- ICH GCP
- Amerikanska kliniska prövningsregistret
- Klinisk prövning NCT04592068
AI klassificerar multi-näthinnesjukdomar
Deep Learning-Based Automated Classification of Multi-Retinal Disease from Fundus Photography
Studieöversikt
Status
Betingelser
Detaljerad beskrivning
Näthinnesjukdomar hotar synen och livskvaliteten allvarligt, men de utvecklas ofta smygande. Hittills har algoritmer för djupinlärning (DL) visat höga möjligheter inom biomedicinsk vetenskap, särskilt vid diagnos av ögonsjukdomar, såsom diabetisk retinopati, åldersrelaterad makuladegeneration, retinopati hos prematuritet, glaukom och papilleödem. Det saknas dock fortfarande en enda algoritm som kan klassificera multisjukdomar från ögonbottenfotografering.
Denna tvärsnittsstudie kommer att etablera en DL-algoritm för att automatiskt klassificera multisjukdomar från ögonbottenfotografering och skilja stora synhotande tillstånd och andra retinala abnormiteter. Vi kommer att använda kurvan för mottagarens funktionskarakteristik (ROC) för att undersöka förmågan att känna igen och klassificera sjukdomar. Med resultaten från expertpanelen som guldstandard kommer vi att använda utvärderingsindexen, såsom känslighet, specificitet, noggrannhet, positivt prediktivt värde, negativt prediktivt värde, etc, för att jämföra den diagnostiska kapaciteten mellan AI-igenkänningssystemet och mänsklig ögonläkare .
Studietyp
Inskrivning (Förväntat)
Kontakter och platser
Studieorter
-
-
Beijing
-
Beijing, Beijing, Kina, 100730
- Rekrytering
- Wen-Bin Wei
-
-
Deltagandekriterier
Urvalskriterier
Åldrar som är berättigade till studier
- Barn
- Vuxen
- Äldre vuxen
Tar emot friska volontärer
Kön som är behöriga för studier
Testmetod
Studera befolkning
Beskrivning
Inklusionskriterier:
- ögonbottenfotografering runt 45° fält som täcker optisk skiva och gula fläcken
- fullständig patientidentifikationsinformation;
Exklusions kriterier:
- ofullständig patientidentifikationsinformation
Studieplan
Hur är studien utformad?
Designdetaljer
Kohorter och interventioner
Grupp / Kohort |
Intervention / Behandling |
---|---|
Multisjukdomar i näthinnan diagnostiserade med DL-algoritm
|
DL-algoritmen klassificerar automatiskt multisjukdomar från ögonbottenfotografering och särskiljer allvarliga synhotande tillstånd och andra retinala abnormiteter.
|
Näthinne multisjukdomar diagnostiserade av expertpanel
|
Expertpanelen klassificerar multisjukdomar från ögonbottenfotografering och särskiljer allvarliga synhotande tillstånd och andra näthinneavvikelser.
|
Vad mäter studien?
Primära resultatmått
Resultatmått |
Åtgärdsbeskrivning |
Tidsram |
---|---|---|
Område under kurva
Tidsram: 1 vecka
|
Vi kommer att använda kurvan för mottagarens funktionskarakteristik (ROC) för att undersöka förmågan att känna igen och klassificera sjukdomar.
Med resultaten från expertpanelen som guldstandard kommer vi att använda området under kurvan för att jämföra den diagnostiska kapaciteten mellan AI-igenkänningssystemet och mänsklig ögonläkare.
|
1 vecka
|
Känslighet och specificitet
Tidsram: 1 vecka
|
Med resultaten från expertpanelen som guldstandard kommer vi att använda sensitivitet och specificitet för att jämföra den diagnostiska kapaciteten mellan AI-igenkänningssystemet och mänsklig ögonläkare.
|
1 vecka
|
Positivt och negativt prediktivt värde
Tidsram: 1 vecka
|
Med resultaten från expertpanelen som guldstandard kommer vi att använda positiva och negativa prediktiva värden för att jämföra den diagnostiska kapaciteten mellan AI-igenkänningssystemet och mänsklig oftalmolog.
|
1 vecka
|
Noggrannhet
Tidsram: 1 vecka
|
Med resultaten från expertpanelen som guldstandard kommer vi att använda noggrannhet för att jämföra den diagnostiska kapaciteten mellan AI-igenkänningssystemet och mänsklig ögonläkare.
|
1 vecka
|
Samarbetspartners och utredare
Sponsor
Samarbetspartners
Studieavstämningsdatum
Studera stora datum
Studiestart (Faktisk)
Primärt slutförande (Förväntat)
Avslutad studie (Förväntat)
Studieregistreringsdatum
Först inskickad
Först inskickad som uppfyllde QC-kriterierna
Första postat (Faktisk)
Uppdateringar av studier
Senaste uppdatering publicerad (Faktisk)
Senaste inskickade uppdateringen som uppfyllde QC-kriterierna
Senast verifierad
Mer information
Termer relaterade till denna studie
Ytterligare relevanta MeSH-villkor
Andra studie-ID-nummer
- Retinal multi diseases
Plan för individuella deltagardata (IPD)
Planerar du att dela individuella deltagardata (IPD)?
Läkemedels- och apparatinformation, studiedokument
Studerar en amerikansk FDA-reglerad läkemedelsprodukt
Studerar en amerikansk FDA-reglerad produktprodukt
produkt tillverkad i och exporterad från U.S.A.
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
-
Innostellar Biotherapeutics Co.,LtdRekryteringÄrftlig retinal dystrofiKina
-
Frontera TherapeuticsRekryteringBiallelisk RPE65 mutationsassocierad retinal dystrofiKina
-
Duke UniversityRekryteringRetinal dystrofierFörenta staterna
-
Novartis PharmaceuticalsAktiv, inte rekryterandeBiallelisk RPE65 mutationsassocierad retinal dystrofiJapan
-
PYC TherapeuticsRekryteringRetinal dystrofi | PRPF31 Mutationsassocierad retinal dystrofi | RP11Förenta staterna
-
Innostellar Biotherapeutics Co.,LtdAktiv, inte rekryterandeÄrftlig retinal dystrofi associerad med RPE65-mutationerKina
-
Benha UniversityOkändDystrofi, retinalFörenade arabemiraten
-
University Hospital, MontpellierInstitut National de la Santé Et de la Recherche Médicale, FranceRekrytering
-
Fondation Ophtalmologique Adolphe de RothschildRekryteringSynfunktionella hjärnnätverk hos patienter med ärftlig retinal dystrofiFrankrike
-
Gangnam Severance HospitalAvslutadNedärvd retinal dystrofi som främst involverar sensorisk näthinna | Nedärvd retinal dystrofi som främst involverar retinalt pigmentepitelKorea, Republiken av