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

Artificial Intelligence System for the Detection and Prediction of Kidney Diseases Using Ocular Information

25 januari 2022 uppdaterad av: Haotian Lin, Sun Yat-sen University
This is an retrospective and prospective multicenter study to develop and validate an artificial intelligent (AI) aided diagnosis, therapeutic effect assessment model including chronic kidney disease (CKD) and dialysis patients starting from April 2009, which is based on ophthalmic examinations (e.g. retinal fundus photography, slit-lamp images, OCTA, etc.) and CKD diagnostic and therapeutic data (routine clinical evaluations and laboratory data), to provide a reliable basis and guideline for clinical diagnosis and treatment.

Studieöversikt

Status

Rekrytering

Betingelser

Intervention / Behandling

Studietyp

Observationell

Inskrivning (Förväntat)

4000

Kontakter och platser

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

Studiekontakt

Studieorter

  • Kina
    • Guangdong
      • Guangzhou, Guangdong, Kina, 510060
        • Rekrytering
        • Zhongshan Ophthalmic Center, Sun Yat-sen University
        • Kontakt:
        • 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 och äldre (Vuxen, Äldre vuxen)

Tar emot friska volontärer

Ja

Kön som är behöriga för studier

Allt

Testmetod

Sannolikhetsprov

Studera befolkning

Participants who had slit-lamp, retinal fundus photography and kidney disease tests at the Department of Nephrology, First Affiliated Hospital of Sun Yat-sen University and Medical Centre of Aikang Health Care, Guangzhou, China

Beskrivning

Inclusion Criteria:

  • Patients previously received kidney biopsy, ophthalmic examinations and routine examinations of the department of nephrology during in-hospital period with BCVA>0.5.

Exclusion Criteria:

  • Patients without retinal fundus images or kidney diseases.
  • The quality of the retinal fundus images can not meet the requirement for furthur analysis.
  • Severe loss of results of routine examinations of the department of nephrology.

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
Development Dataset 01
Slit-lamp, retinal fundus images, OCTA and kidney diseases examinations collected from Department of Nephrology of the First Affiliated Hospital of Sun Yat-sen University
Övrig: Diagnostic Test: Chronic Kidney Diseases
The development datasets were used to train the deep learning model, which was validated and tested by the other 4 datasets.
Development Dataset 02
Slit-lamp, retinal fundus images, OCTA and kidney diseases examinations collected from Medical Centre of Aikang Health Care, Guangzhou, China
Övrig: Diagnostic Test: Chronic Kidney Diseases
The development datasets were used to train the deep learning model, which was validated and tested by the other 4 datasets.
Validation Dataset 01
Slit-lamp, retinal fundus images, OCTA and kidney diseases examinations collected from Department of Nephrology of the First Affiliated Hospital of Sun Yat-sen University
Övrig: Diagnostic Test: Chronic Kidney Diseases
The development datasets were used to train the deep learning model, which was validated and tested by the other 4 datasets.
Validation Dataset 02
Slit-lamp, retinal fundus images, OCTA and kidney diseases examinations collected from Medical Centre of Aikang Health Care, Guangzhou, China
Övrig: Diagnostic Test: Chronic Kidney Diseases
The development datasets were used to train the deep learning model, which was validated and tested by the other 4 datasets.
Test Dataset 01
Slit-lamp, retinal fundus images, OCTA and kidney diseases examinations collected from Department of Nephrology of the First Affiliated Hospital of Sun Yat-sen University
Övrig: Diagnostic Test: Chronic Kidney Diseases
The development datasets were used to train the deep learning model, which was validated and tested by the other 4 datasets.
Test Dataset 02
Slit-lamp, retinal fundus images, OCTA and kidney diseases examinations collected from Medical Centre of Aikang Health Care, Guangzhou, China
Övrig: Diagnostic Test: Chronic Kidney Diseases
The development datasets were used to train the deep learning model, which was validated and tested by the other 4 datasets.

Vad mäter studien?

Primära resultatmått

Resultatmått
Åtgärdsbeskrivning
Tidsram
Area under the receiver operating characteristic curve of the deep learning system
Tidsram: baseline
The investigators will calculate the area under the receiver operating characteristic curve of deep learning system and compare this index between deep learning system and human doctors
baseline

Sekundära resultatmått

Resultatmått
Åtgärdsbeskrivning
Tidsram
Sensitivity and specificity of the deep learning system
Tidsram: baseline
The investigators will calculate the sensitivity and specifity of deep learning system and compare this index between deep learning system and human doctors
baseline

Samarbetspartners och utredare

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

Sponsor

Sun Yat-sen University

Samarbetspartners

First Affiliated Hospital, Sun Yat-Sen University

Utredare

  • Studiestol: Yizhi Liu, M.D., Ph.D., Zhongshan Ophthalmic Center, Sun Yat-sen University

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)

28 augusti 2021

Primärt slutförande (Förväntat)

1 december 2022

Avslutad studie (Förväntat)

1 december 2022

Studieregistreringsdatum

Först inskickad

23 januari 2022

Först inskickad som uppfyllde QC-kriterierna

25 januari 2022

Första postat (Faktisk)

4 februari 2022

Uppdateringar av studier

Senaste uppdatering publicerad (Faktisk)

4 februari 2022

Senaste inskickade uppdateringen som uppfyllde QC-kriterierna

25 januari 2022

Senast verifierad

1 januari 2022

Mer information

Termer relaterade till denna studie

Nyckelord

Ytterligare relevanta MeSH-villkor

Andra studie-ID-nummer

  • AIKD-2021

Plan för individuella deltagardata (IPD)

Planerar du att dela individuella deltagardata (IPD)?

NEJ

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 Njursjukdomar

Kliniska prövningar på Diagnostic Test: Chronic Kidney Diseases

Sök liknande försök

Sponsorer och medarbetare

Medicinska tillstånd

Läkemedelsinterventioner

CROs by country

CROs in Uzbekistan

Betingelser

Sällsynta sjukdomar

Läkemedelsinterventioner

Kosttillskott

Sponsor / medarbetare

Platser

3
Prenumerera