Detection of Systemic Diseases Such as Hepatobiliary Diseases From Ocular Images Via Deep Learning
11. mai 2026 oppdatert av: Zhongshan Ophthalmic Center, Sun Yat-sen University
Oculomics is an emerging interdisciplinary field that deciphers multi-dimensional, high-throughput ocular data to predict, diagnose, and monitor systemic diseases and health span.In recent years, artificial Intelligence may provide insight into exploring the potential covert association behind and reveal some early ocular architecture changes in individuals with systemic diseases.
The investigators conducted a survey to explore the association between the eye and systemic diseases via deep learning, to develop and evaluate different deep learning models to predict the systemic diseases such as hepatobiliary disease by using ocular images.
Studieoversikt
Status
Fullført
Intervensjon / Behandling
Studietype
Observasjonsmessig
Registrering (Faktiske)
775
Kontakter og plasseringer
Denne delen inneholder kontaktinformasjon for de som utfører studien, og informasjon om hvor denne studien blir utført.
Studiesteder
-
-
Guangdong
-
Guangzhou, Guangdong, Kina, 510000
- Zhongshan Ophthalmic Center, Sun Yat-sen Univerisity
-
-
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
Sannsynlighetsprøve
Studiepopulasjon
ocular images collected from the Third Affiliated Hospital of Sun Yat-sen University and Pazhou Medical Centre of Aikang Health Care
Beskrivelse
Inclusion Criteria:
- The quality of ocular images should clinical acceptable.
- Complete clinical information such as baseline demographic characteristics, the history of systematic diseases and so on.
Exclusion Criteria:
- Individuals diagnosed with severe eye diseases or acute systematic diseases.
- Incompatible with ocular examinations.
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 |
|---|---|
|
development dataset 01
ocular images collected from the Third Affiliated Hospital of Sun Yat-sen University
|
The training dataset was used to train the deep learning model, which was validated and tested by the other two datasets.
|
|
development dataset 02
ocular images collected from Pazhou Medical Centre of Aikang Health Care
|
The training dataset was used to train the deep learning model, which was validated and tested by the other two datasets.
|
|
test dataset 01
ocular images collected from the Third Affiliated Hospital of Sun Yat-sen University
|
The training dataset was used to train the deep learning model, which was validated and tested by the other two datasets.
|
|
test dataset 02
ocular images collected from Pazhou Medical Centre of Aikang Health Care
|
The training dataset was used to train the deep learning model, which was validated and tested by the other two datasets.
|
Hva måler studien?
Primære resultatmål
Resultatmål |
Tiltaksbeskrivelse |
Tidsramme |
|---|---|---|
|
område under mottakerens driftskarakteristiske kurve for dyplæringssystemet
Tidsramme: grunnlinje
|
Etterforskerne vil beregne arealet under mottakerens driftskarakteristiske kurve for dyplæringssystem og sammenligne denne indeksen mellom dyplæringssystem og menneskelige leger
|
grunnlinje
|
Sekundære resultatmål
Resultatmål |
Tiltaksbeskrivelse |
Tidsramme |
|---|---|---|
|
sensitivity of the deep learning system
Tidsramme: baseline
|
The investigators will calculate the sensitivity of deep learning system and compare this index between deep learning system and human doctors
|
baseline
|
|
specificity of the deep learning system
Tidsramme: baseline
|
The investigators will calculate the specifity of deep learning system and compare this index between deep learning system and human doctors
|
baseline
|
Samarbeidspartnere og etterforskere
Det er her du vil finne personer og organisasjoner som er involvert i denne studien.
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)
10. april 2020
Primær fullføring (Faktiske)
30. juli 2024
Studiet fullført (Faktiske)
30. juli 2024
Datoer for studieregistrering
Først innsendt
6. mai 2026
Først innsendt som oppfylte QC-kriteriene
6. mai 2026
Først lagt ut (Faktiske)
12. mai 2026
Oppdateringer av studieposter
Sist oppdatering lagt ut (Faktiske)
14. mai 2026
Siste oppdatering sendt inn som oppfylte QC-kriteriene
11. mai 2026
Sist bekreftet
1. mai 2026
Mer informasjon
Begreper knyttet til denne studien
Ytterligere relevante MeSH-vilkår
Andre studie-ID-numre
- 2019KYPJ163
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. .
Kliniske studier på Systemiske sykdommer
-
University of ArkansasAvsluttetPediatriske pasienter med SIRS (Systemic Inflammatory Response Syndrome)Forente stater
-
Chinese PLA General HospitalFullførtSepsis | SIRS (Systemic Inflammatory Response Syndrome)Kina
-
Chinese PLA General HospitalUkjentSepsis | SIRS (Systemic Inflammatory Response Syndrome)Kina