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

Anvendelse av kunstig intelligensalgoritme basert på CT -avbildning for måling av muskelparameter

20. februar 2025 oppdatert av: Yaomin Hu, RenJi Hospital

Anvendelse av kunstig intelligensalgoritme basert på CT -avbildning for måling av muskelparameter i diagnosen sarkopeni

For å etablere en kunstig intelligensmodell for automatisert diagnose av sarkopeni basert på CT -avbildning

Studieoversikt

Detaljert beskrivelse

Med den akselererende aldringsprosessen har den tidlige identifiseringen og diagnosen sarkopeni, sammen med effektiv forebygging av dens uheldige utfall, blitt et samlingspunkt i medisinsk forskning. Imidlertid har nåværende metoder for å vurdere og diagnostisere sarkopeni fortsatt betydelige begrensninger, noe som gjør utviklingen av mer effektive og nøyaktige teknikker for muskelmasseevaluering til et presserende klinisk behov. Selv om CT blir betraktet som den mest lovende metoden for å vurdere muskelmasse, hindres dens praktiske anvendelse av faktorer som avhengighet av legekompetanse og tidkrevende prosedyrer, og begrenser dens utbredte kliniske adopsjon. I lys av disse utfordringene har denne studien som mål å utvikle en kunstig intelligensmodell for helautomatisert muskelmassemåling basert på abdominal CT -avbildning og å validere dens anvendelsesverdi for å hjelpe diagnosen sarkopeni.

Studietype

Observasjonsmessig

Registrering (Faktiske)

1080

Kontakter og plasseringer

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

Studiesteder

    • Shanghai
      • Shanghai, Shanghai, Kina, 2000127
        • Shanghai Jiaotong University School of Medicine, Renji Hospital Ethics Committee

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

  • Voksen
  • Eldre voksen

Tar imot friske frivillige

Ja

Prøvetakingsmetode

Ikke-sannsynlighetsprøve

Studiepopulasjon

960 pasienter i Geriatric Department of Renji Hospital, 20 pasienter fra Ruijin Hospital tilknyttet Shanghai Jiaotong University School of Medicine, 20 pasienter fra det første tilknyttede sykehuset ved Zhejiang Medical University, 50 pasienter fra det første tilknyttede sykehuset ved Wenzhou Medical University, og 30 pasienter fra Huangan Peophs sykehus.

Beskrivelse

Inkluderingskriterier :

  1. Befolkningen som gjennomgår BIA og abdominal CT -undersøkelser;
  2. Kan samarbeide for å fullføre analyse av menneskekroppssammensetning, måling av grepstyrke, 6M gangtidsmåling og spørreskjemaundersøkelse.

Eksklusjonskriterier :

  1. Alder <18 år gammel;
  2. Eksistens av bukveggødem;
  3. Historie med ryggkirurgi eller ryggbrudd, eller ryggvirvel -tumorlesjoner;
  4. Historie om nevromuskulære lidelser.

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
For automatisk og nøyaktig kvantifiserer tredimensjonalt muskelvolum og fettvolum.
Tidsramme: 2020-2023
For å oppnå en automatisert og presis kvantifisering av tredimensjonalt muskelvolum og fettvolum ved L3 Vertebral-regionen ved dyp læring.
2020-2023
Å etablere en kunstig intelligensmodell for diagnose av sarkopeni.
Tidsramme: 2020-2023
Validering av kunstig intelligensmodeller kan hjelpe til med diagnosen sarkopeni.
2020-2023

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)

5. september 2023

Primær fullføring (Faktiske)

31. desember 2024

Studiet fullført (Faktiske)

31. desember 2024

Datoer for studieregistrering

Først innsendt

20. februar 2025

Først innsendt som oppfylte QC-kriteriene

20. februar 2025

Først lagt ut (Faktiske)

25. mars 2025

Oppdateringer av studieposter

Sist oppdatering lagt ut (Faktiske)

25. mars 2025

Siste oppdatering sendt inn som oppfylte QC-kriteriene

20. februar 2025

Sist bekreftet

1. februar 2025

Mer informasjon

Begreper knyttet til denne studien

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. .

Abonnere