Denne siden ble automatisk oversatt og nøyaktigheten av oversettelsen er ikke garantert. Vennligst referer til engelsk versjon for en kildetekst.

Kunstig intelligensbasert analyse av uroflowmetri-mønstre hos barn: et maskinlæringsperspektiv

22. februar 2025 oppdatert av: Marmara University

Tolkning av uroflowmetri -prøver fra barn av klinikere og introduksjon til kunstig intelligens, og tolkning av prøvene ved kunstig intelligens

Uroflowmetri er den av de mest brukte ikke-invasive testen for å evaluere barn med lavere urinveissymptomer (LUT). Studier har imidlertid fremhevet en svak avtale blant eksperter om å tolke uroflowmetri -mønstre. Denne studien tar sikte på å vurdere virkningen av maskinlæringsmodeller, som har blitt stadig mer utbredt innen medisin, på tolkningen av uroflowmetri -mønstre.

Studieoversikt

Status

Fullført

Forhold

Detaljert beskrivelse

Studien inkluderte uroflowmetri-tester av barn i alderen 4-17 år som ble henvist til klinikken vår med lavere urinveissymptomer. Uroflowmetri -mønstre ble uavhengig tolket av tre pediatriske urologiske eksperter. Avvik i tolkninger ble i fellesskap evaluert av de tre observatørene, og en enighet ble nådd. Volum, ugyldig varighet og urinstrømningshastigheter med 0,5 sekunders intervaller ble konvertert til numeriske data for analyse. Åtti prosent av datasettet ble brukt som treningsdata for maskinlæring, mens det støttet 20% var forbeholdt testing. Totalt fem forskjellige maskinlæringsmodeller ble benyttet for klassifisering: beslutnings tre, tilfeldig skog, catboost, xgboost og LightGBM. Modellene som mest identifiserte hvert uroflowmetri -mønster ble bestemt.

Studietype

Observasjonsmessig

Registrering (Faktiske)

500

Kontakter og plasseringer

Denne delen inneholder kontaktinformasjon for de som utfører studien, og informasjon om hvor denne studien blir utført.

Studiesteder

Tyrkia
- - Istanbul, Tyrkia, 34890
    - Marmara University School of Medicine, Urology Department

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

Tar imot friske frivillige

Prøvetakingsmetode

Sannsynlighetsprøve

Studiepopulasjon

Barn i alderen 4-17 år

Beskrivelse

Inkluderingskriterier:

Pasienter mellom 4 og 17 år som søkte på klinikken vår med LUTS og som kunne urinere mer enn 50% av den forventede blærekapasiteten på UF ble inkludert i studien.

Eksklusjonskriterier:

Pasienter som ikke var i stand til å samarbeide med tomtekommandoen, hadde nevrologiske lidelser, var i stand til å tisse mindre enn 50% av den forventede blærekapasiteten på UF, var under 4 år og var over 18 år ble ekskludert fra studien .

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
Ytelse av maskinlæringsmodeller i evaluering av tomrommønstre Tidsramme: Fra oktober 2024 til januar 2025	5 forskjellige maskinlæringsmodeller ble brukt. Nøyaktighetshastigheter ble bestemt for hver modell.	Fra oktober 2024 til januar 2025

Samarbeidspartnere og etterforskere

Det er her du vil finne personer og organisasjoner som er involvert i denne studien.

Sponsor

Marmara University

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. oktober 2024

Primær fullføring (Faktiske)

1. januar 2025

Studiet fullført (Faktiske)

1. februar 2025

Datoer for studieregistrering

Først innsendt

3. februar 2025

Først innsendt som oppfylte QC-kriteriene