Utforske applikasjonseffektiviteten til diagnostiske verktøy for kunstig intelligens (AI) i medisinsk bildebehandling (MI) av luftveisinfeksjoner (I) (D) (AI-MIRID)
12. august 2024 oppdatert av: Wen-hong Zhang, Huashan Hospital
Tidlig identifisering og alvorlig varsling av akutte infeksjonssykdommer i luftveiene er av største betydning.
Å bruke effektive virkemidler for å stille korrekte diagnoser av smittekilden på et tidlig stadium er premisset for alle effektive tiltak.
AI-MID er et forskningsinitiativ som bruker kunstig intelligens-verktøy for å hjelpe til med klinisk medisinsk bildediagnostikk av luftveissykdommer, med sikte på å redusere tiden leger bruker på å gjennomgå bilder, øke arbeidseffektiviteten og forbedre sensitiviteten og spesifisiteten til lungebetennelsesdeteksjon, og dermed forbedre påvisningshastigheten av lungebetennelse på grasrotnivå.
Denne tilnærmingen letter presis forebygging, nøyaktig diagnose og presis behandling.
Studieoversikt
Status
Rekruttering
Intervensjon / Behandling
Studietype
Intervensjonell
Registrering (Antatt)
2000
Fase
- Ikke aktuelt
Kontakter og plasseringer
Denne delen inneholder kontaktinformasjon for de som utfører studien, og informasjon om hvor denne studien blir utført.
Studiekontakt
- Navn: Wenhong Zhang
- Telefonnummer: (86)52889999
- E-post: zhangwenhong@fudan.edu.cn
Studiesteder
-
-
-
Shanghai, Kina, 200040
- Rekruttering
- Huashan Hospital
-
Ta kontakt med:
- Wenhong Zhang, Professor
- Telefonnummer: (86)52889999
- E-post: zhangwenhong@fudan.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
- Barn
- Voksen
- Eldre voksen
Tar imot friske frivillige
Ja
Beskrivelse
Inkluderingskriterier:
- 1-90 år, kjønn ikke spesifisert.
- Viser symptomer på luftveisinfeksjon
- Må ha etiologiske undersøkelsesresultater
- Må ha bildedata;
Ekskluderingskriterier:
- Alvorlige artefakter i medisinske bilder
- Klinisk diagnose indikerer samtidig lungeødem
- Dobbel gjennomgang resulterer i uklar diagnose eller potensiell feildiagnose
- Andre situasjoner som kan medføre vanskeligheter med å lese filmene, eller som forskeren bestemmer, anses studiedeltakeren som uegnet for påmelding.
Studieplan
Denne delen gir detaljer om studieplanen, inkludert hvordan studien er utformet og hva studien måler.
Hvordan er studiet utformet?
Designdetaljer
- Primært formål: Diagnostisk
- Tildeling: Randomisert
- Intervensjonsmodell: Parallell tildeling
- Masking: Ingen (Open Label)
Våpen og intervensjoner
Deltakergruppe / Arm |
Intervensjon / Behandling |
|---|---|
|
Ingen inngripen: Ingen inngrep
Ikke-intervensjon
|
|
|
Eksperimentell: Kunstig intelligens-basert medisinsk bildetolkningsgruppe
Ved å bruke klinisk informasjon, bildedata og tilsvarende etiologiske resultater fra studiedeltakerne, etableres et AI-diagnoseverktøy for å spesifikt gjenkjenne pasienters medisinske brystavbildning og konstruere tilsvarende diagnostiske konklusjoner.
|
I AI-tolkningsgruppen, ved å bruke klinisk informasjon, bildedata og tilsvarende etiologiske resultater fra studiedeltakerne, etableres et AI-diagnostisk verktøy for å spesifikt gjenkjenne pasientenes medisinske brystavbildning og konstruere tilsvarende diagnostiske konklusjoner.
|
Hva måler studien?
Primære resultatmål
Resultatmål |
Tiltaksbeskrivelse |
Tidsramme |
|---|---|---|
|
Evaluering av den diagnostiske effektiviteten til diagnostiske verktøy for kunstig intelligens i medisinsk bildediagnostikk av luftveisinfeksjonssykdommer
Tidsramme: 2 år
|
For å evaluere den diagnostiske effektiviteten til programvare for datastøttet deteksjon (CAD) ved identifisering av lungeinfeksjoner, vil studien bruke følgende metoder: Avbildningskriterier: Erfarne radiologer vil tolke den medisinske avbildningen av studiedeltakerne, og tjene som bildebehandlingsstandard. Datastøttet deteksjon: Samtidig vil CAD-programvaren analysere deltakernes medisinske bildebehandling for å generere diagnostiske resultater. Effektvurdering: Nøyaktigheten og konsistensen til CAD-programvaren vil bli evaluert ved å sammenligne tolkningene med diagnosene fra radiologene. |
2 år
|
Sekundære resultatmål
Resultatmål |
Tiltaksbeskrivelse |
Tidsramme |
|---|---|---|
|
Bruk av kunstig intelligensverktøy for tidlig identifisering og alvorlig varsling av infeksjonssykdommer i luftveiene
Tidsramme: 2 år
|
Ved å integrere den medisinske avbildningen av studiedeltakerne med de tilsvarende respiratoriske patogendeteksjonsresultatene, vil disse dataene bli brukt som treningssettet inn i AI-diagnoseverktøyet, slik at det kan gjennomgå dyp læring.
Denne prosessen vil etablere et AI-diagnoseverktøy basert på patogenavbildning.
Etter å ha fullført datainnsamlingen for både retrospektive og prospektive studieseksjoner, planlegger vi å evaluere sykdomsprogresjonen og prognosen til studiedeltakerne basert på overlevelsesanalyse og prediktiv modellering.
Ved å integrere kliniske data og bildedata, tar vi sikte på å forbedre nøyaktigheten og presisjonen til den prognostiske vurderingsmodellen.
Modellen vil kontinuerlig optimaliseres i henhold til endringene i forholdene til studiedeltakere som er påmeldt over ulike tidsperioder.
|
2 år
|
Samarbeidspartnere og etterforskere
Det er her du vil finne personer og organisasjoner som er involvert i denne studien.
Sponsor
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)
1. april 2022
Primær fullføring (Antatt)
1. desember 2025
Studiet fullført (Antatt)
1. desember 2026
Datoer for studieregistrering
Først innsendt
7. august 2024
Først innsendt som oppfylte QC-kriteriene
12. august 2024
Først lagt ut (Faktiske)
14. august 2024
Oppdateringer av studieposter
Sist oppdatering lagt ut (Faktiske)
14. august 2024
Siste oppdatering sendt inn som oppfylte QC-kriteriene
12. august 2024
Sist bekreftet
1. august 2024
Mer informasjon
Begreper knyttet til denne studien
Ytterligere relevante MeSH-vilkår
Andre studie-ID-numre
- AI-MIRID
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. .