Ta strona została przetłumaczona automatycznie i dokładność tłumaczenia nie jest gwarantowana. Proszę odnieść się do angielska wersja za tekst źródłowy.

Badania i zastosowanie inteligentnego systemu diagnostyki ultradźwiękowej masy jajnika

25 lipca 2024 zaktualizowane przez: Zhejiang Provincial People's Hospital

Badania nad automatycznym wykrywaniem masy jajnika i inteligentnym systemem diagnostyki pomocniczej w oparciu o multimodalne obrazy ultrasonograficzne

Badania nad automatycznym wykrywaniem masy jajnika oraz inteligentnym systemem diagnostyki pomocniczej opartym na multimodalnych obrazach USG.

Przegląd badań

Status

Jeszcze nie rekrutacja

Warunki

Interwencja / Leczenie

Szczegółowy opis

Celem badaczy było opracowanie inteligentnego systemu ultradźwiękowej diagnostyki masy jajników w oparciu o multimodalne obrazy ultrasonograficzne.

Typ studiów

Obserwacyjny

Zapisy (Szacowany)

100000

Kontakty i lokalizacje

Ta sekcja zawiera dane kontaktowe osób prowadzących badanie oraz informacje o tym, gdzie badanie jest przeprowadzane.

Kontakt w sprawie studiów

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

  • Dziecko
  • Dorosły
  • Starszy dorosły

Akceptuje zdrowych ochotników

Tak

Metoda próbkowania

Próbka bez prawdopodobieństwa

Badana populacja

W badaniu USG ginekologicznym u co najmniej jednej pacjentki stwierdzono przetrwały guz jajnika. Chora była leczona operacyjnie i badana histopatologicznie.

Opis

Kryteria przyjęcia:

  1. W badaniu USG ginekologicznym u co najmniej jednej pacjentki stwierdzono przetrwały guz jajnika.
  2. Chora była leczona operacyjnie i badana histopatologicznie.

Kryteria wyłączenia:

  1. Analiza histopatologiczna potwierdza guz niejajnikowy;
  2. Wyniki histopatologiczne są niejednoznaczne;
  3. Problemy z jakością obrazu: masa jajnika jest niekompletna i nie widać niektórych otaczających ją tkanek (ale masa jest zbyt duża, aby ją całkowicie wykluczyć); obrazy są zbyt rozmyte, co utrudnia określenie cech masy jajnikowej (możliwe przyczyny to problemy z jakością sprzętu ultrasonografu, rozmycie ruchu, problemy z ostrością, obecność gazów jelitowych u pacjentki); ustawienia wzmocnienia utrudniają ocenę cech masy jajnika (takich jak niski kontrast, zbyt ciemne obrazy lub nasycenie); obecność artefaktów wpływa na ocenę ultrasonograficznej charakterystyki masy jajnika i powinna zostać wykluczona.

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
Kohorta szkoleniowa
Kohorta treningowa służy do uczenia sztucznego modelu na podstawie wielomodelowych obrazów lub filmów USG.
Kohorta walidacyjna
Kohorta walidacyjna służy do walidacji sztucznego modelu.
Test diagnostyczny: Model sztucznej inteligencji
Wykorzystanie modelu sztucznej inteligencji do diagnozowania łagodnych, granicznych i złośliwych guzów jajnika.
Wewnętrzna kohorta testowa
Wewnętrzna kohorta testowa służy do wewnętrznego testowania sztucznego modelu.
Test diagnostyczny: Model sztucznej inteligencji
Wykorzystanie modelu sztucznej inteligencji do diagnozowania łagodnych, granicznych i złośliwych guzów jajnika.
Zewnętrzna kohorta testowa
Zewnętrzna kohorta testowa służy do wewnętrznego testowania sztucznego modelu.
Test diagnostyczny: Model sztucznej inteligencji
Wykorzystanie modelu sztucznej inteligencji do diagnozowania łagodnych, granicznych i złośliwych guzów jajnika.

Co mierzy badanie?

Podstawowe miary wyniku

Miara wyniku
Opis środka
Ramy czasowe
Pole pod krzywą
Ramy czasowe: Do ukończenia studiów, średnio 1 rok
AUC (Area Under the Curve) to powszechny wskaźnik używany do oceny wydajności binarnego modelu klasyfikacji.
Do ukończenia studiów, średnio 1 rok

Miary wyników drugorzędnych

Miara wyniku
Opis środka
Ramy czasowe
Wrażliwość
Ramy czasowe: Do ukończenia studiów, średnio 1 rok
Czułość oznacza zdolność testu do prawidłowego zidentyfikowania wyniku dodatniego u osoby, która faktycznie jest chora. Stanowi odsetek przypadków, w których test jest w stanie wykryć chorobę jako pozytywny
Do ukończenia studiów, średnio 1 rok

Inne miary wyników

Miara wyniku
Opis środka
Ramy czasowe
Specyficzność
Ramy czasowe: Do ukończenia studiów, średnio 1 rok
Swoistość odnosi się do zdolności testu do prawidłowego zidentyfikowania wyniku ujemnego u osoby, która w rzeczywistości nie jest chora. Oznacza odsetek przypadków, w których wynik choroby jest ujemny, jaki test jest w stanie wykryć.
Do ukończenia studiów, średnio 1 rok
Dokładność
Ramy czasowe: Do ukończenia studiów, średnio 1 rok
Dokładność odnosi się do stopnia, w jakim wyniki testu diagnostycznego są zgodne z rzeczywistą sytuacją
Do ukończenia studiów, średnio 1 rok
Dodatnia wartość predykcyjna
Ramy czasowe: Do ukończenia studiów, średnio 1 rok
Dodatnia wartość predykcyjna wskazuje prawdopodobieństwo, że wynik testu będzie prawdziwy, jeśli będzie dodatni. Innymi słowy, reprezentuje odsetek osób, u których w przypadku pozytywnego wyniku testu zdiagnozowano chorobę, a które faktycznie są chore
Do ukończenia studiów, średnio 1 rok
Ujemna wartość predykcyjna
Ramy czasowe: Do ukończenia studiów, średnio 1 rok
Ujemna wartość predykcyjna odnosi się do prawdopodobieństwa, że ​​jeśli wynik testu będzie negatywny, wynik będzie rzeczywiście negatywny. Oznacza odsetek osób, u których w przypadku ujemnych wyników testu zdiagnozowano wynik negatywny, a które są rzeczywiście wolne od choroby
Do ukończenia studiów, średnio 1 rok

Współpracownicy i badacze

Tutaj znajdziesz osoby i organizacje zaangażowane w to badanie.

Sponsor

Zhejiang Provincial People's Hospital

Współpracownicy

The Affiliated Hospital of Qingdao University
Women's Hospital School Of Medicine Zhejiang University
The Second Affiliated Hospital of Harbin Medical University
Sichuan provincial maternity and child health care hospital
Aksu First People's Hospital

Śledczy

  • Krzesło do nauki: Litao Sun, Professor, Zhejiang Provincial People's 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 (Szacowany)

30 lipca 2024

Zakończenie podstawowe (Szacowany)

30 lipca 2029

Ukończenie studiów (Szacowany)

30 lipca 2029

Daty rejestracji na studia

Pierwszy przesłany

18 lipca 2024

Pierwszy przesłany, który spełnia kryteria kontroli jakości

25 lipca 2024

Pierwszy wysłany (Rzeczywisty)

30 lipca 2024

Aktualizacje rekordów badań

Ostatnia wysłana aktualizacja (Rzeczywisty)

30 lipca 2024

Ostatnia przesłana aktualizacja, która spełniała kryteria kontroli jakości

25 lipca 2024

Ostatnia weryfikacja

1 lipca 2024

Więcej informacji

Terminy związane z tym badaniem

Dodatkowe istotne warunki MeSH

Inne numery identyfikacyjne badania

  • KY2024053

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 .

Subskrybuj