- ICH GCP
- Rejestr badań klinicznych w USA
- Badanie kliniczne NCT04952675
Ocena modeli wczesnego ostrzegania o wysokim ryzyku zapalenia płuc
2 lipca 2021 zaktualizowane przez: Peking University Third Hospital
Rozwój i zastosowanie kliniczne modeli wczesnego ostrzegania o wysokim ryzyku zapalenia płuc w oparciu o konwolucyjną sieć neuronową w radiografii klatki piersiowej
Zapobieganie pylicy płucnej jest ważniejsze niż leczenie.
Jednak obecny proces nie może wcześnie ostrzec pracowników narażonych na wysokie ryzyko pyłu, dopóki nie zostanie u nich zdiagnozowana pylica płuc.
Dzięki cechom wydajności, bezosobowości i kwantyfikacji sztuczna inteligencja jest właśnie odpowiednia do rozwiązania tych problemów.
Dlatego dążymy do adaptacji głębokiego uczenia się do opracowania modeli inteligentnego wykrywania pylicy płuc, diagnozy stopnia i wczesnego ostrzegania o wysokim ryzyku.
Obrazy z adnotacjami zostaną wykorzystane do szkolenia algorytmów konwolucyjnych sieci neuronowych (CNN), mającego na celu badanie przesiewowe pylicy płuc i diagnozę stopnia.
Ponadto ocena ryzyka obliczona na podstawie mapy cieplnej gęstości zostanie wykorzystana do wczesnego ostrzegania pracowników narażonych na pył.
Następnie sugerowana będzie obserwacja kohorty w celu zweryfikowania ważności oceny ryzyka.
W ten sposób pracownicy narażeni na pył wysokiego ryzyka otrzymają wczesną interwencję i lepsze rokowanie, co oczywiście może zmniejszyć obciążenie medyczne.
Przegląd badań
Status
Rekrutacyjny
Warunki
Szczegółowy opis
Pylica płuc, dominująca choroba zawodowa w Chinach i na całym świecie.
Radiografia klatki piersiowej jest najbardziej dostępnym i niedrogim badaniem radiologicznym dostępnym do badania fizykalnego pracowników narażonych na pył i masowych badań przesiewowych w kierunku pylicy płuc.
Ale proces diagnostyczny ma pewne wady, takie jak duża subiektywność, nieskuteczność i trudności w ocenie zmiany granicznej itp. Poza tym, zapobieganie pylicy jest ważniejsze niż leczenie.
Jednak obecny proces nie może wcześnie ostrzec pracowników narażonych na wysokie ryzyko pyłu, dopóki nie zostanie u nich zdiagnozowana pylica płuc.
Dzięki cechom wydajności, bezosobowości i kwantyfikacji, sztuczna inteligencja jest w sam raz do rozwiązania wspomnianych problemów.
Do tej pory przeprowadzono rzadkie badania dotyczące adaptacji głębokiego uczenia się do diagnozowania stopnia pylicy płuc i wczesnego ostrzegania o wysokim ryzyku.
W naszych poprzednich badaniach stworzyliśmy bazę danych radiogramów klatki piersiowej, która zawiera ponad 100 000 cyfrowych zdjęć radiograficznych pylicy płuc.
Wynik oceny systemu detekcji wykazał, że dokładność identyfikacji pylicy płuc może sięgać 90%, przy AUC (obszar pod krzywą) 0,965 i czułości 99%.
Dalsze prace muszą być kontynuowane.
Dlatego dążymy do adaptacji głębokiego uczenia się do opracowania modeli inteligentnego wykrywania pylicy płuc, diagnozy stopnia i wczesnego ostrzegania o wysokim ryzyku.
Obrazy z adnotacjami zostaną wykorzystane do szkolenia algorytmów konwolucyjnych sieci neuronowych (CNN), mającego na celu badanie przesiewowe pylicy płuc i diagnozę stopnia.
Ponadto ocena ryzyka obliczona na podstawie mapy cieplnej gęstości zostanie wykorzystana do wczesnego ostrzegania pracowników narażonych na pył.
Następnie sugerowana będzie obserwacja kohorty w celu zweryfikowania ważności oceny ryzyka.
W ten sposób pracownicy narażeni na pył wysokiego ryzyka otrzymają wczesną interwencję i lepsze rokowanie, co oczywiście może zmniejszyć obciążenie medyczne.
Typ studiów
Obserwacyjny
Zapisy (Oczekiwany)
200
Kontakty i lokalizacje
Ta sekcja zawiera dane kontaktowe osób prowadzących badanie oraz informacje o tym, gdzie badanie jest przeprowadzane.
Kontakt w sprawie studiów
- Nazwa: Xiao Li, M.D.
- Numer telefonu: +8613051709411
- E-mail: lixiao.sy@bjmu.edu.cn
Lokalizacje studiów
-
-
Beijing
-
Beijing, Beijing, Chiny, 100191
- Rekrutacyjny
- Peking University Third Hospital
-
Kontakt:
- Xiao Li, M.D.
- Numer telefonu: +8613051709411
- E-mail: lixiao.sy@bjmu.edu.cn
-
-
Kryteria uczestnictwa
Badacze szukają osób, które pasują do określonego opisu, zwanego kryteriami kwalifikacyjnymi. Niektóre przykłady tych kryteriów to ogólny stan zdrowia danej osoby lub wcześniejsze leczenie.
Kryteria kwalifikacji
Wiek uprawniający do nauki
18 lat do 60 lat (DOROSŁY)
Akceptuje zdrowych ochotników
Nie
Płeć kwalifikująca się do nauki
Wszystko
Metoda próbkowania
Próbka prawdopodobieństwa
Badana populacja
narażonych na pył pracowników z 16 prowincji Chin
Opis
Kryteria przyjęcia:
- pracownicy narażeni na pył;
- wykonać cyfrowe radiogramy klatki piersiowej
Kryteria wyłączenia:
- podstawowa choroba płuc;
- zwolnienie z prac narażonych na pył
Plan studiów
Ta sekcja zawiera szczegółowe informacje na temat planu badania, w tym sposób zaprojektowania badania i jego pomiary.
Jak projektuje się badanie?
Szczegóły projektu
Kohorty i interwencje
Grupa / Kohorta |
---|
grupa niskiego ryzyka
Indeks ryzyka∈[0,0,5)
|
grupa wysokiego ryzyka
Indeks ryzyka∈[0,5,1)
|
Co mierzy badanie?
Podstawowe miary wyniku
Miara wyniku |
Opis środka |
Ramy czasowe |
---|---|---|
uczestników zdiagnozowano jako „pneumokoniozę”
Ramy czasowe: przed 31 grudnia 2022 r
|
Liczba Uczestników zdiagnozowanych jako „pneumokonioza”
|
przed 31 grudnia 2022 r
|
śmierć
Ramy czasowe: przed 31 grudnia 2022 r
|
Liczba uczestników, którzy umrą
|
przed 31 grudnia 2022 r
|
Miary wyników drugorzędnych
Miara wyniku |
Opis środka |
Ramy czasowe |
---|---|---|
Wymuszona objętość wydechowa w ciągu 1s (FEV1) w %
Ramy czasowe: przed 31 grudnia 2022 r
|
Wymuszona objętość wydechowa w ciągu 1s
|
przed 31 grudnia 2022 r
|
tętnicze ciśnienie parcjalne tlenu, PaO2
Ramy czasowe: przed 31 grudnia 2022 r
|
ciśnienie parcjalne tlenu w tętnicach
|
przed 31 grudnia 2022 r
|
zmodyfikowana Rada ds. Badań Medycznych, mMRC
Ramy czasowe: przed 31 grudnia 2022 r
|
kwestionariusz służący do oceny objawów
|
przed 31 grudnia 2022 r
|
Współpracownicy i badacze
Tutaj znajdziesz osoby i organizacje zaangażowane w to badanie.
Sponsor
Śledczy
- Główny śledczy: Xiao Li, M.D., Peking University Third Hospital
Daty zapisu na studia
Daty te śledzą postęp w przesyłaniu rekordów badań i podsumowań wyników do ClinicalTrials.gov. Zapisy badań i zgłoszone wyniki są przeglądane przez National Library of Medicine (NLM), aby upewnić się, że spełniają określone standardy kontroli jakości, zanim zostaną opublikowane na publicznej stronie internetowej.
Główne daty studiów
Rozpoczęcie studiów (RZECZYWISTY)
1 sierpnia 2018
Zakończenie podstawowe (OCZEKIWANY)
1 grudnia 2021
Ukończenie studiów (OCZEKIWANY)
1 grudnia 2025
Daty rejestracji na studia
Pierwszy przesłany
23 czerwca 2021
Pierwszy przesłany, który spełnia kryteria kontroli jakości
2 lipca 2021
Pierwszy wysłany (RZECZYWISTY)
7 lipca 2021
Aktualizacje rekordów badań
Ostatnia wysłana aktualizacja (RZECZYWISTY)
7 lipca 2021
Ostatnia przesłana aktualizacja, która spełniała kryteria kontroli jakości
2 lipca 2021
Ostatnia weryfikacja
1 czerwca 2021
Więcej informacji
Terminy związane z tym badaniem
Słowa kluczowe
Dodatkowe istotne warunki MeSH
Inne numery identyfikacyjne badania
- PekingUTH-002
Plan dla danych uczestnika indywidualnego (IPD)
Planujesz udostępniać dane poszczególnych uczestników (IPD)?
NIEZDECYDOWANY
Informacje o lekach i urządzeniach, dokumenty badawcze
Bada produkt leczniczy regulowany przez amerykańską FDA
Nie
Bada produkt urządzenia regulowany przez amerykańską FDA
Nie
Te informacje zostały pobrane bezpośrednio ze strony internetowej clinicaltrials.gov bez żadnych zmian. Jeśli chcesz zmienić, usunąć lub zaktualizować dane swojego badania, skontaktuj się z register@clinicaltrials.gov. Gdy tylko zmiana zostanie wprowadzona na stronie clinicaltrials.gov, zostanie ona automatycznie zaktualizowana również na naszej stronie internetowej .