- ICH GCP
- Amerikanska kliniska prövningsregistret
- Klinisk prövning NCT05633732
Utvecklar ekokardiografi bildkvalitetshanteringssystem baserat på djupinlärning
21 februari 2023 uppdaterad av: The Affiliated Nanjing Drum Tower Hospital of Nanjing University Medical School
Ekokardiografi Bildkvalitetsledningssystem baserat på djupinlärning: en prospektiv studie med ett centrum
Att utveckla ett bildkvalitetshanteringssystem för ekokardiografi baserat på djupinlärning för att uppnå objektiv och exakt automatisk kontroll av ekokardiografibildkvalitet.
Totalt 2000 patienter som utförde transthorax ekokardiografi skrevs in prospektivt på avdelningen för ultraljudsmedicin vid det anslutna Drum Tower Hospital med Medical School of Nanjing University.
Data för 8 TTE-vysegmentering samlades in, inklusive vyerna av den parasternala långa axeln i vänster kammare (PLAX_LV), parasternala korta axeln för det stora kärlnivån (PSAX_GV), den parasternala korta axeln för mitralisklaffens nivå (PSAX_MV), parasternal kortaxel på papillärmuskelnivån (PSAX_PM), parasternal kortaxel på apikala nivån (PSAX_AP), apikala fyra hålighet (A4C), apikala tre hålighet (A3C), apikala två hålighet (A2C).
Data från 1500 patienter användes som träningsuppsättning, och resten användes som valideringsuppsättning.
Dessa videodata klassificerades i motsvarande vysegment och analyserades av Video Swin Transformed Model.
Därefter etablerades poängmodulen för olika vysegmentering kombinerad nyckelbildsextraktion, bildsegmentering, videomåligenkänning och videoklassificeringsmodell.
Samtidigt jämfördes poängen som uppnåddes av det automatiska bildbedömningssystemet för ekokardiografi med den artificiella poängen.
Genom att hela tiden korrigera och lära och så småningom bygga ett primärt automatiserat betygssystem.
Till sist konstruerades det automatiska bildbedömningssystemet för ekokardiografi och utfördes på de övriga 500 patienterna.
Studieöversikt
Status
Rekrytering
Betingelser
Detaljerad beskrivning
Att utveckla ett bildkvalitetshanteringssystem för ekokardiografi baserat på djupinlärning för att uppnå objektiv och exakt automatisk kontroll av ekokardiografibildkvalitet.
Totalt 2000 patienter som utförde transthorax ekokardiografi skrevs in prospektivt på avdelningen för ultraljudsmedicin vid det anslutna Drum Tower Hospital med Medical School of Nanjing University.
Inklusionskriterierna: Patienter med standardiserad TTE-vysegmentering; Uteslutningskriterierna: Patienter med ofullständig standardsegmentering.
Data för 8 TTE-vysegmentering samlades in, inklusive vyerna av den parasternala långa axeln i vänster kammare (PLAX_LV), parasternala korta axeln för det stora kärlnivån (PSAX_GV), den parasternala korta axeln för mitralisklaffens nivå (PSAX_MV), parasternal kortaxel på papillärmuskelnivån (PSAX_PM), parasternal kortaxel på apikala nivån (PSAX_AP), apikala fyra hålighet (A4C), apikala tre hålighet (A3C), apikala två hålighet (A2C).
Data från 1500 patienter användes som träningsuppsättning, och resten användes som valideringsuppsättning.
Dessa videodata klassificerades i motsvarande vysegment och analyserades av Video Swin Transformed Model.
Därefter etablerades poängmodulen för olika vysegmentering kombinerad nyckelbildsextraktion, bildsegmentering, videomåligenkänning och videoklassificeringsmodell.
Samtidigt jämfördes poängen som uppnåddes av det automatiska bildbedömningssystemet för ekokardiografi med den artificiella poängen.
Genom att hela tiden korrigera och lära och så småningom bygga ett primärt automatiserat betygssystem.
Äntligen utfördes ekokardiografins bildkvalitetshanteringssystem på de övriga 500 patienterna och förbättrades.
Studietyp
Observationell
Inskrivning (Förväntat)
2000
Kontakter och platser
Det här avsnittet innehåller kontaktuppgifter för dem som genomför studien och information om var denna studie genomförs.
Studiekontakt
- Namn: Jing Yao, Phd
- Telefonnummer: +8618905188727
- E-post: w1835199709@163.com
Studieorter
-
-
Jiangsu
-
Nanjing, Jiangsu, Kina, 210008
- Rekrytering
- Affiliated Drum Tower Hospital of Nanjing University Medical School
-
Kontakt:
- Jing Yao, Phd
- Telefonnummer: +18905188727
- E-post: w18351992709@163.com
-
-
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
Icke-sannolikhetsprov
Studera befolkning
patienter med standardiserade TTE-vyer
Beskrivning
Inklusionskriterier:
- ålder ≥18 år, obegränsat kön;
- Patienter med standardiserade TTE-vyer;
- Försökspersoner deltog i studien frivilligt och undertecknade informerat samtycke;
Exklusions kriterier:
- patienter med ofullständiga standard TTE-vyer;
- patienter med dåliga ljudöverföringsförhållanden.
Studieplan
Det här avsnittet ger detaljer om studieplanen, inklusive hur studien är utformad och vad studien mäter.
Hur är studien utformad?
Designdetaljer
- Observationsmodeller: Övrig
- Tidsperspektiv: Blivande
Kohorter och interventioner
Grupp / Kohort |
---|
Standardiserad vygrupp
De ekokardiografiska bilderna av patienter i denna grupp är standardiserade.
|
Vad mäter studien?
Primära resultatmått
Resultatmått |
Åtgärdsbeskrivning |
Tidsram |
---|---|---|
poängen för PSAX view
Tidsram: 12 månader
|
poängen för PSAX-vy av ekokardiografins bildkvalitetshanteringssystem
|
12 månader
|
poängen för apikala syn
Tidsram: 12 månader
|
poängen för apikal vy av ekokardiografins bildkvalitetshanteringssystem
|
12 månader
|
Samarbetspartners och utredare
Det är här du hittar personer och organisationer som är involverade i denna studie.
Samarbetspartners
Publikationer och användbara länkar
Den som ansvarar för att lägga in information om studien tillhandahåller frivilligt dessa publikationer. Dessa kan handla om allt som har med studien att göra.
Allmänna publikationer
- Thiebaut R, Thiessard F; Section Editors for the IMIA Yearbook Section on Public Health and Epidemiology Informatics. Artificial Intelligence in Public Health and Epidemiology. Yearb Med Inform. 2018 Aug;27(1):207-210. doi: 10.1055/s-0038-1667082. Epub 2018 Aug 29.
- Sengupta PP, Shrestha S. Machine Learning for Data-Driven Discovery: The Rise and Relevance. JACC Cardiovasc Imaging. 2019 Apr;12(4):690-692. doi: 10.1016/j.jcmg.2018.06.030. Epub 2018 Dec 12. No abstract available.
- Ueda D, Shimazaki A, Miki Y. Technical and clinical overview of deep learning in radiology. Jpn J Radiol. 2019 Jan;37(1):15-33. doi: 10.1007/s11604-018-0795-3. Epub 2018 Dec 1.
- Madani A, Arnaout R, Mofrad M, Arnaout R. Fast and accurate view classification of echocardiograms using deep learning. NPJ Digit Med. 2018;1:6. doi: 10.1038/s41746-017-0013-1. Epub 2018 Mar 21.
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)
30 december 2022
Primärt slutförande (Förväntat)
31 december 2024
Avslutad studie (Förväntat)
31 december 2025
Studieregistreringsdatum
Först inskickad
21 november 2022
Först inskickad som uppfyllde QC-kriterierna
21 november 2022
Första postat (Faktisk)
1 december 2022
Uppdateringar av studier
Senaste uppdatering publicerad (Uppskatta)
23 februari 2023
Senaste inskickade uppdateringen som uppfyllde QC-kriterierna
21 februari 2023
Senast verifierad
1 september 2022
Mer information
Termer relaterade till denna studie
Andra studie-ID-nummer
- 2022-337-01
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 .