- ICH GCP
- Rejestr badań klinicznych w USA
- Badanie kliniczne NCT06540742
Multimodalny system diagnostyki obrazowej i wspomagania decyzji w przypadku bąblowicy wątrobowej w oparciu o omiki obrazu i makromodel wzroku
13 września 2024 zaktualizowane przez: Sun Yat-Sen Memorial Hospital of Sun Yat-Sen University
Bąblowica wątrobowa (bąblowica wątrobowa) jest ważną chorobą odzwierzęcą powszechnie występującą na obszarach rolniczych i pasterskich północno-zachodnich Chin.
Choroba może pasożytować w dowolnej części ludzkiego ciała i może wpływać na wiele narządów.
W ciężkich przypadkach pacjenci stracą zdolność do pracy.
Obecnie choroba ta stoi przed wyzwaniami w zakresie dokładności diagnostycznej, identyfikacji konkretnego typu, oceny aktywności przedoperacyjnej, przewidywania nawrotu pooperacyjnego i oceny wcięcia rurki T.
Problem ten jest szczególnie istotny na obszarach o dużej zachorowalności, gdzie występuje nierównomierne rozmieszczenie zasobów medycznych i niedobór doskonałych lekarzy i klinicystów zajmujących się diagnostyką obrazową.
Nasze poprzednie badania wykazały, że zastosowanie dużych modeli wizualnych i algorytmów omiki obrazowania może skutecznie segmentować zmiany w wątrobie związane z bąblowcem, wyodrębniać kluczowe cechy i zapewniać klinicystom dokładną i wiarygodną diagnozę oraz zalecenia dotyczące leczenia.
Wierzymy, że w oparciu o transformację różnych trybów obrazu medycznego (takich jak MRI, CT i USG) w oparciu o szerszy, wieloośrodkowy duży zbiór danych, celem skutecznej identyfikacji, diagnozowania, wspomagania decyzji chirurgicznych i dokładnego przewidywania pooperacyjnego uszkodzenia wątroby można osiągnąć bąblowicę.
Wykorzystamy rozwiązania technologii sztucznej inteligencji, takie jak sieć generowania kontradyktoryjności, duży model wizji, omiki obrazu i fuzja poziomów decyzyjnych, uwzględniające skuteczność diagnozy i leczenia, automatyzację diagnozy i leczenia oraz możliwość interpretacji wyników diagnozy, do zbudowania kompleksowej dokładnej diagnozy i rokowania system leczenia bąblowicy wątrobowej
Przegląd badań
Status
Zakończony
Warunki
Interwencja / Leczenie
Szczegółowy opis
- Automatyczne rozpoznawanie/skuteczna diagnostyka bąblowicy wątrobowej: Opracowanie narzędzia diagnostycznego AI opartego na głębokim uczeniu się, którego celem jest lepsze różnicowanie bąblowicy wątrobowej od innych chorób wątroby, takich jak torbiele wątroby, ropnie wątroby i inne zmiany zajmujące przestrzeń torbielowatą wątroby. Narzędzie będzie wykorzystywać generatywne sieci kontradyktoryjne i spolaryzowane algorytmy samouważności do skutecznej identyfikacji i klasyfikacji bąblowicy wątrobowej w celu uzupełnienia nierównych zasobów medycznych i niedoboru zawodowych lekarzy w regionie zachodnim
- Diagnostyka różnicowa określonych typów bąblowicy wątrobowej: Zbadanie zastosowania obrazowania multimodalnego w połączeniu z metodami głębokiego uczenia się w celu rozróżnienia typu CL, typu CE1 i torbieli wątrobowej bąblowicy wątroby. W badaniach tych zastosowany zostanie algorytm segmentacji obrazu medycznego DINOv2 i technologia głębokiego uczenia się, aby dokładnie zidentyfikować przypadki ze stosunkowo nierównomiernie rozłożonymi i złożonymi danymi.
- Przewidywanie pooperacyjnego nawrotu bąblowicy wątrobowej: Uczenie się transferu i algorytm Deep-SVDD służą do przewidywania ryzyka pooperacyjnego nawrotu bąblowicy wątrobowej, zapewniając skuteczne rozwiązanie w przypadku zestawów danych o niezrównoważonej wielkości próbek. Ponadto, integrując dane na platformie medycznej Big Data, stworzono oparty na sztucznej inteligencji model przewidywania nawrotów pooperacyjnych
Typ studiów
Obserwacyjny
Zapisy (Rzeczywisty)
1000
Kontakty i lokalizacje
Ta sekcja zawiera dane kontaktowe osób prowadzących badanie oraz informacje o tym, gdzie badanie jest przeprowadzane.
Lokalizacje studiów
-
-
China/Guangdong
-
Guangzhou, China/Guangdong, Chiny
- Sun Yat-Sen Memorial Hospital of Sun Yat-Sen University
-
-
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
Nie
Metoda próbkowania
Próbka bez prawdopodobieństwa
Badana populacja
W niniejszym badaniu, na podstawie danych obrazowych pacjentów z bąblowcem wątroby potwierdzonym patologią po operacji, zastosowano technologię głębokiego uczenia się w celu odróżnienia bąblowca wątrobowego od zmian torbielowatych wątroby, takich jak torbiel wątroby i ropień wątroby
Opis
Kryteria przyjęcia:
- Pacjenci z pełnymi oryginalnymi obrazami w formatach dcim CT, USG i MRI
- Pacjenci z bąblowcem wątroby potwierdzonym patologią po operacji
- Pacjenci z pełną ochroną danych klinicznych
Kryteria wyłączenia:
- Pacjenci z danymi obrazowymi złej jakości
- Pacjenci z niekompletnymi danymi klinicznymi
- Pacjenci z bąblowicą wątroby CE4 i CE5 diagnozowani wyłącznie na podstawie obrazowania, bez leczenia chirurgicznego
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 |
|---|---|
|
Grupa obserwacyjna
W niniejszym badaniu obiektem badań były przedoperacyjne dane obrazowe pacjentów z bąblowcem wątrobowym
|
Skonstruowano sztuczną sieć neuronową w celu automatycznej identyfikacji bąblowca wątrobowego za pomocą technologii głębokiego uczenia się
|
|
Grupa kontrolna
Grupę kontrolną stanowiły torbiel wątroby, ropień wątroby i wątroba prawidłowa
|
Skonstruowano sztuczną sieć neuronową w celu automatycznej identyfikacji bąblowca wątrobowego za pomocą technologii głębokiego uczenia się
|
Co mierzy badanie?
Podstawowe miary wyniku
Miara wyniku |
Opis środka |
Ramy czasowe |
|---|---|---|
|
krzywa roc
Ramy czasowe: 2024.7-2026.3
|
Krzywa charakterystyki pracy odbiornika
|
2024.7-2026.3
|
|
AUC
Ramy czasowe: 2024.7-2026.3
|
Pole pod krzywą ROC
|
2024.7-2026.3
|
|
PPV
Ramy czasowe: 2024.7-2026.3
|
Dodatnia wartość predykcyjna
|
2024.7-2026.3
|
|
NPV
Ramy czasowe: 2024.7-2026.3
|
Ujemna wartość predykcyjna
|
2024.7-2026.3
|
Współpracownicy i badacze
Tutaj znajdziesz osoby i organizacje zaangażowane w to badanie.
Śledczy
- Dyrektor Studium: Yajin Chen, Sun Yat-Sen Memorial Hospital of Sun Yat-Sen University
Publikacje i pomocne linki
Osoba odpowiedzialna za wprowadzenie informacji o badaniu dobrowolnie udostępnia te publikacje. Mogą one dotyczyć wszystkiego, co jest związane z badaniem.
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)
30 września 2023
Zakończenie podstawowe (Rzeczywisty)
12 września 2024
Ukończenie studiów (Rzeczywisty)
12 września 2024
Daty rejestracji na studia
Pierwszy przesłany
2 sierpnia 2024
Pierwszy przesłany, który spełnia kryteria kontroli jakości
2 sierpnia 2024
Pierwszy wysłany (Rzeczywisty)
6 sierpnia 2024
Aktualizacje rekordów badań
Ostatnia wysłana aktualizacja (Rzeczywisty)
19 września 2024
Ostatnia przesłana aktualizacja, która spełniała kryteria kontroli jakości
13 września 2024
Ostatnia weryfikacja
1 września 2024
Więcej informacji
Terminy związane z tym badaniem
Słowa kluczowe
Dodatkowe istotne warunki MeSH
Inne numery identyfikacyjne badania
- SYSKY-2024-517-01
Plan dla danych uczestnika indywidualnego (IPD)
Planujesz udostępniać dane poszczególnych uczestników (IPD)?
NIE
Opis planu IPD
Istotne dane dotyczące obrazu medycznego wiążą się z prywatnością pacjentów, a grupa badawcza odmówiła ich udostępnienia
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 .