Denna sida har översatts automatiskt och översättningens korrekthet kan inte garanteras. Vänligen se engelsk version för en källtext.

Utveckling och validering av ett djupinlärningssystem för multipla ögonbottensjukdomar med hjälp av näthinnebilder

24 december 2019 uppdaterad av: Haotian Lin, Sun Yat-sen University

Utveckling och validering av ett djupinlärningssystem för multipla ögonbottensjukdomar med hjälp av retinala bilder: en multicenter prospektiv studie

Näthinnebilder kan återspegla både ögonbotten och systemiska tillstånd (diabetes och hjärt-kärlsjukdom) och för det första att användas för medicinsk artificiell intelligens (AI) algoritmträning på grund av dess fördelar av klinisk betydelse och lätt att få. Här utvecklade utredarna en enda nätverksmodell som kan bryta egenskaperna bland flera ögonbottensjukdomar, som tränades av massor av ögonbottenbilder med en eller flera sjukdomsetiketter (om de har) i var och en av dem. Modellens prestanda jämfördes med den hos både inhemska och internationella ögonläkare. Modellen testades ytterligare av datauppsättningar med olika kameratyper och validerades av tre externa datauppsättningar som prospektivt samlades in från de kliniska platserna där modellen skulle tillämpas.

Studieöversikt

Status

Okänd

Betingelser

Intervention / Behandling

Studietyp

Observationell

Inskrivning (Förväntat)

300000

Kontakter och platser

Det här avsnittet innehåller kontaktuppgifter för dem som genomför studien och information om var denna studie genomförs.

Studieorter

  • Kina
    • Guangdong
      • Guangzhou, Guangdong, Kina, 510060
        • Rekrytering
        • Zhongshan Ophthalmic Center, Sun Yat-sen Univerisity
        • Kontakt:
        • Huvudutredare:
          • Haotian Lin, Ph.D

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

Nej

Kön som är behöriga för studier

Allt

Testmetod

Sannolikhetsprov

Studera befolkning

Näthinnebilder samlades in från olika hälsovårdsinstitut över hela Kina och andra länder runt om i världen.

Beskrivning

Inklusionskriterier:

  • Kvaliteten på ögonbottenbilder bör vara kliniskt acceptabel. Mer än 80 % av ögonbottenbildytan inklusive fyra huvudregioner (optisk disk, makula, övre och nedre retinala kärlbågar) är lätta att läsa och urskilja.

Exklusions kriterier:

  • Bilder med ljusläckage (>30 % av ytan), fläckar från linser eller fläckar och överexponering uteslöts från ytterligare analys.

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: Övrig

Kohorter och interventioner

Grupp / Kohort
Intervention / Behandling
Utbildningsdataset
Näthinnebilder insamlade från sjukhus och flera screeningplatser över hela Kina
Valideringsdatauppsättning
Näthinnebilder separerade från träningsdatauppsättning
Övrig: diagnostisk
Utbildningsdataset användes för att träna djupinlärningsmodellen, som validerades och testades av andra två datauppsättningar.
Testar dataset
Näthinnebilder som prospektivt samlats in från sjukhusen och platser för screening av ögonsjukdomar skiljer sig helt från träningsdataset
Övrig: diagnostisk
Utbildningsdataset användes för att träna djupinlärningsmodellen, som validerades och testades av andra två datauppsättningar.

Vad mäter studien?

Primära resultatmått

Resultatmått
Åtgärdsbeskrivning
Tidsram
Area under mottagarens funktionskurva för djupinlärningssystemet
Tidsram: baslinje
Utredarna kommer att beräkna arean under mottagarens funktionskarakteristiska kurva för djupinlärningssystem och jämföra detta index mellan djupinlärningssystemet och mänskliga läkare.
baslinje

Sekundära resultatmått

Resultatmått
Åtgärdsbeskrivning
Tidsram
Känslighet hos djupinlärningssystemet
Tidsram: baslinje
Utredarna kommer att beräkna känsligheten hos system för djupinlärning och jämföra detta index mellan system för djupinlärning och mänskliga läkare.
baslinje
Specificitet för djupinlärningssystemet
Tidsram: baslinje
Utredarna kommer att beräkna specificiteten hos system för djupinlärning och jämföra detta index mellan system för djupinlärning och mänskliga läkare.
baslinje

Samarbetspartners och utredare

Det är här du hittar personer och organisationer som är involverade i denna studie.

Sponsor

Sun Yat-sen University

Publikationer och användbara länkar

Den som ansvarar för att lägga in information om studien tillhandahåller frivilligt dessa publikationer. Dessa kan handla om allt som har med studien att göra.

Allmänna publikationer

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)

1 januari 2014

Primärt slutförande (Förväntat)

1 februari 2020

Avslutad studie (Förväntat)

1 maj 2020

Studieregistreringsdatum

Först inskickad

23 december 2019

Först inskickad som uppfyllde QC-kriterierna

24 december 2019

Första postat (Faktisk)

30 december 2019

Uppdateringar av studier

Senaste uppdatering publicerad (Faktisk)

30 december 2019

Senaste inskickade uppdateringen som uppfyllde QC-kriterierna

24 december 2019

Senast verifierad

1 december 2019

Mer information

Termer relaterade till denna studie

Ytterligare relevanta MeSH-villkor

Andra studie-ID-nummer

  • CCPMOH2019- China8

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 .

Kliniska prövningar på diagnostisk

Sök liknande försök

Sponsorer och medarbetare

Medicinska tillstånd

Läkemedelsinterventioner

CROs by country

CROs in Panama

Betingelser

Sällsynta sjukdomar

Läkemedelsinterventioner

Kosttillskott

Sponsor / medarbetare

Platser

3
Prenumerera