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

Artificiell intelligens för att bedöma bildkvaliteten på ögonbottenbilder och dess effekter på diagnos

26 februari 2020 uppdaterad av: Haotian Lin, Sun Yat-sen University

Artificiell intelligens för att bedöma bildkvaliteten på ögonbottenbilder och dess effekter på diagnos: En klinisk prövning

Fundusbilder används ofta inom oftalmologi för att upptäcka diabetisk retinopati, glaukom och andra sjukdomar. I verklig praxis kan kvaliteten på ögonbottenbilder vara oacceptabel, vilket kan undergräva diagnostisk noggrannhet och effektivitet. Här etablerade og validerade forskarna ett artificiell intelligenssystem för att uppnå automatisk kvalitetsbedömning av ögonbottenbilder vid infångning. Detta system kan också ge vägledning till fotografer enligt skälen till låg kvalitet.

Studieöversikt

Status

Okänd

Betingelser

Intervention / Behandling

Studietyp

Observationell

Inskrivning (Förväntat)

300

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
        • Zhongshan Ophthalmic Center, Sun Yat-sen 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

Ja

Kön som är behöriga för studier

Allt

Testmetod

Icke-sannolikhetsprov

Studera befolkning

Inklusionskriterier:

  • Patienter bör vara medvetna om innehållet och undertecknat för informerat samtycke.

Exklusions kriterier:

  • 1. Patienter som inte kan samarbeta med en fotograf såsom vissa paralytiska, patienterna med demens och svåra psykopater.
  • 2. Patienter som inte går med på att skriva under informerat samtycke.

Beskrivning

Inklusionskriterier:

  • Patienter bör vara medvetna om innehållet och undertecknat för informerat samtycke.

Exklusions kriterier:

  • 1. Patienter som inte kan samarbeta med en fotograf såsom vissa paralytiska, patienterna med demens och svåra psykopater.
  • 2. Patienter som inte går med på att skriva under informerat samtycke.

Studieplan

Det här avsnittet ger detaljer om studieplanen, inklusive hur studien är utformad och vad studien mäter.

Hur är studien utformad?

Designdetaljer

Kohorter och interventioner

Grupp / Kohort
Intervention / Behandling
Bildkvalitetsbedömning av ögonbotten
Device: ett artificiellt intelligenssystem för kvalitetsbedömning av ögonbottenbilder. Dessa patienter är inskrivna på primärvårdsenheter eller AI-kliniken vid Zhongshan Ophthalmic Center.
Enhet: Tar en ögonbottenbild
Deltagaren behöver bara ta en ögonbottenbild som vanligt.

Vad mäter studien?

Primära resultatmått

Resultatmått
Åtgärdsbeskrivning
Tidsram
Prestanda hos artificiell intelligenssystem för att skilja mellan bra bildkvalitet och dålig bildkvalitet
Tidsram: 3 månader
Area under mottagaren funktionskarakteristiska kurvor, känslighet, specificitet, positiva och negativa prediktiva värden, noggrannhet
3 månader

Sekundära resultatmått

Resultatmått
Åtgärdsbeskrivning
Tidsram
Jämförelsen av prestandan för tidigare artificiell intelligens diagnostiksystem med ögonbottenbilder av olika bildkvalitet
Tidsram: 3 månader
Cohens kappa-koefficient, P-värde och andra relaterade statistiska resultat
3 månader

Samarbetspartners och utredare

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

Sponsor

Sun Yat-sen 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)

1 februari 2020

Primärt slutförande (Förväntat)

1 juli 2020

Avslutad studie (Förväntat)

1 juli 2020

Studieregistreringsdatum

Först inskickad

26 februari 2020

Först inskickad som uppfyllde QC-kriterierna

26 februari 2020

Första postat (Faktisk)

28 februari 2020

Uppdateringar av studier

Senaste uppdatering publicerad (Faktisk)

28 februari 2020

Senaste inskickade uppdateringen som uppfyllde QC-kriterierna

26 februari 2020

Senast verifierad

1 februari 2020

Mer information

Termer relaterade till denna studie

Ytterligare relevanta MeSH-villkor

Andra studie-ID-nummer

  • IMAQUA2020-China-01

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 Näthinnesjukdomar

Sök liknande försök

Sponsorer och medarbetare

Medicinska tillstånd

Läkemedelsinterventioner

CROs by country

CROs in Equatorial Guinea

Betingelser

Sällsynta sjukdomar

Läkemedelsinterventioner

Kosttillskott

Sponsor / medarbetare

Platser

3
Prenumerera