- ICH GCP
- Registro de ensaios clínicos dos EUA
- Ensaio Clínico NCT04952675
Avaliação de modelos de alerta precoce de alto risco para pneumoconiose
2 de julho de 2021 atualizado por: Peking University Third Hospital
O desenvolvimento e a aplicação clínica de modelos de alerta precoce de alto risco para pneumoconiose com base na rede neural convolucional em radiografia de tórax
A precaução da pneumoconiose é mais importante do que o tratamento.
No entanto, o processo atual não pode alertar antecipadamente os trabalhadores expostos a poeira de alto risco até que sejam diagnosticados com pneumoconiose.
Com a característica de eficiência, impessoalidade e quantificação, a inteligência artificial é apropriada apenas para resolver esses problemas.
Portanto, pretendemos adaptar o aprendizado profundo para desenvolver modelos de detecção inteligente de pneumoconiose, diagnóstico de grau e alerta precoce de alto risco.
As imagens anotadas serão utilizadas para treinamento de algoritmos de redes neurais convolucionais (CNNs), visando triagem de pneumoconiose e diagnóstico de grau.
Além disso, a pontuação de risco calculada pelo mapa de calor de densidade será usada para alerta precoce de trabalhadores expostos à poeira.
Em seguida, o acompanhamento da coorte será implícito para verificar a validade do escore de risco.
Dessa forma, os trabalhadores expostos à poeira de alto risco receberão intervenção precoce e melhor prognóstico, o que obviamente pode reduzir a carga médica.
Visão geral do estudo
Status
Recrutamento
Condições
Descrição detalhada
Pneumoconiose, a doença ocupacional predominante na China e em todo o mundo.
A radiografia de tórax é o teste radiológico mais acessível e disponível para o exame físico de trabalhadores expostos à poeira e triagem em massa para pneumoconiose.
Mas o processo de diagnóstico tem algumas desvantagens, como forte subjetividade, ineficiência e incapacidade de julgamento da lesão limítrofe, etc. Além disso, a precaução da pneumoconiose é mais importante do que o tratamento.
No entanto, o processo atual não pode alertar antecipadamente os trabalhadores expostos a poeira de alto risco até que sejam diagnosticados com pneumoconiose.
Com a característica de eficiência, impessoalidade e quantificação, a inteligência artificial é apropriada apenas para resolver os problemas mencionados.
Até agora, houve pesquisas raras sobre a adaptação do aprendizado profundo para diagnóstico de grau de pneumoconiose e alerta precoce de alto risco.
Em nossos estudos anteriores, montamos um banco de dados de radiografia de tórax, que contém mais de 100.000 imagens de radiografia digital de pneumoconiose.
O resultado da avaliação do sistema de detecção demonstrou que a acurácia na identificação da pneumoconiose pode chegar a 90%, com AUC (Area Under The Curve) de 0,965 e sensibilidade de 99%.
Mais obras precisam ser continuadas.
Portanto, pretendemos adaptar o aprendizado profundo para desenvolver modelos de detecção inteligente de pneumoconiose, diagnóstico de grau e alerta precoce de alto risco.
As imagens anotadas serão utilizadas para treinamento de algoritmos de redes neurais convolucionais (CNNs), visando triagem de pneumoconiose e diagnóstico de grau.
Além disso, a pontuação de risco calculada pelo mapa de calor de densidade será usada para alerta precoce de trabalhadores expostos à poeira.
Em seguida, o acompanhamento da coorte será implícito para verificar a validade do escore de risco.
Dessa forma, os trabalhadores expostos à poeira de alto risco receberão intervenção precoce e melhor prognóstico, o que obviamente pode reduzir a carga médica.
Tipo de estudo
Observacional
Inscrição (Antecipado)
200
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.
Contato de estudo
- Nome: Xiao Li, M.D.
- Número de telefone: +8613051709411
- E-mail: lixiao.sy@bjmu.edu.cn
Locais de estudo
-
-
Beijing
-
Beijing, Beijing, China, 100191
- Recrutamento
- Peking University Third Hospital
-
Contato:
- Xiao Li, M.D.
- Número de telefone: +8613051709411
- E-mail: lixiao.sy@bjmu.edu.cn
-
-
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 60 anos (ADULTO)
Aceita Voluntários Saudáveis
Não
Gêneros Elegíveis para o Estudo
Tudo
Método de amostragem
Amostra de Probabilidade
População do estudo
trabalhadores expostos à poeira de 16 províncias da China
Descrição
Critério de inclusão:
- trabalhadores expostos a poeira;
- tem radiografia digital de tórax
Critério de exclusão:
- doença pulmonar basal;
- redução do trabalho exposto à poeira
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 |
---|
grupo de baixo risco
Índice de risco∈[0,0,5)
|
grupo de alto risco
Índice de Risco∈[0,5,1)
|
O que o estudo está medindo?
Medidas de resultados primários
Medida de resultado |
Descrição da medida |
Prazo |
---|---|---|
participantes diagnosticados como "pneumoconiose"
Prazo: antes de 31 de dezembro de 2022
|
Número de participantes diagnosticados como "pneumoconiose"
|
antes de 31 de dezembro de 2022
|
morte
Prazo: antes de 31 de dezembro de 2022
|
Número de participantes que falecem
|
antes de 31 de dezembro de 2022
|
Medidas de resultados secundários
Medida de resultado |
Descrição da medida |
Prazo |
---|---|---|
Volume Expiratório Forçado em 1s (FEV1) em %
Prazo: antes de 31 de dezembro de 2022
|
Volume Expiratório Forçado em 1s
|
antes de 31 de dezembro de 2022
|
pressão arterial parcial de oxigênio, PaO2
Prazo: antes de 31 de dezembro de 2022
|
pressão arterial parcial de oxigênio
|
antes de 31 de dezembro de 2022
|
Conselho de Pesquisa Médica modificado, mMRC
Prazo: antes de 31 de dezembro de 2022
|
um questionário usado para avaliar sintomas
|
antes de 31 de dezembro de 2022
|
Colaboradores e Investigadores
É aqui que você encontrará pessoas e organizações envolvidas com este estudo.
Patrocinador
Investigadores
- Investigador principal: Xiao Li, M.D., Peking University Third Hospital
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 (REAL)
1 de agosto de 2018
Conclusão Primária (ANTECIPADO)
1 de dezembro de 2021
Conclusão do estudo (ANTECIPADO)
1 de dezembro de 2025
Datas de inscrição no estudo
Enviado pela primeira vez
23 de junho de 2021
Enviado pela primeira vez que atendeu aos critérios de CQ
2 de julho de 2021
Primeira postagem (REAL)
7 de julho de 2021
Atualizações de registro de estudo
Última Atualização Postada (REAL)
7 de julho de 2021
Última atualização enviada que atendeu aos critérios de controle de qualidade
2 de julho de 2021
Última verificação
1 de junho de 2021
Mais Informações
Termos relacionados a este estudo
Palavras-chave
Termos MeSH relevantes adicionais
Outros números de identificação do estudo
- PekingUTH-002
Plano para dados de participantes individuais (IPD)
Planeja compartilhar dados de participantes individuais (IPD)?
INDECISO
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
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 .