- ICH GCP
- Registro de ensaios clínicos dos EUA
- Ensaio Clínico NCT05348031
Análise Multimodal de Distúrbios Estruturais da Voz Baseada em Vídeo de Fala e Laringoscópio Estroboscópico
22 de abril de 2022 atualizado por: Sun Yat-Sen Memorial Hospital of Sun Yat-Sen University
Este estudo pretende coletar dados clínicos, como imagens de laringoscópio estrobário e dados de áudio vocálico de pacientes com distúrbios estruturais da voz e indivíduos saudáveis, e estabelecer um modelo de sistema multimodal de diagnóstico de distúrbios da voz usando algoritmos de aprendizado profundo.
A multiclassificação de doenças que causam distúrbios de voz pode ser aplicada a pacientes com distúrbios de voz, mas não diagnosticados na prática clínica, auxiliando assim os médicos no diagnóstico de doenças e reduzindo erros de diagnóstico e diagnósticos perdidos.
Além disso, alguns pacientes com distúrbios de voz podem ser tratados remotamente por meio do modelo de audiodiagnóstico, podendo oferecer melhor acompanhamento e sugestões de tratamento.
A terapia de voz remota pode aliviar a situação atual de escassez de fonoaudiólogos em áreas remotas do nosso país e aumentar o número de pacientes que precisam de terapia de voz.
oportunidade.
A terapia de voz remota é mais econômica, mais flexível no tempo e mais econômica.
Visão geral do estudo
Status
Ainda não está recrutando
Condições
Descrição detalhada
- Detecção e classificação de lesões acústicas com base no aprendizado profundo da fala
- Detecção e Classificação de Lesões Acústicas com Base em Deep Learning de Imagens
- Detecção e Classificação de Lesões Acústicas Baseadas em Deep Learning Baseado em Multimodalidade
Tipo de estudo
Observacional
Inscrição (Antecipado)
1
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: YueXin Cai
- Número de telefone: 13825063663
- E-mail: caiyx25@mail.sysu.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
20 anos a 80 anos (ADULTO, OLDER_ADULT)
Aceita Voluntários Saudáveis
Sim
Gêneros Elegíveis para o Estudo
Tudo
Método de amostragem
Amostra Não Probabilística
População do estudo
Neste estudo, 490 pacientes com distúrbios de voz (incluindo câncer de laringe, lesões laríngeas pré-cancerosas e lesões laríngeas benignas) e 50 pessoas saudáveis foram coletadas de vídeos de laringoscopia estroboscópica e gravações de áudio de vogais.
Sexo, curso da doença, VHI e outros dados clínicos.
Descrição
Critério de inclusão:
Câncer de laringe, lesões laríngeas pré-cancerosas, lesões laríngeas benignas com distúrbios da voz, pessoas saudáveis sem doenças da garganta
Critério de exclusão:
- Uma história da cirurgia laríngea
- Pacientes com distúrbios da voz causados por várias causas, exceto câncer de laringe, lesões laríngeas pré-cancerosas e lesões laríngeas benignas
- A qualidade do áudio não é clara, o laringoscópio estroboscópico não mostra claramente a área anatômica relacionada à glote e está subexposta e bloqueada;
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
O que o estudo está medindo?
Medidas de resultados primários
Medida de resultado |
Descrição da medida |
Prazo |
---|---|---|
Machine deep learning classifica distúrbios de voz
Prazo: 6 de maio de 2022 a 30 de dezembro de 2023
|
Precisão
|
6 de maio de 2022 a 30 de dezembro de 2023
|
Aprendizado profundo de máquina classifica distúrbios de voz com multimodalidade
Prazo: 1 de janeiro de 2024 a 30 de dezembro de 2024
|
precisão
|
1 de janeiro de 2024 a 30 de dezembro de 2024
|
Machine deep learning classifica alteração patológica da voz no câncer de laringe
Prazo: 1 de janeiro de 2024 a 30 de dezembro de 2025
|
precisão
|
1 de janeiro de 2024 a 30 de dezembro de 2025
|
Medidas de resultados secundários
Medida de resultado |
Descrição da medida |
Prazo |
---|---|---|
Aprendizado profundo de máquina classifica distúrbios de voz com multimodalidade
Prazo: 1 de janeiro de 2024 a 30 de dezembro de 2025
|
lembrar
|
1 de janeiro de 2024 a 30 de dezembro de 2025
|
Colaboradores e Investigadores
É aqui que você encontrará pessoas e organizações envolvidas com este estudo.
Colaboradores
Investigadores
- Cadeira de estudo: YueXin Cai, Sun Yat-sen Memorial Hospital,Sun Yat-sen University
Publicações e links úteis
A pessoa responsável por inserir informações sobre o estudo fornece voluntariamente essas publicações. Estes podem ser sobre qualquer coisa relacionada ao estudo.
Publicações Gerais
- Martínez, David, Lleida Eduardo, Ortega Alfonso,Miguel Antonio, Villalba Jesús. Voice pathology detection on the Saarbrücken voice database with calibration and fusion of scores using multifocal toolkit. Advances in Speech and Language Technologies for Iberian Languages. Springer, Berlin, Heidelberg, 2012. 99-109
- Hegde S, Shetty S, Rai S, Dodderi T. A Survey on Machine Learning Approaches for Automatic Detection of Voice Disorders. J Voice. 2019 Nov;33(6):947.e11-947.e33. doi: 10.1016/j.jvoice.2018.07.014. Epub 2018 Oct 11.
- Al-Nasheri A, Muhammad G, Alsulaiman M, Ali Z. Investigation of Voice Pathology Detection and Classification on Different Frequency Regions Using Correlation Functions. J Voice. 2017 Jan;31(1):3-15. doi: 10.1016/j.jvoice.2016.01.014. Epub 2016 Mar 15.
- .Chuang, ZY,YuXT,Chen JY, Hsu YT,Xu ZZ,Wang CT,Lin FC,Fang SH. DNN-based approach to detect and classify pathological voice. In Proceedings of the 2018 IEEE International Conference on Big Data (Big Data), Seattle, WA, USA, 10-13 December 2018
- Fang SH, Tsao Y, Hsiao MJ, Chen JY, Lai YH, Lin FC, Wang CT. Detection of Pathological Voice Using Cepstrum Vectors: A Deep Learning Approach. J Voice. 2019 Sep;33(5):634-641. doi: 10.1016/j.jvoice.2018.02.003. Epub 2018 Mar 19.
- Bethani Gty As H , Suwandi, Anggraini C D . Classification System Vocal Cords Disease Using Digital Image Processing.The 2019 IEEE International Conference on industry 4.0,Artifical Intelligence,and Communications Technology.2019.129-132
- Unger J, Lohscheller J, Reiter M, Eder K, Betz CS, Schuster M. A noninvasive procedure for early-stage discrimination of malignant and precancerous vocal fold lesions based on laryngeal dynamics analysis. Cancer Res. 2015 Jan 1;75(1):31-9. doi: 10.1158/0008-5472.CAN-14-1458. Epub 2014 Nov 4.
- Xiong H, Lin P, Yu JG, Ye J, Xiao L, Tao Y, Jiang Z, Lin W, Liu M, Xu J, Hu W, Lu Y, Liu H, Li Y, Zheng Y, Yang H. Computer-aided diagnosis of laryngeal cancer via deep learning based on laryngoscopic images. EBioMedicine. 2019 Oct;48:92-99. doi: 10.1016/j.ebiom.2019.08.075. Epub 2019 Oct 5.
- Kim H, Jeon J, Han YJ, Joo Y, Lee J, Lee S, Im S. Convolutional Neural Network Classifies Pathological Voice Change in Laryngeal Cancer with High Accuracy. J Clin Med. 2020 Oct 25;9(11):3415. doi: 10.3390/jcm9113415.
- Godino-Llorente JI, Gomez-Vilda P. Automatic detection of voice impairments by means of short-term cepstral parameters and neural network based detectors. IEEE Trans Biomed Eng. 2004 Feb;51(2):380-4. doi: 10.1109/TBME.2003.820386.
- Ren J, Jing X, Wang J, Ren X, Xu Y, Yang Q, Ma L, Sun Y, Xu W, Yang N, Zou J, Zheng Y, Chen M, Gan W, Xiang T, An J, Liu R, Lv C, Lin K, Zheng X, Lou F, Rao Y, Yang H, Liu K, Liu G, Lu T, Zheng X, Zhao Y. Automatic Recognition of Laryngoscopic Images Using a Deep-Learning Technique. Laryngoscope. 2020 Nov;130(11):E686-E693. doi: 10.1002/lary.28539. Epub 2020 Feb 18.
- Bainbridge KE, Roy N, Losonczy KG, Hoffman HJ, Cohen SM. Voice disorders and associated risk markers among young adults in the United States. Laryngoscope. 2017 Sep;127(9):2093-2099. doi: 10.1002/lary.26465. Epub 2016 Dec 23.
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)
6 de maio de 2022
Conclusão Primária (ANTECIPADO)
30 de dezembro de 2025
Conclusão do estudo (ANTECIPADO)
20 de fevereiro de 2027
Datas de inscrição no estudo
Enviado pela primeira vez
19 de abril de 2022
Enviado pela primeira vez que atendeu aos critérios de CQ
22 de abril de 2022
Primeira postagem (REAL)
27 de abril de 2022
Atualizações de registro de estudo
Última Atualização Postada (REAL)
27 de abril de 2022
Última atualização enviada que atendeu aos critérios de controle de qualidade
22 de abril de 2022
Última verificação
1 de março de 2022
Mais Informações
Termos relacionados a este estudo
Palavras-chave
Termos MeSH relevantes adicionais
Outros números de identificação do estudo
- SYSEC-KY-KS-2022-040
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 .