Multimodal avbildning vid Vitreo-retinal kirurgi och makulade dystrofier (MICAI)
10 februari 2024 uppdaterad av: RIZZO STANISLAO, Fondazione Policlinico Universitario Agostino Gemelli IRCCS
Multimodal avbildning vid Vitreo-retinal kirurgi och makulära dystrofier: biomarkörer för morfo-funktionell återhämtning genom artificiell intelligens
Syftet med studien är att identifiera morfologiska och funktionella biomarkörer för postoperativ återhämtning efter vitreoretinal kirurgi, med hjälp av beslutsstödssystem (DSS), baserade på multimodal big-data-analys med hjälp av maskininlärningstekniker i daglig klinisk praxis
Studieöversikt
Status
Rekrytering
Detaljerad beskrivning
Syftet med studien är att identifiera morfologiska och funktionella biomarkörer för postoperativ återhämtning efter vitreoretinal kirurgi.
Genom att identifiera biomarkörerna och bedöma förutsägbarheten av återhämtning kommer det att göra det möjligt att lyfta fram de kategorier av patienter som kan dra mest nytta av kirurgisk behandling, och att rikta patienten mer exakt för personlig medicin och kirurgi.
Införandet av nya beslutsstödssystem (DSS), baserade på multimodal big-data-analys genom maskininlärningstekniker i daglig klinisk praxis, ger ny användbar information vid patientbedömning för personlig kirurgi.
Studietyp
Observationell
Inskrivning (Beräknad)
100
Kontakter och platser
Det här avsnittet innehåller kontaktuppgifter för dem som genomför studien och information om var denna studie genomförs.
Studiekontakt
- Namn: Maria Cristina Savastano, MD,PhD
- Telefonnummer: +39 3384443002
- E-post: mariacristina.savastano@unicatt.it
Studera Kontakt Backup
- Namn: Alfonso Savastano, MD,PhD
- E-post: alfonso.savastano@policlinicogemelli.it
Studieorter
-
-
-
Rome, Italien, 00168
- Rekrytering
- Prof. Stanislao Rizzo
-
Kontakt:
- Stanislao Rizzo, MD,PhD
-
-
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
1 år och äldre (Barn, Vuxen, Äldre vuxen)
Tar emot friska volontärer
Nej
Testmetod
Sannolikhetsprov
Studera befolkning
Alla patienter ska genomgå vitreo-retinal kirurgi för makulär sjukdom (d.v.s. makulahål, epiretinala membran, näthinneavlossning, makuladystrofier (näthinneförprotes).
Beskrivning
Inklusionskriterier:
Alla patienter som ska genomgå vitreo-retinal kirurgi för:
- Makulahål
- Epiretinala membran
- Näthinneavlossning
- Makuladystrofier (näthinneförproteser)
Exklusions kriterier:
- Patienter under 18 år kommer att exkluderas; patienter hos vilka morfologiska undersökningar inte kan utföras på grund av dåligt samarbete eller opacitet hos det dioptriska mediet (t. hornhinnepatologi). Kvaliteten på morfologiska bilder otillräcklig för bearbetning efter förvärvet (<6/10).
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 |
|---|---|
|
Makulahål
Patienter som drabbats av makulahål.
|
Biometriska mätningar utförda med IOL Master, om exekverbart Kontakt eller immersionsekobiometri om IOL Master inte kan utföras
Färg + AF: EIDON, om tillgänglig (60° ej modulbar) Färg: COBRA (60° ej modifierbar) AF: Spectralis-Heidelberg (välj 55°) Annat om tillgängligt (välj posterior polundersökning mellan 50-60°)
OKT B-skanning: 2 skanningar (6 mm) 1 tvärlinje OCTA: 3x3 mm + 6x6 mm centrerad på fovea 4,5 mm centrerad på synnerven
1) fixeringsmönster 2) retinal känslighetskarta
Lager-för-lager bedömning av näthinnan med fokal ERG och mönster ERG enligt standardiserade och publicerade metoder. För patienter med visus < 3/10 och instabil fixering kommer ett protokoll baserat på komponentanalys av fotopisk ERG från diffus blixt att användas.
|
|
Epiretinala membran
Patienter som drabbats av epiretinal membran.
|
Biometriska mätningar utförda med IOL Master, om exekverbart Kontakt eller immersionsekobiometri om IOL Master inte kan utföras
Färg + AF: EIDON, om tillgänglig (60° ej modulbar) Färg: COBRA (60° ej modifierbar) AF: Spectralis-Heidelberg (välj 55°) Annat om tillgängligt (välj posterior polundersökning mellan 50-60°)
OKT B-skanning: 2 skanningar (6 mm) 1 tvärlinje OCTA: 3x3 mm + 6x6 mm centrerad på fovea 4,5 mm centrerad på synnerven
1) fixeringsmönster 2) retinal känslighetskarta
Lager-för-lager bedömning av näthinnan med fokal ERG och mönster ERG enligt standardiserade och publicerade metoder. För patienter med visus < 3/10 och instabil fixering kommer ett protokoll baserat på komponentanalys av fotopisk ERG från diffus blixt att användas.
|
|
Näthinneavlossning
Patienter som drabbats av näthinneavlossning.
|
Biometriska mätningar utförda med IOL Master, om exekverbart Kontakt eller immersionsekobiometri om IOL Master inte kan utföras
Färg + AF: EIDON, om tillgänglig (60° ej modulbar) Färg: COBRA (60° ej modifierbar) AF: Spectralis-Heidelberg (välj 55°) Annat om tillgängligt (välj posterior polundersökning mellan 50-60°)
OKT B-skanning: 2 skanningar (6 mm) 1 tvärlinje OCTA: 3x3 mm + 6x6 mm centrerad på fovea 4,5 mm centrerad på synnerven
1) fixeringsmönster 2) retinal känslighetskarta
Lager-för-lager bedömning av näthinnan med fokal ERG och mönster ERG enligt standardiserade och publicerade metoder. För patienter med visus < 3/10 och instabil fixering kommer ett protokoll baserat på komponentanalys av fotopisk ERG från diffus blixt att användas.
|
|
Makuladystrofi
Patienter som drabbats av makuladystrofi.
|
Biometriska mätningar utförda med IOL Master, om exekverbart Kontakt eller immersionsekobiometri om IOL Master inte kan utföras
Färg + AF: EIDON, om tillgänglig (60° ej modulbar) Färg: COBRA (60° ej modifierbar) AF: Spectralis-Heidelberg (välj 55°) Annat om tillgängligt (välj posterior polundersökning mellan 50-60°)
OKT B-skanning: 2 skanningar (6 mm) 1 tvärlinje OCTA: 3x3 mm + 6x6 mm centrerad på fovea 4,5 mm centrerad på synnerven
1) fixeringsmönster 2) retinal känslighetskarta
Lager-för-lager bedömning av näthinnan med fokal ERG och mönster ERG enligt standardiserade och publicerade metoder. För patienter med visus < 3/10 och instabil fixering kommer ett protokoll baserat på komponentanalys av fotopisk ERG från diffus blixt att användas.
|
Vad mäter studien?
Primära resultatmått
Resultatmått |
Åtgärdsbeskrivning |
Tidsram |
|---|---|---|
|
Förutsägbarhet av morfologisk-funktionella radiomiska data
Tidsram: 3 år
|
Förutsägbarhetshastighet för morfologisk-funktionella radiomiska data för att fastställa graden av återhämtning under den postoperativa perioden med hjälp av en artificiell intelligens (AI) maskininlärningsmodell.
|
3 år
|
Sekundära resultatmått
Resultatmått |
Åtgärdsbeskrivning |
Tidsram |
|---|---|---|
|
Identifiera prediktiva skillnader enligt diagnos
Tidsram: 3 år
|
Indelning i undergrupper för att identifiera prediktiva skillnader enligt diagnos
|
3 år
|
|
Korrelerar med patienternas ålder
Tidsram: 3 år
|
Identifiera prediktiva skillnader enligt diagnos och korrelera dem med patienternas ålder
|
3 år
|
|
Korrelera med ålder för sjukdomsdebut
Tidsram: 3 år
|
Identifiera prediktiva skillnader enligt diagnos och korrelera dem med åldern för sjukdomsdebut
|
3 år
|
Samarbetspartners och utredare
Det är här du hittar personer och organisationer som är involverade i denna studie.
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
- Gulshan V, Peng L, Coram M, Stumpe MC, Wu D, Narayanaswamy A, Venugopalan S, Widner K, Madams T, Cuadros J, Kim R, Raman R, Nelson PC, Mega JL, Webster DR. Development and Validation of a Deep Learning Algorithm for Detection of Diabetic Retinopathy in Retinal Fundus Photographs. JAMA. 2016 Dec 13;316(22):2402-2410. doi: 10.1001/jama.2016.17216.
- Harris PA, Taylor R, Minor BL, Elliott V, Fernandez M, O'Neal L, McLeod L, Delacqua G, Delacqua F, Kirby J, Duda SN; REDCap Consortium. The REDCap consortium: Building an international community of software platform partners. J Biomed Inform. 2019 Jul;95:103208. doi: 10.1016/j.jbi.2019.103208. Epub 2019 May 9.
- Duker JS, Kaiser PK, Binder S, de Smet MD, Gaudric A, Reichel E, Sadda SR, Sebag J, Spaide RF, Stalmans P. The International Vitreomacular Traction Study Group classification of vitreomacular adhesion, traction, and macular hole. Ophthalmology. 2013 Dec;120(12):2611-2619. doi: 10.1016/j.ophtha.2013.07.042. Epub 2013 Sep 17.
- Kermany DS, Goldbaum M, Cai W, Valentim CCS, Liang H, Baxter SL, McKeown A, Yang G, Wu X, Yan F, Dong J, Prasadha MK, Pei J, Ting MYL, Zhu J, Li C, Hewett S, Dong J, Ziyar I, Shi A, Zhang R, Zheng L, Hou R, Shi W, Fu X, Duan Y, Huu VAN, Wen C, Zhang ED, Zhang CL, Li O, Wang X, Singer MA, Sun X, Xu J, Tafreshi A, Lewis MA, Xia H, Zhang K. Identifying Medical Diagnoses and Treatable Diseases by Image-Based Deep Learning. Cell. 2018 Feb 22;172(5):1122-1131.e9. doi: 10.1016/j.cell.2018.02.010.
- Esteva A, Kuprel B, Novoa RA, Ko J, Swetter SM, Blau HM, Thrun S. Dermatologist-level classification of skin cancer with deep neural networks. Nature. 2017 Feb 2;542(7639):115-118. doi: 10.1038/nature21056. Epub 2017 Jan 25. Erratum In: Nature. 2017 Jun 28;546(7660):686.
- Schmidt-Erfurth U, Waldstein SM, Klimscha S, Sadeghipour A, Hu X, Gerendas BS, Osborne A, Bogunovic H. Prediction of Individual Disease Conversion in Early AMD Using Artificial Intelligence. Invest Ophthalmol Vis Sci. 2018 Jul 2;59(8):3199-3208. doi: 10.1167/iovs.18-24106.
- Garrity ST, Sarraf D, Freund KB, Sadda SR. Multimodal Imaging of Nonneovascular Age-Related Macular Degeneration. Invest Ophthalmol Vis Sci. 2018 Mar 20;59(4):AMD48-AMD64. doi: 10.1167/iovs.18-24158.
- Acon D, Wu L. Multimodal Imaging in Diabetic Macular Edema. Asia Pac J Ophthalmol (Phila). 2018 Jan-Feb;7(1):22-27. doi: 10.22608/APO.2017504. Epub 2017 Jan 29.
- Spaide RF, Fujimoto JG, Waheed NK, Sadda SR, Staurenghi G. Optical coherence tomography angiography. Prog Retin Eye Res. 2018 May;64:1-55. doi: 10.1016/j.preteyeres.2017.11.003. Epub 2017 Dec 8.
- Sun P, Tandias RM, Yu G, Arroyo JG. SPECTRAL DOMAIN OPTICAL COHERENCE TOMOGRAPHY FINDINGS AND VISUAL OUTCOME AFTER TREATMENT FOR VITREOMACULAR TRACTION. Retina. 2019 Jun;39(6):1054-1060. doi: 10.1097/IAE.0000000000002116.
- Lee CS, Tyring AJ, Deruyter NP, Wu Y, Rokem A, Lee AY. Deep-learning based, automated segmentation of macular edema in optical coherence tomography. Biomed Opt Express. 2017 Jun 23;8(7):3440-3448. doi: 10.1364/BOE.8.003440. eCollection 2017 Jul 1.
- Zur D, Iglicki M, Busch C, Invernizzi A, Mariussi M, Loewenstein A; International Retina Group. OCT Biomarkers as Functional Outcome Predictors in Diabetic Macular Edema Treated with Dexamethasone Implant. Ophthalmology. 2018 Feb;125(2):267-275. doi: 10.1016/j.ophtha.2017.08.031. Epub 2017 Sep 19.
- Beam AL, Kohane IS. Big Data and Machine Learning in Health Care. JAMA. 2018 Apr 3;319(13):1317-1318. doi: 10.1001/jama.2017.18391. No abstract available.
- Ngiam KY, Khor IW. Big data and machine learning algorithms for health-care delivery. Lancet Oncol. 2019 May;20(5):e262-e273. doi: 10.1016/S1470-2045(19)30149-4. Erratum In: Lancet Oncol. 2019 Jun;20(6):293.
- Abramoff MD, Lou Y, Erginay A, Clarida W, Amelon R, Folk JC, Niemeijer M. Improved Automated Detection of Diabetic Retinopathy on a Publicly Available Dataset Through Integration of Deep Learning. Invest Ophthalmol Vis Sci. 2016 Oct 1;57(13):5200-5206. doi: 10.1167/iovs.16-19964.
- Lakhani P, Sundaram B. Deep Learning at Chest Radiography: Automated Classification of Pulmonary Tuberculosis by Using Convolutional Neural Networks. Radiology. 2017 Aug;284(2):574-582. doi: 10.1148/radiol.2017162326. Epub 2017 Apr 24.
- Ting DSW, Cheung CY, Lim G, Tan GSW, Quang ND, Gan A, Hamzah H, Garcia-Franco R, San Yeo IY, Lee SY, Wong EYM, Sabanayagam C, Baskaran M, Ibrahim F, Tan NC, Finkelstein EA, Lamoureux EL, Wong IY, Bressler NM, Sivaprasad S, Varma R, Jonas JB, He MG, Cheng CY, Cheung GCM, Aung T, Hsu W, Lee ML, Wong TY. Development and Validation of a Deep Learning System for Diabetic Retinopathy and Related Eye Diseases Using Retinal Images From Multiethnic Populations With Diabetes. JAMA. 2017 Dec 12;318(22):2211-2223. doi: 10.1001/jama.2017.18152.
- Li Z, He Y, Keel S, Meng W, Chang RT, He M. Efficacy of a Deep Learning System for Detecting Glaucomatous Optic Neuropathy Based on Color Fundus Photographs. Ophthalmology. 2018 Aug;125(8):1199-1206. doi: 10.1016/j.ophtha.2018.01.023. Epub 2018 Mar 2.
- Burlina P, Joshi N, Pacheco KD, Freund DE, Kong J, Bressler NM. Utility of Deep Learning Methods for Referability Classification of Age-Related Macular Degeneration. JAMA Ophthalmol. 2018 Nov 1;136(11):1305-1307. doi: 10.1001/jamaophthalmol.2018.3799.
- Grassmann F, Mengelkamp J, Brandl C, Harsch S, Zimmermann ME, Linkohr B, Peters A, Heid IM, Palm C, Weber BHF. A Deep Learning Algorithm for Prediction of Age-Related Eye Disease Study Severity Scale for Age-Related Macular Degeneration from Color Fundus Photography. Ophthalmology. 2018 Sep;125(9):1410-1420. doi: 10.1016/j.ophtha.2018.02.037. Epub 2018 Apr 10.
- Brown JM, Campbell JP, Beers A, Chang K, Ostmo S, Chan RVP, Dy J, Erdogmus D, Ioannidis S, Kalpathy-Cramer J, Chiang MF; Imaging and Informatics in Retinopathy of Prematurity (i-ROP) Research Consortium. Automated Diagnosis of Plus Disease in Retinopathy of Prematurity Using Deep Convolutional Neural Networks. JAMA Ophthalmol. 2018 Jul 1;136(7):803-810. doi: 10.1001/jamaophthalmol.2018.1934.
- De Fauw J, Ledsam JR, Romera-Paredes B, Nikolov S, Tomasev N, Blackwell S, Askham H, Glorot X, O'Donoghue B, Visentin D, van den Driessche G, Lakshminarayanan B, Meyer C, Mackinder F, Bouton S, Ayoub K, Chopra R, King D, Karthikesalingam A, Hughes CO, Raine R, Hughes J, Sim DA, Egan C, Tufail A, Montgomery H, Hassabis D, Rees G, Back T, Khaw PT, Suleyman M, Cornebise J, Keane PA, Ronneberger O. Clinically applicable deep learning for diagnosis and referral in retinal disease. Nat Med. 2018 Sep;24(9):1342-1350. doi: 10.1038/s41591-018-0107-6. Epub 2018 Aug 13.
- Schmidt-Erfurth U, Sadeghipour A, Gerendas BS, Waldstein SM, Bogunovic H. Artificial intelligence in retina. Prog Retin Eye Res. 2018 Nov;67:1-29. doi: 10.1016/j.preteyeres.2018.07.004. Epub 2018 Aug 1.
- Sarao V, Veritti D, Borrelli E, Sadda SVR, Poletti E, Lanzetta P. A comparison between a white LED confocal imaging system and a conventional flash fundus camera using chromaticity analysis. BMC Ophthalmol. 2019 Nov 19;19(1):231. doi: 10.1186/s12886-019-1241-8.
- Fernandez-Avellaneda P, Breazzano MP, Fragiotta S, Xu X, Zhang Q, Wang RK, Freund KB. BACILLARY LAYER DETACHMENT OVERLYING REDUCED CHORIOCAPILLARIS FLOW IN ACUTE IDIOPATHIC MACULOPATHY. Retin Cases Brief Rep. 2022 Jan 1;16(1):59-66. doi: 10.1097/ICB.0000000000000943.
- Huang NT, Georgiadis C, Gomez J, Tang PH, Drayna P, Koozekanani DD, van Kuijk FJGM, Montezuma SR. Comparing fundus autofluorescence and infrared imaging findings of peripheral retinoschisis, schisis detachment, and retinal detachment. Am J Ophthalmol Case Rep. 2020 Mar 26;18:100666. doi: 10.1016/j.ajoc.2020.100666. eCollection 2020 Jun.
- Stanga PE, Williams JI, Shaarawy SA, Agarwal A, Venkataraman A, Kumar DA, You TT, Hope RS. FIRST-IN-HUMAN CLINICAL STUDY TO INVESTIGATE THE EFFECTIVENESS AND SAFETY OF PARS PLANA VITRECTOMY SURGERY USING A NEW HYPERSONIC TECHNOLOGY. Retina. 2020 Jan;40(1):16-23. doi: 10.1097/IAE.0000000000002365.
- Hubschman JP, Govetto A, Spaide RF, Schumann R, Steel D, Figueroa MS, Sebag J, Gaudric A, Staurenghi G, Haritoglou C, Kadonosono K, Thompson JT, Chang S, Bottoni F, Tadayoni R. Optical coherence tomography-based consensus definition for lamellar macular hole. Br J Ophthalmol. 2020 Dec;104(12):1741-1747. doi: 10.1136/bjophthalmol-2019-315432. Epub 2020 Feb 27.
- Bae K, Lee SM, Kang SW, Kim ES, Yu SY, Kim KT. Atypical epiretinal tissue in full-thickness macular holes: pathogenic and prognostic significance. Br J Ophthalmol. 2019 Feb;103(2):251-256. doi: 10.1136/bjophthalmol-2017-311810. Epub 2018 Apr 26.
- Rizzo S, Tartaro R, Barca F, Caporossi T, Bacherini D, Giansanti F. INTERNAL LIMITING MEMBRANE PEELING VERSUS INVERTED FLAP TECHNIQUE FOR TREATMENT OF FULL-THICKNESS MACULAR HOLES: A COMPARATIVE STUDY IN A LARGE SERIES OF PATIENTS. Retina. 2018 Sep;38 Suppl 1:S73-S78. doi: 10.1097/IAE.0000000000001985.
- Christensen UC. Value of internal limiting membrane peeling in surgery for idiopathic macular hole and the correlation between function and retinal morphology. Acta Ophthalmol. 2009 Dec;87 Thesis 2:1-23. doi: 10.1111/j.1755-3768.2009.01777.x.
- Fukuyama H, Ishikawa H, Komuku Y, Araki T, Kimura N, Gomi F. Comparative analysis of metamorphopsia and aniseikonia after vitrectomy for epiretinal membrane, macular hole, or rhegmatogenous retinal detachment. PLoS One. 2020 May 8;15(5):e0232758. doi: 10.1371/journal.pone.0232758. eCollection 2020.
- Rizzo S, Savastano A, Bacherini D, Savastano MC. Vascular Features of Full-Thickness Macular Hole by OCT Angiography. Ophthalmic Surg Lasers Imaging Retina. 2017 Jan 1;48(1):62-68. doi: 10.3928/23258160-20161219-09.
- Bacherini D, Savastano MC, Dragotto F, Finocchio L, Lenzetti C, Bitossi A, Tartaro R, Giansanti F, Barca F, Savastano A, Caporossi T, Vannozzi L, Sodi A, Luca M, Faraldi F, Virgili G, Rizzo S. Morpho-Functional Evaluation of Full-Thickness Macular Holes by the Integration of Optical Coherence Tomography Angiography and Microperimetry. J Clin Med. 2020 Jan 15;9(1):229. doi: 10.3390/jcm9010229.
- Qi Y, Wang Z, Li SM, You Q, Liang X, Yu Y, Liu W. Effect of internal limiting membrane peeling on normal retinal function evaluated by microperimetry-3. BMC Ophthalmol. 2020 Apr 9;20(1):140. doi: 10.1186/s12886-020-01383-3.
- Smith AJ, Telander DG, Zawadzki RJ, Choi SS, Morse LS, Werner JS, Park SS. High-resolution Fourier-domain optical coherence tomography and microperimetric findings after macula-off retinal detachment repair. Ophthalmology. 2008 Nov;115(11):1923-9. doi: 10.1016/j.ophtha.2008.05.025. Epub 2008 Jul 31.
- Reumueller A, Wassermann L, Salas M, Karantonis MG, Sacu S, Georgopoulos M, Drexler W, Pircher M, Pollreisz A, Schmidt-Erfurth U. Morphologic and Functional Assessment of Photoreceptors After Macula-Off Retinal Detachment With Adaptive-Optics OCT and Microperimetry. Am J Ophthalmol. 2020 Jun;214:72-85. doi: 10.1016/j.ajo.2019.12.015. Epub 2019 Dec 25.
- Falsini B, Serrao S, Fadda A, Iarossi G, Porrello G, Cocco F, Merendino E. Focal electroretinograms and fundus appearance in nonexudative age-related macular degeneration. Quantitative relationship between retinal morphology and function. Graefes Arch Clin Exp Ophthalmol. 1999 Mar;237(3):193-200. doi: 10.1007/s004170050218.
- Falsini B, Bardocci A, Porciatti V, Bolzani R, Piccardi M. Macular dysfunction in multiple sclerosis revealed by steady-state flicker and pattern ERGs. Electroencephalogr Clin Neurophysiol. 1992 Jan;82(1):53-9. doi: 10.1016/0013-4694(92)90182-h.
- Abed E, Placidi G, Campagna F, Federici M, Minnella A, Guerri G, Bertelli M, Piccardi M, Galli-Resta L, Falsini B. Early impairment of the full-field photopic negative response in patients with Stargardt disease and pathogenic variants of the ABCA4 gene. Clin Exp Ophthalmol. 2018 Jul;46(5):519-530. doi: 10.1111/ceo.13115. Epub 2017 Dec 28.
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)
15 januari 2021
Primärt slutförande (Beräknad)
15 januari 2025
Avslutad studie (Beräknad)
16 januari 2025
Studieregistreringsdatum
Först inskickad
17 februari 2023
Först inskickad som uppfyllde QC-kriterierna
17 februari 2023
Första postat (Faktisk)
28 februari 2023
Uppdateringar av studier
Senaste uppdatering publicerad (Faktisk)
13 februari 2024
Senaste inskickade uppdateringen som uppfyllde QC-kriterierna
10 februari 2024
Senast verifierad
1 februari 2024
Mer information
Termer relaterade till denna studie
Ytterligare relevanta MeSH-villkor
Andra studie-ID-nummer
- 3680
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 .