Artificiell intelligens i realtid för att upptäcka multipla ögonfunduslesioner genom ultravidfältsavbildning av ögonbotten
23 april 2021 uppdaterad av: Haotian Lin, Sun Yat-sen University
Artificiell intelligens i realtid för att upptäcka multipla ögonfunduslesioner genom ultravidfältsfundusavbildning: en prospektiv multicenterstudie
Denna prospektiva multicenterstudie kommer att utvärdera effektiviteten av ett artificiell intelligenssystem i realtid för att upptäcka flera ögonbottenskador genom ultrabredfältsavbildning av ögonbotten i verkliga miljöer.
Studieöversikt
Status
Rekrytering
Betingelser
Intervention / Behandling
Detaljerad beskrivning
Ögonfundus kan visa tecken på både ögonsjukdomar (t.ex. gitterdegeneration, näthinneavlossning och glaukom) och systemiska sjukdomar (t.ex. hypertoni, diabetes och leukemi). Den rutinmässiga ögonbottenundersökningen bidrar till tidig upptäckt av dessa sjukdomar. Manuell undersökning av ögonbotten kräver dock en erfaren ögonläkare på näthinnan och är tidskrävande och arbetskrävande, vilket är svårt för dess rutinmässiga implementering i stor skala.
Denna studie kommer att utveckla ett artificiell intelligenssystem som integreras med ögonbottenavbildning med ultravidfält för att automatiskt screena efter flera ögonbottenskador i realtid och utvärdera dess prestanda i olika verkliga miljöer. Effektiviteten av systemet kommer att jämföras med de slutliga diagnoserna för varje deltagare som ställs av erfarna ögonläkare.
Studietyp
Observationell
Inskrivning (Förväntat)
2000
Kontakter och platser
Det här avsnittet innehåller kontaktuppgifter för dem som genomför studien och information om var denna studie genomförs.
Studiekontakt
- Namn: Haotian Lin, MD, PhD
- Telefonnummer: 8613802793086
- E-post: haot.lin@hotmail.com
Studera Kontakt Backup
- Namn: Zhongwen Li, MD
- Telefonnummer: 8618138726682
- E-post: cuitx3@mail2.sysu.edu.cn
Studieorter
-
-
Guangdong
-
Guangzhou, Guangdong, Kina, 510060
- Rekrytering
- Zhongshan Ophthalmic Center, Sun Yat-sen University
-
Kontakt:
- Haotian Lin, M.D., Ph.D
- Telefonnummer: 8613802793086
- E-post: haot.lin@hotmail.com
-
Kontakt:
- Xiaohang Wu, M.D., Ph.D
- Telefonnummer: 8615913177657
- E-post: wuxiaohang_zoc@qq.com
-
-
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
Alla deltagare som går med på att ta ögonbottenbilder med ultravidfält.
Beskrivning
Inklusionskriterier:
Alla deltagare som går med på att ta ögonbottenbilder med ultravidfält.
Exklusions kriterier:
- Patienter som inte kan samarbeta med en fotograf som vissa paralytiska, patienterna med demens och svåra psykopater.
- 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 |
|---|---|
|
Zhongshan Ophthalmic Center
Deltagaren behöver bara ta en ultrabredfältsbild av ögonbotten som vanligt.
|
Deltagaren behöver bara ta en ultrabredfältsbild av ögonbotten som vanligt.
|
|
Shenzhen Ophthalmic Center
Deltagaren behöver bara ta en ultrabredfältsbild av ögonbotten som vanligt.
|
Deltagaren behöver bara ta en ultrabredfältsbild av ögonbotten som vanligt.
|
|
Beijin Tongrens sjukhus
Deltagaren behöver bara ta en ultrabredfältsbild av ögonbotten som vanligt.
|
Deltagaren behöver bara ta en ultrabredfältsbild av ögonbotten som vanligt.
|
|
Xudong Ophthalmic Center
Deltagaren behöver bara ta en ultrabredfältsbild av ögonbotten som vanligt.
|
Deltagaren behöver bara ta en ultrabredfältsbild av ögonbotten som vanligt.
|
|
IKang Physical Examination Center
Deltagaren behöver bara ta en ultrabredfältsbild av ögonbotten som vanligt.
|
Deltagaren behöver bara ta en ultrabredfältsbild av ögonbotten som vanligt.
|
|
Yangxi General Hospital People's Hospital
Deltagaren behöver bara ta en ultrabredfältsbild av ögonbotten som vanligt.
|
Deltagaren behöver bara ta en ultrabredfältsbild av ögonbotten som vanligt.
|
|
Guangdong Provincial People's Hospital
Deltagaren behöver bara ta en ultrabredfältsbild av ögonbotten som vanligt.
|
Deltagaren behöver bara ta en ultrabredfältsbild av ögonbotten som vanligt.
|
Vad mäter studien?
Primära resultatmått
Resultatmått |
Åtgärdsbeskrivning |
Tidsram |
|---|---|---|
|
Noggrannhet
Tidsram: 8 månader
|
Prestanda av artificiell intelligenssystem för att upptäcka flera ögonfunduslesioner baserat på ögonbottenavbildning med ultravidfält.
|
8 månader
|
Sekundära resultatmått
Resultatmått |
Åtgärdsbeskrivning |
Tidsram |
|---|---|---|
|
Känslighet
Tidsram: 8 månader
|
Prestanda av artificiell intelligenssystem för att upptäcka flera ögonfunduslesioner baserat på ögonbottenavbildning med ultravidfält.
|
8 månader
|
|
Specificitet
Tidsram: 8 månader
|
Prestanda av artificiell intelligenssystem för att upptäcka flera ögonfunduslesioner baserat på ögonbottenavbildning med ultravidfält.
|
8 månader
|
|
Cohens kappa-koefficient
Tidsram: 8 månader
|
Jämförelsen mellan performacne av AI-system och ögonläkare med tre grader av expertis.
|
8 månader
|
|
Falskt positiv ränta
Tidsram: 8 månader
|
Funktioner av felklassificering
|
8 månader
|
|
Falsk-negativ kurs
Tidsram: 8 månader
|
Funktioner av felklassificering
|
8 månader
|
|
Databehandlingstid för AI-system
Tidsram: 8 månader
|
Databehandlingstid för AI-system.
|
8 månader
|
Samarbetspartners och utredare
Det är här du hittar personer och organisationer som är involverade i denna studie.
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 november 2020
Primärt slutförande (Förväntat)
1 februari 2022
Avslutad studie (Förväntat)
25 december 2022
Studieregistreringsdatum
Först inskickad
15 april 2021
Först inskickad som uppfyllde QC-kriterierna
23 april 2021
Första postat (Faktisk)
26 april 2021
Uppdateringar av studier
Senaste uppdatering publicerad (Faktisk)
26 april 2021
Senaste inskickade uppdateringen som uppfyllde QC-kriterierna
23 april 2021
Senast verifierad
1 april 2021
Mer information
Termer relaterade till denna studie
Nyckelord
Ytterligare relevanta MeSH-villkor
Andra studie-ID-nummer
- UWFAIDS2019-China-06
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 Artificiell intelligens
-
Al Baraka Fertility HospitalAl-Azhar UniversityRekryteringARTIFICIAL INTELLIGENS (AI) APPLIKATIONER INOM REPRODUKTIV MEDICINEgypten