- ICH GCP
- Amerikanska kliniska prövningsregistret
- Klinisk prövning NCT03476291
Forskning om automatiserad makulopatiscreening baserad på AI-tekniker med hjälp av bilder från oktober
22 mars 2018 uppdaterad av: The First Affiliated Hospital with Nanjing Medical University
Forskning om automatisk makulopatiscreening med optisk koherent tomografi Bildbaserade djupinlärningstekniker
Utredarna förväntar sig att utveckla en algoritm som kan tolka OCT-bilder och automatiskt avgöra om gula fläcken är normal eller inte genom att använda OCT-bildbaserade djupinlärningstekniker.
Och utredare vill utveckla mjukvaruapplikationer som hjälper till att bättre screena och diagnostisera makulära sjukdomar i resursbegränsade områden.
Studieöversikt
Status
Okänd
Betingelser
Detaljerad beskrivning
Utredarna kommer att tillämpa djupinlärningskonvolutionella neurala nätverk genom att använda ImageNet för en automatisk detektering av flera näthinnesjukdomar med horisontella B-scanningar från OCT med en högkvalitativ märkt databas.
Datauppsättningar, inklusive utbildningsdatauppsättningar, testdatauppsättningar och valideringsdatauppsättningar, kommer att byggas av ögonläkare från Nanjing Medical Universitys första anslutna sjukhus enligt de standardiserade anteckningsriktlinjerna.
Studietyp
Observationell
Inskrivning (Förväntat)
20000
Kontakter och platser
Det här avsnittet innehåller kontaktuppgifter för dem som genomför studien och information om var denna studie genomförs.
Studieorter
-
-
Jiangsu
-
Nanjing, Jiangsu, Kina, 210029
- The First Affiliated Hospital with Nanjing Medical University
-
-
Deltagandekriterier
Forskare letar efter personer som passar en viss beskrivning, så kallade behörighetskriterier. Några exempel på dessa kriterier är en persons allmänna hälsotillstånd eller tidigare behandlingar.
Urvalskriterier
Åldrar som är berättigade till studier
- Barn
- Vuxen
- Äldre vuxen
Tar emot friska volontärer
N/A
Kön som är behöriga för studier
Allt
Testmetod
Icke-sannolikhetsprov
Studera befolkning
ingen åldersgräns, ingen könsbaserad
Beskrivning
Inklusionskriterier:
- Alla patienter som besöker oftalmologiska avdelningen vid Nanjings första anslutna sjukhus vid Nanjing Medical University inom 5 år och som fått kända, tydliga diagnoser med digital retinal avbildning (inklusive OCT, ögonbotten digitala fotografier och ögonbotten fluorescein angiografi, åtminstone med OCT-bilder) som en del av deras rutinmässiga kliniska vård, kommer att vara berättigade att inkluderas i denna studie.
Exklusions kriterier:
- Pappersundersökningar (d.v.s. foton av pappersrapporter av OCT-bilder utförda på andra sjukhus) kommer inte att vara berättigade.
- Data från patienter som tidigare manuellt har begärt att deras data inte ska delas, inte ens för forskningsändamål i anonymiserad form, och som har informerat oftalmologiska avdelningen vid Nanjing Medical Universitys första anslutna sjukhus om denna önskan (även i tidigare genomförda studier eller andra pågående studier på detta sjukhus), kommer att uteslutas, och deras data kommer inte att laddas upp till molnplattformen innan forskningen påbörjas.
- Data från ögon tamponerade med silikonolja eller gas (d.v.s. C3F8) kommer inte att vara berättigade.
- Data med dålig bildkvalitet, såsom ofullständiga bilder, inverterade bilder, suddiga eller spruckna bilder och bilder med en mycket svag signal (d.v.s. glaskroppsblödning), kommer inte att vara berättigade.
Studieplan
Det här avsnittet ger detaljer om studieplanen, inklusive hur studien är utformad och vad studien mäter.
Hur är studien utformad?
Designdetaljer
- Observationsmodeller: Övrig
- Tidsperspektiv: Tvärsnitt
Kohorter och interventioner
Grupp / Kohort |
---|
Vanligt
normal makulär struktur av horisontella OCT B-skanningar
|
Onormal
onormal makulär struktur av horisontella OCT B-skanningar, inklusive många underkategorier av patologiska egenskaper, som epiretinalt membran, pigmentepitelavlossning, ect.
|
Vad mäter studien?
Primära resultatmått
Resultatmått |
Åtgärdsbeskrivning |
Tidsram |
---|---|---|
mottagarens operationskarakteristik (ROC) kurva för algoritmen
Tidsram: cirka 1 år
|
Det kallas också för känslighetskurva.
ROC-kurvan visar hur känslig algoritmmodellen är för att automatiskt detektera önskad utdata.
|
cirka 1 år
|
Area under ROC-kurvan (AUC)
Tidsram: cirka 1 år
|
Den visar driftvärdet för algoritmmodellen, som kan representera effekten av modellen.
|
cirka 1 år
|
Samarbetspartners och utredare
Det är här du hittar personer och organisationer som är involverade i denna studie.
Utredare
- Huvudutredare: Songtao Yuan, doctor, The First Affiliated Hospital with Nanjing Medical University
Studieavstämningsdatum
Dessa datum spårar framstegen för inlämningar av studieposter och sammanfattande resultat till ClinicalTrials.gov. Studieposter och rapporterade resultat granskas av National Library of Medicine (NLM) för att säkerställa att de uppfyller specifika kvalitetskontrollstandarder innan de publiceras på den offentliga webbplatsen.
Studera stora datum
Studiestart (Faktisk)
30 juni 2017
Primärt slutförande (Förväntat)
1 juni 2018
Avslutad studie (Förväntat)
31 december 2020
Studieregistreringsdatum
Först inskickad
26 februari 2018
Först inskickad som uppfyllde QC-kriterierna
22 mars 2018
Första postat (Faktisk)
26 mars 2018
Uppdateringar av studier
Senaste uppdatering publicerad (Faktisk)
26 mars 2018
Senaste inskickade uppdateringen som uppfyllde QC-kriterierna
22 mars 2018
Senast verifierad
1 februari 2018
Mer information
Termer relaterade till denna studie
Nyckelord
Ytterligare relevanta MeSH-villkor
Andra studie-ID-nummer
- JSPH-AIOCT-001
Plan för individuella deltagardata (IPD)
Planerar du att dela individuella deltagardata (IPD)?
Nej
Läkemedels- och apparatinformation, studiedokument
Studerar en amerikansk FDA-reglerad läkemedelsprodukt
Nej
Studerar en amerikansk FDA-reglerad produktprodukt
Nej
Denna information hämtades direkt från webbplatsen clinicaltrials.gov utan några ändringar. Om du har några önskemål om att ändra, ta bort eller uppdatera dina studieuppgifter, vänligen kontakta register@clinicaltrials.gov. Så snart en ändring har implementerats på clinicaltrials.gov, kommer denna att uppdateras automatiskt även på vår webbplats .