Esta página foi traduzida automaticamente e a precisão da tradução não é garantida. Por favor, consulte o versão em inglês para um texto fonte.

Aprendizado Profundo na Detecção e Monitoramento de Retinoblastoma.

24 de março de 2022 atualizado por: Wenbin Wei, Beijing Tongren Hospital

Sistema de Detecção Assistido por Computador de Aprendizagem Profunda para Detecção e Monitoramento de Retinoblastoma.

O retinoblastoma é o câncer ocular mais comum na infância. As terapias de preservação ocular requerem monitoramento de rotina da regressão e recorrência do retinoblastoma para orientar o tratamento correspondente. No estudo atual, desenvolvemos um algoritmo de aprendizado profundo que pode identificar simultaneamente tumores de retinoblastoma em imagens Retcam e distinguir entre tumores de retinoblastoma ativos e inativos. Este algoritmo será validado através de um conjunto de dados coletados prospectivamente.

Visão geral do estudo

Status

Recrutamento

Condições

Intervenção / Tratamento

Descrição detalhada

O retinoblastoma, o câncer ocular mais comum na infância, afeta 1 em 15.000 a 1 em 18.000 nascidos vivos. A China tem o segundo maior número de pacientes com retinoblastoma no mundo. As terapias de preservação ocular têm sido amplamente utilizadas na China há aproximadamente 15 anos. As terapias de preservação ocular requerem monitoramento de rotina da regressão e recorrência do retinoblastoma para orientar o tratamento correspondente. No entanto, a maior parte dos oftalmologistas qualificados está concentrada em vários centros médicos. O aprendizado profundo baseado no exame Retcam que pode identificar o retinoblastoma reduzirá a precisão da triagem dos hospitais locais e reduzirá a carga de trabalho de monitoramento. No estudo atual, foi desenvolvido um algoritmo de aprendizado profundo que pode identificar simultaneamente tumores de retinoblastoma em imagens Retcam e distinguir entre tumores de retinoblastoma ativos e inativos. Este algoritmo será validado através de um conjunto de dados coletados prospectivamente.

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

Estude backup de contato

Locais de estudo

  • China
    • Beijing
      • Beijing, Beijing, China, 100730
        • Recrutamento
        • Wen-Bin Wei

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

1 segundo a 5 anos (CRIANÇA)

Aceita Voluntários Saudáveis

Não

Gêneros Elegíveis para o Estudo

Tudo

Método de amostragem

Amostra Não Probabilística

População do estudo

Pacientes com retinoblastoma passam por tratamento médico padrão.

Descrição

Critério de inclusão:

  • Pacientes com retinoblastoma passam por tratamento médico padrão.

Critério de exclusão:

  • Os operadores identificaram imagens não avaliáveis ​​para um diagnóstico correto, por motivos como desfoque e desfoque, e as excluíram de análise posterior.

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
Pacientes com retinoblastoma
Pacientes com retinoblastoma submetidos a cuidados médicos padrão no Hospital Beijing Tongren. A imagem anônima desses pacientes será coletada prospectivamente e rotulada por oftalmologistas seniores.
Teste de diagnostico: Algoritmo de aprendizado profundo
Um algoritmo de aprendizado profundo desenvolvido anteriormente seria aplicado para identificar tumores de retinoblastoma em imagens Retcam e distinguir entre tumores de retinoblastoma ativos e inativos. A decisão de dois oftalmologistas seniores diferentes seria o padrão-ouro.

O que o estudo está medindo?

Medidas de resultados primários

Medida de resultado
Descrição da medida
Prazo
Precisão de diagnóstico do algoritmo de aprendizado profundo
Prazo: 1 semana
A precisão diagnóstica desse algoritmo de aprendizado profundo é a proporção de verdadeiro positivo e verdadeiro negativo em todos os casos avaliados
1 semana

Colaboradores e Investigadores

É aqui que você encontrará pessoas e organizações envolvidas com este estudo.

Patrocinador

Beijing Tongren 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 março de 2020

Conclusão Primária (ANTECIPADO)

1 de maio de 2022

Conclusão do estudo (ANTECIPADO)

1 de outubro de 2022

Datas de inscrição no estudo

Enviado pela primeira vez

24 de março de 2022

Enviado pela primeira vez que atendeu aos critérios de CQ

24 de março de 2022

Primeira postagem (REAL)

1 de abril de 2022

Atualizações de registro de estudo

Última Atualização Postada (REAL)

1 de abril de 2022

Última atualização enviada que atendeu aos critérios de controle de qualidade

24 de março de 2022

Última verificação

1 de março de 2022

Mais Informações

Termos relacionados a este estudo

Termos MeSH relevantes adicionais

Outros números de identificação do estudo

  • AI in retinoblastoma

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 .

Ensaios clínicos em Algoritmo de aprendizado profundo

Pesquisar ensaios semelhantes

Patrocinadores e Colaboradores

Condições médicas

Intervenções de drogas

CROs by country

CROs in Myanmar

Condições

Doenças Raras

Intervenções de drogas

Suplementos Alimentares

Patrocinador / Colaboradores

Localizações

Se inscrever