- ICH GCP
- Реестр клинических исследований США
- Клиническое испытание NCT05341674
Программа предложения автономных сокетов на основе искусственного интеллекта: опыт проектирования сокетов
Обзор исследования
Статус
Условия
Вмешательство/лечение
Подробное описание
Для планируемого к созданию программного обеспечения на основе искусственного интеллекта культи всех пациентов были отсканированы с помощью 3D-сканера Artec Eva Lite. Отсканированные образцы были сохранены в виде облаков точек. Части гнезд протезов, используемых теми же пациентами, также сканировались с помощью того же сканера и записывались.
Набор точечных данных, состоящий из совпадений культи и лунки, полученных от пациентов, использовался для программного обеспечения.
Для обучения модели искусственного интеллекта создана рабочая среда, в которой на компьютере можно использовать библиотеки и инструменты искусственного интеллекта. Для этого была создана первая платформа обработки данных Anaconda. После этого были установлены язык программирования Python и библиотека глубокого обучения Tensorflow, добавлены другие библиотеки, необходимые для обучения модели искусственного интеллекта, и подготовлена рабочая среда. Алгоритм глубокого обучения использовался в модели искусственного интеллекта, разработанной для обучения данных. Целью использования глубокого обучения, которое является одним из самых современных и популярных алгоритмов искусственного интеллекта, является достижение более точных результатов за счет повышения производительности и уровня точности. Во-первых, набор данных на 90 % зарезервирован для обучения и на 10 % для тестирования. Затем была создана модель глубокого обучения с использованием модели Sequantial(), выбранной из библиотеки Keras. Всего в модели используется 7 слоев, первый из которых является входным, а последний — выходным. В то время как «relu» используется в качестве функции активации для входного слоя и промежуточных слоев, «линейная» функция используется для выходного слоя. При создании модели в качестве оптимизатора был выбран «Адам». В модели, обученной в общей сложности с 500 «повторениями», «размер партии» равен 5. Затем обученная модель была протестирована с тестовыми данными, и был достигнут уровень успеха 61%. После этого модель и вес были записаны. После завершения обучения модели была разработана новая программа Python. Ранее разработанные модели и веса загружались во время работы программы и использовались для предложения сокета для новых данных штампа. При запуске программы запрашивается имя пня, для которого запрашивается сокет.
Таким образом, программа предлагает новый сокет после получения набора данных от пользователя и тестирования его в обученной модели. Эта трехмерная модель сокета отображается пользователю через графическую библиотеку Python Plotly.
Тип исследования
Регистрация (Действительный)
Контакты и местонахождение
Места учебы
-
-
Şahinbey
-
Gaziantep, Şahinbey, Турция, 27000
- Hasan Kalyoncu University
-
-
Критерии участия
Критерии приемлемости
Возраст, подходящий для обучения
Принимает здоровых добровольцев
Полы, имеющие право на обучение
Метод выборки
Исследуемая популяция
Описание
Критерии включения:
- Пациенты в сознании старше 18 лет, перенесшие операцию по ампутации
Критерий исключения:
• Тяжелые нарушения зрения и восприятия
- Хирургическое вмешательство с функциональными последствиями на конечностях
- Боль, которая не позволяет сделать тесты
- Пациенты с заболеваниями с неврологической дисфункцией (инсульт, рассеянный склероз и др.)
Учебный план
Как устроено исследование?
Детали дизайна
- Наблюдательные модели: Кейс-контроль
- Временные перспективы: Ретроспектива
Когорты и вмешательства
Группа / когорта |
Вмешательство/лечение |
---|---|
Модель культи, отсканированная 3D-сканером
Для планируемого к созданию программного обеспечения на основе искусственного интеллекта культи всех пациентов были отсканированы с помощью 3D-сканера Artec Eva Lite.
Отсканированные шаблоны были сохранены в виде облаков точек.
|
культи всех пациентов были отсканированы фирменным 3D-сканером Artec Eva Lite.
|
Розетка соответствует пню
Части гнезд протезов, используемых теми же пациентами (из другой группы), также сканировались с помощью того же сканера и записывались.
|
Что измеряет исследование?
Первичные показатели результатов
Мера результата |
Мера Описание |
Временное ограничение |
---|---|---|
Программное обеспечение (программа автономных сокетов на основе искусственного интеллекта)
Временное ограничение: 2 года
|
Будут оцениваться перспективы разрабатываемого программного обеспечения. Будет оценено, насколько подходящая конструкция раструба может быть предложена для размеров культи, введенных в систему. Благодаря программному обеспечению время, затрачиваемое на проектирование розетки, будет сравниваться со временем, затрачиваемым на изготовление розеток классическими методами. Будут оцениваться экономическая/временная эффективность программного обеспечения. |
2 года
|
Соавторы и исследователи
Спонсор
Следователи
- Главный следователь: Murat ÇINAR, Doctor, Hasan Kalyoncu University
Публикации и полезные ссылки
Общие публикации
- Ten Kate J, Smit G, Breedveld P. 3D-printed upper limb prostheses: a review. Disabil Rehabil Assist Technol. 2017 Apr;12(3):300-314. doi: 10.1080/17483107.2016.1253117. Epub 2017 Feb 2. Review.
- O'Brien L, Cho E, Khara A, Lavranos J, Lommerse L, Chen C. 3D-printed custom-designed prostheses for partial hand amputation: Mechanical challenges still exist. J Hand Ther. 2021 Oct-Dec;34(4):539-542. doi: 10.1016/j.jht.2020.04.005. Epub 2020 Jun 19.
- Vujaklija I, Farina D. 3D printed upper limb prosthetics. Expert Rev Med Devices. 2018 Jul;15(7):505-512. doi: 10.1080/17434440.2018.1494568. Epub 2018 Jul 5. Review.
- Abbady HEMA, Klinkenberg ETM, de Moel L, Nicolai N, van der Stelt M, Verhulst AC, Maal TJJ, Brouwers L. 3D-printed prostheses in developing countries: A systematic review. Prosthet Orthot Int. 2022 Feb 1;46(1):19-30. doi: 10.1097/PXR.0000000000000057.
Даты записи исследования
Изучение основных дат
Начало исследования (Действительный)
Первичное завершение (Действительный)
Завершение исследования (Действительный)
Даты регистрации исследования
Первый отправленный
Впервые представлено, что соответствует критериям контроля качества
Первый опубликованный (Действительный)
Обновления учебных записей
Последнее опубликованное обновление (Действительный)
Последнее отправленное обновление, отвечающее критериям контроля качества
Последняя проверка
Дополнительная информация
Термины, связанные с этим исследованием
Другие идентификационные номера исследования
- MAC2022
Планирование данных отдельных участников (IPD)
Планируете делиться данными об отдельных участниках (IPD)?
Информация о лекарствах и устройствах, исследовательские документы
Изучает лекарственный продукт, регулируемый FDA США.
Изучает продукт устройства, регулируемый Управлением по санитарному надзору за качеством пищевых продуктов и медикаментов США.
Эта информация была получена непосредственно с веб-сайта clinicaltrials.gov без каких-либо изменений. Если у вас есть запросы на изменение, удаление или обновление сведений об исследовании, обращайтесь по адресу register@clinicaltrials.gov. Как только изменение будет реализовано на clinicaltrials.gov, оно будет автоматически обновлено и на нашем веб-сайте. .