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

Validering av ett Multitask Deep Learning System vid Spine Metastasis CT

31 maj 2022 uppdaterad av: Zhao Hui, Shanghai 6th People's Hospital

Multicentervalidering av ett multitask djupinlärningssystem för spinal instabilitet vid spine Metastasis CT

Multitask djupinlärningssystemet (DLS) med fem algoritmer som detekterar fem kvantitativa faktorer för Spinal Instability Neoplastic Score (SINS) utvecklades. Radiologer och onkologer från multicenter kommer att rekryteras för att läsa CT-skanningarna i bildarkivering och kommunikationssystem (PACS) oberoende, jämfört med DLS. En månad efter att ha läst CT-skanningarna i PACS kommer deltagarna också att be om att utföra ett webbaserat test på DLS-webbplatsen med samma CT-skanningar. Arean under mottagarens operationskarakteristikkurva (AUC), känslighet och specificitet för DLS beräknades med professionella väghyvlar som referensstandard.

Studieöversikt

Studietyp

Observationell

Inskrivning (Förväntat)

420

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

16 år och äldre (Vuxen, Äldre vuxen)

Tar emot friska volontärer

Nej

Kön som är behöriga för studier

Allt

Testmetod

Sannolikhetsprov

Studera befolkning

Patienter med ryggradsmetastaser

Beskrivning

Inklusionskriterier:

  1. patologi-beprövad diagnos av solid tumör;
  2. spinal CT-skanning som indikerar spinal metastas med minst en lesion;
  3. ingen tidigare operation för spinal metastasering

Exklusions kriterier:

  1. spinal CT-skanningar utan sagittal rekonstruktion;
  2. radiologen ansåg att kvaliteten på CT-bilden var okvalificerad.

Studieplan

Det här avsnittet ger detaljer om studieplanen, inklusive hur studien är utformad och vad studien mäter.

Hur är studien utformad?

Designdetaljer

  • Observationsmodeller: Kohort
  • Tidsperspektiv: Blivande

Kohorter och interventioner

Grupp / Kohort
Intervention / Behandling
rutinläkare
Multitask-DLS med fem algoritmer som upptäcker fem kvantitativa faktorer för SINS
DLS
Multitask-DLS med fem algoritmer som upptäcker fem kvantitativa faktorer för SINS

Vad mäter studien?

Primära resultatmått

Resultatmått
Åtgärdsbeskrivning
Tidsram
AUC
Tidsram: 1 månad
Area under mottagarens funktionskarakteristikkurva (AUC) för upptäckt av spinal instabilitet
1 månad

Sekundära resultatmått

Resultatmått
Åtgärdsbeskrivning
Tidsram
känslighet
Tidsram: 1 månad
känslighet för upptäckt av spinal instabilitet
1 månad
specificitet
Tidsram: 1 månad
specificitet för upptäckt av spinal instabilitet
1 månad

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 (Förväntat)

1 juli 2022

Primärt slutförande (Förväntat)

31 december 2023

Avslutad studie (Förväntat)

31 december 2023

Studieregistreringsdatum

Först inskickad

12 december 2021

Först inskickad som uppfyllde QC-kriterierna

12 december 2021

Första postat (Faktisk)

14 december 2021

Uppdateringar av studier

Senaste uppdatering publicerad (Faktisk)

1 juni 2022

Senaste inskickade uppdateringen som uppfyllde QC-kriterierna

31 maj 2022

Senast verifierad

1 maj 2022

Mer information

Termer relaterade till denna studie

Andra studie-ID-nummer

  • DLS01

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 Deep Learning System

3
Prenumerera