Genomförbarhet av AI-baserad klassificering av normala, väsande och knastrande ljud från stetoskop i kliniska inställningar
Utvärdering av genomförbarheten av algoritmer för artificiell intelligens i kliniska inställningar för klassificering av normala ljud, pipande ljud och knaster från ett digitalt stetoskop
Studieöversikt
Status
Betingelser
Intervention / Behandling
Studietyp
Inskrivning (Faktisk)
Fas
- Inte tillämpbar
Kontakter och platser
Studieorter
-
-
-
Peshawar, Pakistan, 25000
- Lady Reading Hospital, Pakistan
-
-
Deltagandekriterier
Urvalskriterier
Åldrar som är berättigade till studier
- Barn
- Vuxen
- Äldre vuxen
Tar emot friska volontärer
Kön som är behöriga för studier
Beskrivning
Inklusionskriterier:
- Åldrar alla
- Skriftligt samtycke lämnas
Exklusions kriterier:
- Ämnets tillstånd instabilt
- Bröstväggsdeformitet eller sår i applikationsområden med lim
- Skriftligt samtycke lämnas inte
Studieplan
Hur är studien utformad?
Designdetaljer
- Primärt syfte: Diagnostisk
- Tilldelning: N/A
- Interventionsmodell: Enskild gruppuppgift
- Maskning: Ingen (Open Label)
Vad mäter studien?
Primära resultatmått
Resultatmått |
Åtgärdsbeskrivning |
Tidsram |
|---|---|---|
|
Klinisk validering av AI-modeller för detektering av pipljud, knaster och normala lungljud i jämförelse med guldstandarden
Tidsram: 2 månader
|
AI-modeller kommer att testas för sin kliniska genomförbarhet genom jämförelse av resultat erhållna från AI-modeller med guldstandarden genom att mäta positiva och negativa överenskommelser (NPA & PPA).
Guldstandarden är etiketten som ges till varje lungljudsinspelning av en erfaren lungläkare.
AI-modellen är förblindad för dessa etiketter och testas oberoende för detektering av normala lungljud, väsande andningar och knaster
|
2 månader
|
|
Testa noggrannheten hos modeller med artificiell intelligens för detektering av pipljud, knaster och normala lungljud genom att mäta känsligheten och specificiteten
Tidsram: 2 månader
|
Modeller med artificiell intelligens tränas på lungljud som samlats in från tre olika digitala stetoskop som heter NoaScope, eSteth och Littmann individuellt. Data från alla tre digitala stetoskop slås också samman för att träna separata AI-modeller. Dessa tränade AI-modeller kommer att utvärderas baserat på sensitivitet som är förmågan att korrekt identifiera pip och knaster, och specificitet som är förmågan att korrekt identifiera normala lungljud. Sant positiva (TP), sanna negativa (TN), falskt positiva (FP) och falskt negativa (FN) värden kommer att användas för att beräkna sensitivitet och specificitet med hjälp av följande uttryck. Känslighet: TP/TP+FN Specificitet: TN/TN+FP |
2 månader
|
Sekundära resultatmått
Resultatmått |
Åtgärdsbeskrivning |
Tidsram |
|---|---|---|
|
Prestandaanalys av tre digitala stetoskop: Littmann, NoaScope och eSteth
Tidsram: 2 månader
|
Prestandaanalys av tre digitala stetoskop NoaScope, eSteth och Littmann kommer att utvärderas med hjälp av känsligheten och specificiteten som uppnås av varje stetoskop. Sant positiva (TP), sanna negativa (TN), falskt positiva (FP) och falskt negativa (FN) värden kommer att användas för att beräkna sensitivitet och specificitet med hjälp av följande uttryck. Känslighet: TP/TP+FN Specificitet: TN/TN+FP |
2 månader
|
Samarbetspartners och utredare
Studieavstämningsdatum
Studera stora datum
Studiestart (Faktisk)
Primärt slutförande (Faktisk)
Avslutad studie (Faktisk)
Studieregistreringsdatum
Först inskickad
Först inskickad som uppfyllde QC-kriterierna
Första postat (Faktisk)
Uppdateringar av studier
Senaste uppdatering publicerad (Faktisk)
Senaste inskickade uppdateringen som uppfyllde QC-kriterierna
Senast verifierad
Mer information
Termer relaterade till denna studie
Ytterligare relevanta MeSH-villkor
Andra studie-ID-nummer
- Pulmo AI LRH
Plan för individuella deltagardata (IPD)
Planerar du att dela individuella deltagardata (IPD)?
Läkemedels- och apparatinformation, studiedokument
Studerar en amerikansk FDA-reglerad läkemedelsprodukt
Studerar en amerikansk FDA-reglerad produktprodukt
produkt tillverkad i och exporterad från U.S.A.
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 .