for epiretinal membrane, macular hole, or rhegmatogenous retinal detachment. PLoS One. 2020 May 8;15(5):e0232758. doi: 10.1371/journal.pone.0232758. eCollection 2020.
- Rizzo S, Savastano A, Bacherini D, Savastano MC. Vascular Features of Full-Thickness Macular Hole by OCT Angiography. Ophthalmic Surg Lasers Imaging Retina. 2017 Jan 1;48(1):62-68. doi: 10.3928/23258160-20161219-09.
- Bacherini D, Savastano MC, Dragotto F, Finocchio L, Lenzetti C, Bitossi A, Tartaro R, Giansanti F, Barca F, Savastano A, Caporossi T, Vannozzi L, Sodi A, Luca M, Faraldi F, Virgili G, Rizzo S. Morpho-Functional Evaluation of Full-Thickness Macular Holes by the Integration of Optical Coherence Tomography Angiography and Microperimetry. J Clin Med. 2020 Jan 15;9(1):229. doi: 10.3390/jcm9010229.
- Qi Y, Wang Z, Li SM, You Q, Liang X, Yu Y, Liu W. Effect of internal limiting membrane peeling on normal retinal function evaluated by microperimetry-3. BMC Ophthalmol. 2020 Apr 9;20(1):140. doi: 10.1186/s12886-020-01383-3.
- Smith AJ, Telander DG, Zawadzki RJ, Choi SS, Morse LS, Werner JS, Park SS. High-resolution Fourier-domain optical coherence tomography and microperimetric findings after macula-off retinal detachment repair. Ophthalmology. 2008 Nov;115(11):1923-9. doi: 10.1016/j.ophtha.2008.05.025. Epub 2008 Jul 31.
- Reumueller A, Wassermann L, Salas M, Karantonis MG, Sacu S, Georgopoulos M, Drexler W, Pircher M, Pollreisz A, Schmidt-Erfurth U. Morphologic and Functional Assessment of Photoreceptors After Macula-Off Retinal Detachment With Adaptive-Optics OCT and Microperimetry. Am J Ophthalmol. 2020 Jun;214:72-85. doi: 10.1016/j.ajo.2019.12.015. Epub 2019 Dec 25.
- Falsini B, Serrao S, Fadda A, Iarossi G, Porrello G, Cocco F, Merendino E. Focal electroretinograms and fundus appearance in nonexudative age-related macular degeneration. Quantitative relationship between retinal morphology and function. Graefes Arch Clin Exp Ophthalmol. 1999 Mar;237(3):193-200. doi: 10.1007/s004170050218.
- Falsini B, Bardocci A, Porciatti V, Bolzani R, Piccardi M. Macular dysfunction in multiple sclerosis revealed by steady-state flicker and pattern ERGs. Electroencephalogr Clin Neurophysiol. 1992 Jan;82(1):53-9. doi: 10.1016/0013-4694(92)90182-h.
- Abed E, Placidi G, Campagna F, Federici M, Minnella A, Guerri G, Bertelli M, Piccardi M, Galli-Resta L, Falsini B. Early impairment of the full-field photopic negative response in patients with Stargardt disease and pathogenic variants of the ABCA4 gene. Clin Exp Ophthalmol. 2018 Jul;46(5):519-530. doi: 10.1111/ceo.13115. Epub 2017 Dec 28.
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)
15. januar 2021
Primær fullføring (Antatt)
15. januar 2025
Studiet fullført (Antatt)
16. januar 2025
Datoer for studieregistrering
Først innsendt
17. februar 2023
Først innsendt som oppfylte QC-kriteriene
17. februar 2023
Først lagt ut (Faktiske)
28. februar 2023
Oppdateringer av studieposter
Sist oppdatering lagt ut (Faktiske)
13. februar 2024
Siste oppdatering sendt inn som oppfylte QC-kriteriene
10. februar 2024
Sist bekreftet
1. februar 2024
Mer informasjon
Begreper knyttet til denne studien
Ytterligere relevante MeSH-vilkår
Andre studie-ID-numre
- 3680
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. .