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

Konvolutionellt neuralt nätverk för detektion av cervikal myelomalaci

27 maj 2021 uppdaterad av: Merve Damla Korkmaz, Istanbul University

Konvolutionellt neuralt nätverk för detektion av cervikal myelomalaci på magnetisk resonanstomografi

Teknik för djupinlärning har använts alltmer inom ryggradskirurgi såväl som inom många medicinska områden. Det märks dock att de flesta studier om detta ämne i litteraturen har utförts utom halsryggraden. I denna studie syftade vi till att demonstrera effektiviteten av algoritmen för djupinlärning vid diagnos av cervikal myelomalaci jämfört med konventionella diagnostiska metoder.

Artificiella neurala nätverk, en maskininlärningsteknik, har använts inom flera industri- och forskningsområden i allt högre grad. Utvecklingen av beräkningsenheter och den ökande mängden data ledde till utvecklingen av nya metoder på artificiella neurala nätverk

Studieöversikt

Status

Avslutad

Betingelser

Intervention / Behandling

Detaljerad beskrivning

Cervikal myelopati (CM) är en frekvent degenerativ sjukdom i halsryggraden som uppstår som ett resultat av kompression av ryggmärgen. Vid utvärdering av denna sjukdom och fastställande av behandlingsalternativ bör patientens klinik och radiologiska modaliteter utvärderas tillsammans.

De nuvarande avbildningsprocedurerna för CM är vanliga röntgenogram, datortomografi och magnetisk resonanstomografi (MRT). MRT i CM är dock mer värdefullt för att utvärdera disken, ryggmärgen och andra mjuka vävnader jämfört med andra avbildningsmetoder. Artificiell intelligensteknik används också i många hälsotillämpningar som medicinsk bildanalys, biologisk signalanalys, etc. I denna studie syftade vi till att demonstrera effektiviteten av algoritmen för djupinlärning vid diagnos av cervikal myelomalaci jämfört med konventionella diagnostiska metoder.

Studietyp

Observationell

Inskrivning (Faktisk)

125

Kontakter och platser

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

Studieorter

  • Kalkon
    • Fatih
      • Istanbul, Fatih, Kalkon, 34093
        • Istanbul 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

32 år till 77 år (VUXEN, OLDER_ADULT)

Tar emot friska volontärer

N/A

Kön som är behöriga för studier

Allt

Testmetod

Sannolikhetsprov

Studera befolkning

Deltagarna är i åldrarna 30-80 år, som har cervikal myelomalaci som visat sig i MRT.

Beskrivning

Inklusionskriterier:

  • patienter med klassiska cervikala myelomalaci-symtom såsom nacksmärta och stelhet, svaghet och klumpighet i de övre extremiteterna eller gångsvårigheter och radiologiska fynd av ryggradskompression
  • 30-80 års ålder.

Exklusions kriterier:

  • Patienter med en tidigare anamnes på cervikal ryggradskirurgi och har en systematisk sjukdom (reumatologisk eller neural sjukdom).

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
cervikal myelopati
MR-bilder av patienter med cervikal myelopati
Diagnostiskt test: Konvolutionellt neuralt nätverk
Konvolutionella neurala nätverk, en maskininlärningsteknik, har använts i flera industri- och forskningsområden i allt högre grad. Utvecklingen av beräkningsenheter och den ökande mängden data ledde till utvecklingen av nya metoder på artificiella neurala nätverk. Deep learning (DL) är ett neuralt nätverk i flera lager där funktionsextraktion görs automatiskt. Den utökar traditionella neurala nätverk genom att lägga till fler dolda lager till nätverksarkitekturen mellan in- och utlagren för att modellera mer komplexa och olinjära relationer.
vanligt
normal del av MRI hos patienter med cervikal myelopati
Diagnostiskt test: Konvolutionellt neuralt nätverk
Konvolutionella neurala nätverk, en maskininlärningsteknik, har använts i flera industri- och forskningsområden i allt högre grad. Utvecklingen av beräkningsenheter och den ökande mängden data ledde till utvecklingen av nya metoder på artificiella neurala nätverk. Deep learning (DL) är ett neuralt nätverk i flera lager där funktionsextraktion görs automatiskt. Den utökar traditionella neurala nätverk genom att lägga till fler dolda lager till nätverksarkitekturen mellan in- och utlagren för att modellera mer komplexa och olinjära relationer.

Vad mäter studien?

Primära resultatmått

Resultatmått
Åtgärdsbeskrivning
Tidsram
Värdet av förvirringsmatrisnoggrannhet för sagittala vyer
Tidsram: 1 dag
Det är en specifik tabelllayout som möjliggör visualisering av prestanda för en algoritm.
1 dag
Värdet av förvirringsmatrisnoggrannhet för axiella vyer
Tidsram: 1 dag
Det är en specifik tabelllayout som möjliggör visualisering av prestanda för en algoritm.
1 dag

Samarbetspartners och utredare

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

Sponsor

Istanbul University

Utredare

  • Huvudutredare: Hakan Yilmaz, Karabuk University, Faculty of Engineering
  • Huvudutredare: Murat Korkmaz, Istanbul University, Faculty of Medicine

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)

15 april 2021

Primärt slutförande (FAKTISK)

22 april 2021

Avslutad studie (FAKTISK)

22 april 2021

Studieregistreringsdatum

Först inskickad

11 mars 2021

Först inskickad som uppfyllde QC-kriterierna

11 mars 2021

Första postat (FAKTISK)

15 mars 2021

Uppdateringar av studier

Senaste uppdatering publicerad (FAKTISK)

1 juni 2021

Senaste inskickade uppdateringen som uppfyllde QC-kriterierna

27 maj 2021

Senast verifierad

1 maj 2021

Mer information

Termer relaterade till denna studie

Nyckelord

Ytterligare relevanta MeSH-villkor

Andra studie-ID-nummer

  • KAEK/2020.07.129

Plan för individuella deltagardata (IPD)

Planerar du att dela individuella deltagardata (IPD)?

JA

IPD-planbeskrivning

Den kan delas efter publicering

Tidsram för IPD-delning

efter publicering

IPD-delning som stöder informationstyp

  • STUDY_PROTOCOL
  • SAV
  • ICF

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 Cervikal myelopati

Kliniska prövningar på Konvolutionellt neuralt nätverk

Sök liknande försök

Sponsorer och medarbetare

Medicinska tillstånd

Läkemedelsinterventioner

CROs by country

CROs in Estonia

Betingelser

Sällsynta sjukdomar

Läkemedelsinterventioner

Kosttillskott

Sponsor / medarbetare

Platser

3
Prenumerera