- ICH GCP
- Amerikanska kliniska prövningsregistret
- Klinisk prövning NCT04952675
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
- Namn: Xiao Li, M.D.
- Telefonnummer: +8613051709411
- E-post: lixiao.sy@bjmu.edu.cn
Studieorter
-
-
Beijing
-
Beijing, Beijing, Kina, 100191
- Rekrytering
- Peking University Third Hospital
-
Kontakt:
- Xiao Li, M.D.
- Telefonnummer: +8613051709411
- E-post: lixiao.sy@bjmu.edu.cn
-
-
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:
- arbetare som exponeras för damm;
- har digital bröströntgen
Exklusions kriterier:
- basal lungsjukdom;
- 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.
Sponsor
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
Nyckelord
Ytterligare relevanta MeSH-villkor
Andra studie-ID-nummer
- PekingUTH-002
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 .