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

Utvärdering av modeller för tidig varning med hög risk för pneumokonios

2 juli 2021 uppdaterad av: Peking University Third Hospital

Utvecklingen och den kliniska tillämpningen av Pneumokonios högriskmodeller för tidig varning baserade på konvolutionellt neuralt nätverk i bröströntgen

Försiktighet vid pneumokonios är viktigare än behandling. Den nuvarande processen kan dock inte tidigt varna de högriskexponerade dammexponerade arbetarna förrän de får diagnosen pneumokonios. Med egenskapen effektivitet, opersonlighet och kvantifiering är artificiell intelligens precis lämplig för att lösa dessa problem. Därför siktar vi på att anpassa djupinlärning för att utveckla modeller för intelligent upptäckt av pneumokonios, graderad diagnos och tidig varning med hög risk. De kommenterade bilderna kommer att användas för algoritmträning för konvolutionella neurala nätverk (CNNs), som syftar till pneumokoniosscreening och graddiagnos. Dessutom kommer riskpoäng beräknad av densitetsvärmekarta att användas för tidig varning av dammexponerade arbetare. Sedan kommer uppföljning av kohorten att göras för att verifiera giltigheten av riskpoängen. På så sätt kommer högriskdammexponerade arbetare att få tidiga insatser och bättre prognos, vilket uppenbarligen kan minska den medicinska bördan.

Studieöversikt

Status

Rekrytering

Betingelser

Detaljerad beskrivning

Pneumokonios, den dominerande yrkessjukdomen i Kina och över hela världen. Bröströntgen är det mest tillgängliga och mest prisvärda radiologiska testet som finns för fysisk undersökning av dammexponerade arbetare och massscreening för pneumokonios. Men diagnosprocessen har vissa nackdelar, såsom stark subjektivitet, ineffektivitet och handikapp i bedömningen av borderline lesioner, etc. Dessutom är försiktighet vid pneumokonios viktigare än behandling. Den nuvarande processen kan dock inte tidigt varna de högriskexponerade dammexponerade arbetarna förrän de får diagnosen pneumokonios. Med egenskapen effektivitet, opersonlighet och kvantifiering är artificiell intelligens precis lämplig för att lösa ovannämnda problem. Hittills har det förekommit sällsynt forskning om anpassning av djupinlärning för diagnos av pneumokoniosgrad och tidig varning med hög risk. I våra tidigare studier har vi upprättat en lungröntgendatabas, som innehåller mer än 100 000 digitala pneumokoniosröntgenbilder. Resultatet av utvärdering av detektionssystem visade att noggrannheten i identifieringen av pneumokonios kunde nå 90 %, med en AUC (Area Under The Curve) på 0,965 och en känslighet på 99 %. Fler arbeten måste fortsätta. Därför siktar vi på att anpassa djupinlärning för att utveckla modeller för intelligent upptäckt av pneumokonios, graderad diagnos och tidig varning med hög risk. De kommenterade bilderna kommer att användas för algoritmträning för konvolutionella neurala nätverk (CNNs), som syftar till pneumokoniosscreening och graddiagnos. Dessutom kommer riskpoäng beräknad av densitetsvärmekarta att användas för tidig varning av dammexponerade arbetare. Sedan kommer uppföljning av kohorten att göras för att verifiera giltigheten av riskpoängen. På så sätt kommer högriskdammexponerade arbetare att få tidiga insatser och bättre prognos, vilket uppenbarligen kan minska den medicinska bördan.

Studietyp

Observationell

Inskrivning (Förväntat)

200

Kontakter och platser

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

Studiekontakt

Studieorter

    • Beijing
      • Beijing, Beijing, Kina, 100191
        • Rekrytering
        • Peking University Third Hospital
        • Kontakt:

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

18 år till 60 år (VUXEN)

Tar emot friska volontärer

Nej

Kön som är behöriga för studier

Allt

Testmetod

Sannolikhetsprov

Studera befolkning

dammexponerade arbetare i 16 provinser i Kina

Beskrivning

Inklusionskriterier:

  1. arbetare som exponeras för damm;
  2. har digital bröströntgen

Exklusions kriterier:

  1. basal lungsjukdom;
  2. dimission från dammexponerat arbete

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
lågriskgrupp
Riskindex∈[0,0,5)
högriskgrupp
Riskindex∈[0.5,1)

Vad mäter studien?

Primära resultatmått

Resultatmått
Åtgärdsbeskrivning
Tidsram
deltagare diagnostiserats som "pneumokonios"
Tidsram: före 31 december 2022
Antal deltagare som diagnostiserats som "pneumokonios"
före 31 december 2022
död
Tidsram: före 31 december 2022
Antal deltagare som dör
före 31 december 2022

Sekundära resultatmått

Resultatmått
Åtgärdsbeskrivning
Tidsram
Forcerad utandningsvolym på 1s(FEV1) i %
Tidsram: före 31 december 2022
Forcerad utandningsvolym på 1s
före 31 december 2022
arteriellt partialtryck av syre, PaO2
Tidsram: före 31 december 2022
arteriellt partialtryck av syre
före 31 december 2022
modifierat Medical Research Council, mMRC
Tidsram: före 31 december 2022
ett frågeformulär som används för att bedöma symptom
före 31 december 2022

Samarbetspartners och utredare

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

Utredare

  • Huvudutredare: Xiao Li, M.D., Peking University Third Hospital

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 augusti 2018

Primärt slutförande (FÖRVÄNTAT)

1 december 2021

Avslutad studie (FÖRVÄNTAT)

1 december 2025

Studieregistreringsdatum

Först inskickad

23 juni 2021

Först inskickad som uppfyllde QC-kriterierna

2 juli 2021

Första postat (FAKTISK)

7 juli 2021

Uppdateringar av studier

Senaste uppdatering publicerad (FAKTISK)

7 juli 2021

Senaste inskickade uppdateringen som uppfyllde QC-kriterierna

2 juli 2021

Senast verifierad

1 juni 2021

Mer information

Termer relaterade till denna studie

Plan för individuella deltagardata (IPD)

Planerar du att dela individuella deltagardata (IPD)?

OBESLUTSAM

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 .

Prenumerera