Estudo piloto sobre aprendizagem profunda no olho (IDLE)
5 de janeiro de 2021 atualizado por: Pieter Nelis, CRG UZ Brussel
Validação de um Algoritmo de Deep Learning Transfer Learning para Classificação de Imagens em Múltiplas Patologias
O aprendizado profundo permite que você classifique imagens usando um algoritmo de autoaprendizagem.
O aprendizado de transferência se baseia em um algoritmo de autoaprendizagem existente para permitir a classificação de imagens com menos imagens.
Neste estudo, esta técnica será aplicada a diferentes modalidades de imagem em diferentes síndromes.
Projeto de estudo retrospectivo.
Visão geral do estudo
Status
Desconhecido
Intervenção / Tratamento
Tipo de estudo
Observacional
Inscrição (Antecipado)
120
Contactos e Locais
Esta seção fornece os detalhes de contato para aqueles que conduzem o estudo e informações sobre onde este estudo está sendo realizado.
Critérios de participação
Os pesquisadores procuram pessoas que se encaixem em uma determinada descrição, chamada de critérios de elegibilidade. Alguns exemplos desses critérios são a condição geral de saúde de uma pessoa ou tratamentos anteriores.
Critérios de elegibilidade
Idades elegíveis para estudo
18 anos a 100 anos (Adulto, Adulto mais velho)
Aceita Voluntários Saudáveis
Sim
Gêneros Elegíveis para o Estudo
Tudo
Método de amostragem
Amostra Não Probabilística
População do estudo
Sujeitos saudáveis e não saudáveis: extrair dados das imagens disponíveis
Descrição
Critério de inclusão:
- Disponibilização de imagens, que permitem a discriminação.
Critério de exclusão:
- Não há disponibilidade de dados claros sobre a diferenciação da doença
Plano de estudo
Esta seção fornece detalhes do plano de estudo, incluindo como o estudo é projetado e o que o estudo está medindo.
Como o estudo é projetado?
Detalhes do projeto
Coortes e Intervenções
Grupo / Coorte |
Intervenção / Tratamento |
|---|---|
|
Sem patologia
|
|
|
Patologia
|
Classificação de imagens usando algoritmo de aprendizado profundo
|
O que o estudo está medindo?
Medidas de resultados primários
Medida de resultado |
Prazo |
|---|---|
|
Validação da classificação de imagens por algoritmo de aprendizado de transferência
Prazo: 1 ano
|
1 ano
|
Colaboradores e Investigadores
É aqui que você encontrará pessoas e organizações envolvidas com este estudo.
Patrocinador
Datas de registro do estudo
Essas datas acompanham o progresso do registro do estudo e os envios de resumo dos resultados para ClinicalTrials.gov. Os registros do estudo e os resultados relatados são revisados pela National Library of Medicine (NLM) para garantir que atendam aos padrões específicos de controle de qualidade antes de serem publicados no site público.
Datas Principais do Estudo
Início do estudo (Antecipado)
1 de fevereiro de 2021
Conclusão Primária (Antecipado)
1 de dezembro de 2021
Conclusão do estudo (Antecipado)
1 de dezembro de 2022
Datas de inscrição no estudo
Enviado pela primeira vez
7 de dezembro de 2020
Enviado pela primeira vez que atendeu aos critérios de CQ
7 de dezembro de 2020
Primeira postagem (Real)
11 de dezembro de 2020
Atualizações de registro de estudo
Última Atualização Postada (Real)
7 de janeiro de 2021
Última atualização enviada que atendeu aos critérios de controle de qualidade
5 de janeiro de 2021
Última verificação
1 de janeiro de 2021
Mais Informações
Termos relacionados a este estudo
Termos MeSH relevantes adicionais
Outros números de identificação do estudo
- IDLE1000
Plano para dados de participantes individuais (IPD)
Planeja compartilhar dados de participantes individuais (IPD)?
NÃO
Informações sobre medicamentos e dispositivos, documentos de estudo
Estuda um medicamento regulamentado pela FDA dos EUA
Não
Estuda um produto de dispositivo regulamentado pela FDA dos EUA
Não
produto fabricado e exportado dos EUA
Não
Essas informações foram obtidas diretamente do site clinicaltrials.gov sem nenhuma alteração. Se você tiver alguma solicitação para alterar, remover ou atualizar os detalhes do seu estudo, entre em contato com register@clinicaltrials.gov. Assim que uma alteração for implementada em clinicaltrials.gov, ela também será atualizada automaticamente em nosso site .