Multimodalne obrazowanie w chirurgii szklistkowo-siatkówkowej i dystrofiach plamki żółtej (MICAI)
10 lutego 2024 zaktualizowane przez: RIZZO STANISLAO, Fondazione Policlinico Universitario Agostino Gemelli IRCCS
Obrazowanie multimodalne w chirurgii szklistkowo-siatkówkowej i dystrofiach plamki żółtej: biomarkery regeneracji morfo-funkcjonalnej przez sztuczną inteligencję
Celem pracy jest identyfikacja morfologicznych i funkcjonalnych biomarkerów rekonwalescencji pooperacyjnej po operacji witreoretinalnej, z wykorzystaniem systemów wspomagania decyzji (DSS), opartych na multimodalnej analizie big data z wykorzystaniem technik uczenia maszynowego w codziennej praktyce klinicznej
Przegląd badań
Status
Rekrutacyjny
Szczegółowy opis
Celem pracy jest identyfikacja morfologicznych i funkcjonalnych biomarkerów powrotu do zdrowia po operacji witreoretinalnej.
Zidentyfikowanie biomarkerów i ocena prawdopodobieństwa powrotu do zdrowia umożliwi wskazanie kategorii pacjentów, którzy mogą odnieść największe korzyści z leczenia chirurgicznego, a także dokładniejsze ukierunkowanie pacjenta na medycynę spersonalizowaną i chirurgię.
Wprowadzenie nowych systemów wspomagania decyzji (DSS), opartych na multimodalnej analizie dużych zbiorów danych za pomocą technik uczenia maszynowego w codziennej praktyce klinicznej, dostarcza nowych przydatnych informacji w ocenie pacjenta pod kątem spersonalizowanej operacji.
Typ studiów
Obserwacyjny
Zapisy (Szacowany)
100
Kontakty i lokalizacje
Ta sekcja zawiera dane kontaktowe osób prowadzących badanie oraz informacje o tym, gdzie badanie jest przeprowadzane.
Kontakt w sprawie studiów
- Nazwa: Maria Cristina Savastano, MD,PhD
- Numer telefonu: +39 3384443002
- E-mail: mariacristina.savastano@unicatt.it
Kopia zapasowa kontaktu do badania
- Nazwa: Alfonso Savastano, MD,PhD
- E-mail: alfonso.savastano@policlinicogemelli.it
Lokalizacje studiów
-
-
-
Rome, Włochy, 00168
- Rekrutacyjny
- Prof. Stanislao Rizzo
-
Kontakt:
- Stanislao Rizzo, MD,PhD
-
-
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
1 rok i starsze (Dziecko, Dorosły, Starszy dorosły)
Akceptuje zdrowych ochotników
Nie
Metoda próbkowania
Próbka prawdopodobieństwa
Badana populacja
Wszyscy pacjenci poddani operacji szklistkowo-siatkówkowej z powodu choroby plamki żółtej (tj. dziury w plamce, błon nasiatkówkowych, odwarstwienia siatkówki, dystrofii plamki żółtej (przedprotezowanie siatkówki).
Opis
Kryteria przyjęcia:
Wszyscy pacjenci poddawani operacji szklistkowo-siatkówkowej z powodu:
- Otwór plamki żółtej
- Błony epiretinalne
- Odwarstwienie siatkówki
- Dystrofie plamki żółtej (przedproteza siatkówki)
Kryteria wyłączenia:
- Pacjenci poniżej 18 roku życia będą wykluczeni; pacjenci, u których nie można wykonać badań morfologicznych ze względu na słabą współpracę lub zmętnienie ośrodków dioptrycznych (np. patologia rogówki). Jakość obrazów morfologicznych nieodpowiednia do późniejszej obróbki (<6/10).
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 |
Interwencja / Leczenie |
|---|---|
|
Otwór plamki żółtej
Pacjenci dotknięci otworem plamki żółtej.
|
Pomiary biometryczne wykonywane za pomocą IOL Master, jeśli jest wykonywalny Echobiometria kontaktowa lub zanurzeniowa, jeśli nie można wykonać IOL Master
Kolor + AF: EIDON, jeśli dostępny (60° niemodyfikowalny) Kolor: COBRA (60° niemodyfikowalny) AF: Spectralis-Heidelberg (wybierz 55°) Inne, jeśli dostępne (wybierz badanie tylnego bieguna między 50-60°)
Skan B OCT: 2 skany (6 mm) 1 linia krzyżowa OCTA: 3x3 mm + 6x6 mm pośrodku dołka 4,5 mm pośrodku nerwu wzrokowego
1) wzór fiksacji 2) mapa wrażliwości siatkówki
Ocena warstwy po warstwie siatkówki przy użyciu ogniskowej ERG i wzorcowej ERG zgodnie ze standardowymi i opublikowanymi metodami. Dla pacjentów z widzeniem < 3/10 i niestabilną fiksacją zostanie zastosowany protokół oparty na analizie składowej fotopowej ERG z rozproszonego błysku.
|
|
Błony epiretinalne
Pacjenci dotknięci błoną nasiatkówkową.
|
Pomiary biometryczne wykonywane za pomocą IOL Master, jeśli jest wykonywalny Echobiometria kontaktowa lub zanurzeniowa, jeśli nie można wykonać IOL Master
Kolor + AF: EIDON, jeśli dostępny (60° niemodyfikowalny) Kolor: COBRA (60° niemodyfikowalny) AF: Spectralis-Heidelberg (wybierz 55°) Inne, jeśli dostępne (wybierz badanie tylnego bieguna między 50-60°)
Skan B OCT: 2 skany (6 mm) 1 linia krzyżowa OCTA: 3x3 mm + 6x6 mm pośrodku dołka 4,5 mm pośrodku nerwu wzrokowego
1) wzór fiksacji 2) mapa wrażliwości siatkówki
Ocena warstwy po warstwie siatkówki przy użyciu ogniskowej ERG i wzorcowej ERG zgodnie ze standardowymi i opublikowanymi metodami. Dla pacjentów z widzeniem < 3/10 i niestabilną fiksacją zostanie zastosowany protokół oparty na analizie składowej fotopowej ERG z rozproszonego błysku.
|
|
Odwarstwienie siatkówki
Pacjenci dotknięci odwarstwieniem siatkówki.
|
Pomiary biometryczne wykonywane za pomocą IOL Master, jeśli jest wykonywalny Echobiometria kontaktowa lub zanurzeniowa, jeśli nie można wykonać IOL Master
Kolor + AF: EIDON, jeśli dostępny (60° niemodyfikowalny) Kolor: COBRA (60° niemodyfikowalny) AF: Spectralis-Heidelberg (wybierz 55°) Inne, jeśli dostępne (wybierz badanie tylnego bieguna między 50-60°)
Skan B OCT: 2 skany (6 mm) 1 linia krzyżowa OCTA: 3x3 mm + 6x6 mm pośrodku dołka 4,5 mm pośrodku nerwu wzrokowego
1) wzór fiksacji 2) mapa wrażliwości siatkówki
Ocena warstwy po warstwie siatkówki przy użyciu ogniskowej ERG i wzorcowej ERG zgodnie ze standardowymi i opublikowanymi metodami. Dla pacjentów z widzeniem < 3/10 i niestabilną fiksacją zostanie zastosowany protokół oparty na analizie składowej fotopowej ERG z rozproszonego błysku.
|
|
Dystrofie plamki żółtej
Pacjenci dotknięci dystrofią plamki żółtej.
|
Pomiary biometryczne wykonywane za pomocą IOL Master, jeśli jest wykonywalny Echobiometria kontaktowa lub zanurzeniowa, jeśli nie można wykonać IOL Master
Kolor + AF: EIDON, jeśli dostępny (60° niemodyfikowalny) Kolor: COBRA (60° niemodyfikowalny) AF: Spectralis-Heidelberg (wybierz 55°) Inne, jeśli dostępne (wybierz badanie tylnego bieguna między 50-60°)
Skan B OCT: 2 skany (6 mm) 1 linia krzyżowa OCTA: 3x3 mm + 6x6 mm pośrodku dołka 4,5 mm pośrodku nerwu wzrokowego
1) wzór fiksacji 2) mapa wrażliwości siatkówki
Ocena warstwy po warstwie siatkówki przy użyciu ogniskowej ERG i wzorcowej ERG zgodnie ze standardowymi i opublikowanymi metodami. Dla pacjentów z widzeniem < 3/10 i niestabilną fiksacją zostanie zastosowany protokół oparty na analizie składowej fotopowej ERG z rozproszonego błysku.
|
Co mierzy badanie?
Podstawowe miary wyniku
Miara wyniku |
Opis środka |
Ramy czasowe |
|---|---|---|
|
Przewidywalność morfologiczno-funkcjonalnych danych radiomicznych
Ramy czasowe: 3 lata
|
Wskaźnik przewidywalności morfologiczno-funkcjonalnych danych radiomicznych w celu ustalenia stopnia wyzdrowienia w okresie pooperacyjnym za pomocą modelu uczenia maszynowego opartego na sztucznej inteligencji (AI).
|
3 lata
|
Miary wyników drugorzędnych
Miara wyniku |
Opis środka |
Ramy czasowe |
|---|---|---|
|
Zidentyfikuj różnice predykcyjne w zależności od diagnozy
Ramy czasowe: 3 lata
|
Podział na podgrupy w celu identyfikacji różnic predykcyjnych w zależności od diagnozy
|
3 lata
|
|
Korelacja z wiekiem pacjentów
Ramy czasowe: 3 lata
|
Zidentyfikuj różnice predykcyjne w zależności od diagnozy i skoreluj je z wiekiem pacjentów
|
3 lata
|
|
Skoreluj z wiekiem zachorowania
Ramy czasowe: 3 lata
|
Zidentyfikuj różnice predykcyjne w zależności od diagnozy i skoreluj je z wiekiem zachorowania
|
3 lata
|
Współpracownicy i badacze
Tutaj znajdziesz osoby i organizacje zaangażowane w to badanie.
Publikacje i pomocne linki
Osoba odpowiedzialna za wprowadzenie informacji o badaniu dobrowolnie udostępnia te publikacje. Mogą one dotyczyć wszystkiego, co jest związane z badaniem.
Publikacje ogólne
- Gulshan V, Peng L, Coram M, Stumpe MC, Wu D, Narayanaswamy A, Venugopalan S, Widner K, Madams T, Cuadros J, Kim R, Raman R, Nelson PC, Mega JL, Webster DR. Development and Validation of a Deep Learning Algorithm for Detection of Diabetic Retinopathy in Retinal Fundus Photographs. JAMA. 2016 Dec 13;316(22):2402-2410. doi: 10.1001/jama.2016.17216.
- Harris PA, Taylor R, Minor BL, Elliott V, Fernandez M, O'Neal L, McLeod L, Delacqua G, Delacqua F, Kirby J, Duda SN; REDCap Consortium. The REDCap consortium: Building an international community of software platform partners. J Biomed Inform. 2019 Jul;95:103208. doi: 10.1016/j.jbi.2019.103208. Epub 2019 May 9.
- Duker JS, Kaiser PK, Binder S, de Smet MD, Gaudric A, Reichel E, Sadda SR, Sebag J, Spaide RF, Stalmans P. The International Vitreomacular Traction Study Group classification of vitreomacular adhesion, traction, and macular hole. Ophthalmology. 2013 Dec;120(12):2611-2619. doi: 10.1016/j.ophtha.2013.07.042. Epub 2013 Sep 17.
- Kermany DS, Goldbaum M, Cai W, Valentim CCS, Liang H, Baxter SL, McKeown A, Yang G, Wu X, Yan F, Dong J, Prasadha MK, Pei J, Ting MYL, Zhu J, Li C, Hewett S, Dong J, Ziyar I, Shi A, Zhang R, Zheng L, Hou R, Shi W, Fu X, Duan Y, Huu VAN, Wen C, Zhang ED, Zhang CL, Li O, Wang X, Singer MA, Sun X, Xu J, Tafreshi A, Lewis MA, Xia H, Zhang K. Identifying Medical Diagnoses and Treatable Diseases by Image-Based Deep Learning. Cell. 2018 Feb 22;172(5):1122-1131.e9. doi: 10.1016/j.cell.2018.02.010.
- Esteva A, Kuprel B, Novoa RA, Ko J, Swetter SM, Blau HM, Thrun S. Dermatologist-level classification of skin cancer with deep neural networks. Nature. 2017 Feb 2;542(7639):115-118. doi: 10.1038/nature21056. Epub 2017 Jan 25. Erratum In: Nature. 2017 Jun 28;546(7660):686.
- Schmidt-Erfurth U, Waldstein SM, Klimscha S, Sadeghipour A, Hu X, Gerendas BS, Osborne A, Bogunovic H. Prediction of Individual Disease Conversion in Early AMD Using Artificial Intelligence. Invest Ophthalmol Vis Sci. 2018 Jul 2;59(8):3199-3208. doi: 10.1167/iovs.18-24106.
- Garrity ST, Sarraf D, Freund KB, Sadda SR. Multimodal Imaging of Nonneovascular Age-Related Macular Degeneration. Invest Ophthalmol Vis Sci. 2018 Mar 20;59(4):AMD48-AMD64. doi: 10.1167/iovs.18-24158.
- Acon D, Wu L. Multimodal Imaging in Diabetic Macular Edema. Asia Pac J Ophthalmol (Phila). 2018 Jan-Feb;7(1):22-27. doi: 10.22608/APO.2017504. Epub 2017 Jan 29.
- Spaide RF, Fujimoto JG, Waheed NK, Sadda SR, Staurenghi G. Optical coherence tomography angiography. Prog Retin Eye Res. 2018 May;64:1-55. doi: 10.1016/j.preteyeres.2017.11.003. Epub 2017 Dec 8.
- Sun P, Tandias RM, Yu G, Arroyo JG. SPECTRAL DOMAIN OPTICAL COHERENCE TOMOGRAPHY FINDINGS AND VISUAL OUTCOME AFTER TREATMENT FOR VITREOMACULAR TRACTION. Retina. 2019 Jun;39(6):1054-1060. doi: 10.1097/IAE.0000000000002116.
- Lee CS, Tyring AJ, Deruyter NP, Wu Y, Rokem A, Lee AY. Deep-learning based, automated segmentation of macular edema in optical coherence tomography. Biomed Opt Express. 2017 Jun 23;8(7):3440-3448. doi: 10.1364/BOE.8.003440. eCollection 2017 Jul 1.
- Zur D, Iglicki M, Busch C, Invernizzi A, Mariussi M, Loewenstein A; International Retina Group. OCT Biomarkers as Functional Outcome Predictors in Diabetic Macular Edema Treated with Dexamethasone Implant. Ophthalmology. 2018 Feb;125(2):267-275. doi: 10.1016/j.ophtha.2017.08.031. Epub 2017 Sep 19.
- Beam AL, Kohane IS. Big Data and Machine Learning in Health Care. JAMA. 2018 Apr 3;319(13):1317-1318. doi: 10.1001/jama.2017.18391. No abstract available.
- Ngiam KY, Khor IW. Big data and machine learning algorithms for health-care delivery. Lancet Oncol. 2019 May;20(5):e262-e273. doi: 10.1016/S1470-2045(19)30149-4. Erratum In: Lancet Oncol. 2019 Jun;20(6):293.
- Abramoff MD, Lou Y, Erginay A, Clarida W, Amelon R, Folk JC, Niemeijer M. Improved Automated Detection of Diabetic Retinopathy on a Publicly Available Dataset Through Integration of Deep Learning. Invest Ophthalmol Vis Sci. 2016 Oct 1;57(13):5200-5206. doi: 10.1167/iovs.16-19964.
- Lakhani P, Sundaram B. Deep Learning at Chest Radiography: Automated Classification of Pulmonary Tuberculosis by Using Convolutional Neural Networks. Radiology. 2017 Aug;284(2):574-582. doi: 10.1148/radiol.2017162326. Epub 2017 Apr 24.
- Ting DSW, Cheung CY, Lim G, Tan GSW, Quang ND, Gan A, Hamzah H, Garcia-Franco R, San Yeo IY, Lee SY, Wong EYM, Sabanayagam C, Baskaran M, Ibrahim F, Tan NC, Finkelstein EA, Lamoureux EL, Wong IY, Bressler NM, Sivaprasad S, Varma R, Jonas JB, He MG, Cheng CY, Cheung GCM, Aung T, Hsu W, Lee ML, Wong TY. Development and Validation of a Deep Learning System for Diabetic Retinopathy and Related Eye Diseases Using Retinal Images From Multiethnic Populations With Diabetes. JAMA. 2017 Dec 12;318(22):2211-2223. doi: 10.1001/jama.2017.18152.
- Li Z, He Y, Keel S, Meng W, Chang RT, He M. Efficacy of a Deep Learning System for Detecting Glaucomatous Optic Neuropathy Based on Color Fundus Photographs. Ophthalmology. 2018 Aug;125(8):1199-1206. doi: 10.1016/j.ophtha.2018.01.023. Epub 2018 Mar 2.
- Burlina P, Joshi N, Pacheco KD, Freund DE, Kong J, Bressler NM. Utility of Deep Learning Methods for Referability Classification of Age-Related Macular Degeneration. JAMA Ophthalmol. 2018 Nov 1;136(11):1305-1307. doi: 10.1001/jamaophthalmol.2018.3799.
- Grassmann F, Mengelkamp J, Brandl C, Harsch S, Zimmermann ME, Linkohr B, Peters A, Heid IM, Palm C, Weber BHF. A Deep Learning Algorithm for Prediction of Age-Related Eye Disease Study Severity Scale for Age-Related Macular Degeneration from Color Fundus Photography. Ophthalmology. 2018 Sep;125(9):1410-1420. doi: 10.1016/j.ophtha.2018.02.037. Epub 2018 Apr 10.
- Brown JM, Campbell JP, Beers A, Chang K, Ostmo S, Chan RVP, Dy J, Erdogmus D, Ioannidis S, Kalpathy-Cramer J, Chiang MF; Imaging and Informatics in Retinopathy of Prematurity (i-ROP) Research Consortium. Automated Diagnosis of Plus Disease in Retinopathy of Prematurity Using Deep Convolutional Neural Networks. JAMA Ophthalmol. 2018 Jul 1;136(7):803-810. doi: 10.1001/jamaophthalmol.2018.1934.
- De Fauw J, Ledsam JR, Romera-Paredes B, Nikolov S, Tomasev N, Blackwell S, Askham H, Glorot X, O'Donoghue B, Visentin D, van den Driessche G, Lakshminarayanan B, Meyer C, Mackinder F, Bouton S, Ayoub K, Chopra R, King D, Karthikesalingam A, Hughes CO, Raine R, Hughes J, Sim DA, Egan C, Tufail A, Montgomery H, Hassabis D, Rees G, Back T, Khaw PT, Suleyman M, Cornebise J, Keane PA, Ronneberger O. Clinically applicable deep learning for diagnosis and referral in retinal disease. Nat Med. 2018 Sep;24(9):1342-1350. doi: 10.1038/s41591-018-0107-6. Epub 2018 Aug 13.
- Schmidt-Erfurth U, Sadeghipour A, Gerendas BS, Waldstein SM, Bogunovic H. Artificial intelligence in retina. Prog Retin Eye Res. 2018 Nov;67:1-29. doi: 10.1016/j.preteyeres.2018.07.004. Epub 2018 Aug 1.
- Sarao V, Veritti D, Borrelli E, Sadda SVR, Poletti E, Lanzetta P. A comparison between a white LED confocal imaging system and a conventional flash fundus camera using chromaticity analysis. BMC Ophthalmol. 2019 Nov 19;19(1):231. doi: 10.1186/s12886-019-1241-8.
- Fernandez-Avellaneda P, Breazzano MP, Fragiotta S, Xu X, Zhang Q, Wang RK, Freund KB. BACILLARY LAYER DETACHMENT OVERLYING REDUCED CHORIOCAPILLARIS FLOW IN ACUTE IDIOPATHIC MACULOPATHY. Retin Cases Brief Rep. 2022 Jan 1;16(1):59-66. doi: 10.1097/ICB.0000000000000943.
- Huang NT, Georgiadis C, Gomez J, Tang PH, Drayna P, Koozekanani DD, van Kuijk FJGM, Montezuma SR. Comparing fundus autofluorescence and infrared imaging findings of peripheral retinoschisis, schisis detachment, and retinal detachment. Am J Ophthalmol Case Rep. 2020 Mar 26;18:100666. doi: 10.1016/j.ajoc.2020.100666. eCollection 2020 Jun.
- Stanga PE, Williams JI, Shaarawy SA, Agarwal A, Venkataraman A, Kumar DA, You TT, Hope RS. FIRST-IN-HUMAN CLINICAL STUDY TO INVESTIGATE THE EFFECTIVENESS AND SAFETY OF PARS PLANA VITRECTOMY SURGERY USING A NEW HYPERSONIC TECHNOLOGY. Retina. 2020 Jan;40(1):16-23. doi: 10.1097/IAE.0000000000002365.
- Hubschman JP, Govetto A, Spaide RF, Schumann R, Steel D, Figueroa MS, Sebag J, Gaudric A, Staurenghi G, Haritoglou C, Kadonosono K, Thompson JT, Chang S, Bottoni F, Tadayoni R. Optical coherence tomography-based consensus definition for lamellar macular hole. Br J Ophthalmol. 2020 Dec;104(12):1741-1747. doi: 10.1136/bjophthalmol-2019-315432. Epub 2020 Feb 27.
- Bae K, Lee SM, Kang SW, Kim ES, Yu SY, Kim KT. Atypical epiretinal tissue in full-thickness macular holes: pathogenic and prognostic significance. Br J Ophthalmol. 2019 Feb;103(2):251-256. doi: 10.1136/bjophthalmol-2017-311810. Epub 2018 Apr 26.
- Rizzo S, Tartaro R, Barca F, Caporossi T, Bacherini D, Giansanti F. INTERNAL LIMITING MEMBRANE PEELING VERSUS INVERTED FLAP TECHNIQUE FOR TREATMENT OF FULL-THICKNESS MACULAR HOLES: A COMPARATIVE STUDY IN A LARGE SERIES OF PATIENTS. Retina. 2018 Sep;38 Suppl 1:S73-S78. doi: 10.1097/IAE.0000000000001985.
- Christensen UC. Value of internal limiting membrane peeling in surgery for idiopathic macular hole and the correlation between function and retinal morphology. Acta Ophthalmol. 2009 Dec;87 Thesis 2:1-23. doi: 10.1111/j.1755-3768.2009.01777.x.
- Fukuyama H, Ishikawa H, Komuku Y, Araki T, Kimura N, Gomi F. Comparative analysis of metamorphopsia and aniseikonia after vitrectomy for epiretinal membrane, macular hole, or rhegmatogenous retinal detachment. PLoS One. 2020 May 8;15(5):e0232758. doi: 10.1371/journal.pone.0232758. eCollection 2020.
- Rizzo S, Savastano A, Bacherini D, Savastano MC. Vascular Features of Full-Thickness Macular Hole by OCT Angiography. Ophthalmic Surg Lasers Imaging Retina. 2017 Jan 1;48(1):62-68. doi: 10.3928/23258160-20161219-09.
- Bacherini D, Savastano MC, Dragotto F, Finocchio L, Lenzetti C, Bitossi A, Tartaro R, Giansanti F, Barca F, Savastano A, Caporossi T, Vannozzi L, Sodi A, Luca M, Faraldi F, Virgili G, Rizzo S. Morpho-Functional Evaluation of Full-Thickness Macular Holes by the Integration of Optical Coherence Tomography Angiography and Microperimetry. J Clin Med. 2020 Jan 15;9(1):229. doi: 10.3390/jcm9010229.
- Qi Y, Wang Z, Li SM, You Q, Liang X, Yu Y, Liu W. Effect of internal limiting membrane peeling on normal retinal function evaluated by microperimetry-3. BMC Ophthalmol. 2020 Apr 9;20(1):140. doi: 10.1186/s12886-020-01383-3.
- Smith AJ, Telander DG, Zawadzki RJ, Choi SS, Morse LS, Werner JS, Park SS. High-resolution Fourier-domain optical coherence tomography and microperimetric findings after macula-off retinal detachment repair. Ophthalmology. 2008 Nov;115(11):1923-9. doi: 10.1016/j.ophtha.2008.05.025. Epub 2008 Jul 31.
- Reumueller A, Wassermann L, Salas M, Karantonis MG, Sacu S, Georgopoulos M, Drexler W, Pircher M, Pollreisz A, Schmidt-Erfurth U. Morphologic and Functional Assessment of Photoreceptors After Macula-Off Retinal Detachment With Adaptive-Optics OCT and Microperimetry. Am J Ophthalmol. 2020 Jun;214:72-85. doi: 10.1016/j.ajo.2019.12.015. Epub 2019 Dec 25.
- Falsini B, Serrao S, Fadda A, Iarossi G, Porrello G, Cocco F, Merendino E. Focal electroretinograms and fundus appearance in nonexudative age-related macular degeneration. Quantitative relationship between retinal morphology and function. Graefes Arch Clin Exp Ophthalmol. 1999 Mar;237(3):193-200. doi: 10.1007/s004170050218.
- Falsini B, Bardocci A, Porciatti V, Bolzani R, Piccardi M. Macular dysfunction in multiple sclerosis revealed by steady-state flicker and pattern ERGs. Electroencephalogr Clin Neurophysiol. 1992 Jan;82(1):53-9. doi: 10.1016/0013-4694(92)90182-h.
- Abed E, Placidi G, Campagna F, Federici M, Minnella A, Guerri G, Bertelli M, Piccardi M, Galli-Resta L, Falsini B. Early impairment of the full-field photopic negative response in patients with Stargardt disease and pathogenic variants of the ABCA4 gene. Clin Exp Ophthalmol. 2018 Jul;46(5):519-530. doi: 10.1111/ceo.13115. Epub 2017 Dec 28.
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)
15 stycznia 2021
Zakończenie podstawowe (Szacowany)
15 stycznia 2025
Ukończenie studiów (Szacowany)
16 stycznia 2025
Daty rejestracji na studia
Pierwszy przesłany
17 lutego 2023
Pierwszy przesłany, który spełnia kryteria kontroli jakości
17 lutego 2023
Pierwszy wysłany (Rzeczywisty)
28 lutego 2023
Aktualizacje rekordów badań
Ostatnia wysłana aktualizacja (Rzeczywisty)
13 lutego 2024
Ostatnia przesłana aktualizacja, która spełniała kryteria kontroli jakości
10 lutego 2024
Ostatnia weryfikacja
1 lutego 2024
Więcej informacji
Terminy związane z tym badaniem
Dodatkowe istotne warunki MeSH
Inne numery identyfikacyjne badania
- 3680
Plan dla danych uczestnika indywidualnego (IPD)
Planujesz udostępniać dane poszczególnych uczestników (IPD)?
NIE
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 .
Badania kliniczne na Odwarstwienie siatkówki
-
Charles C Wykoff, PhD, MDGenentech, Inc.ZakończonyCentralna siatkówka, Hemi Retinal i Gałąź żyły siatkówkiStany Zjednoczone