- ICH GCP
- Amerikanska kliniska prövningsregistret
- Klinisk prövning NCT06204926
Diagnostisk effektivitet av CNN för att förutsäga intraoperativa komplikationer i SMILE
21 april 2026 uppdaterad av: Jian Xiong, Second Affiliated Hospital of Nanchang University
Diagnostisk effektivitet av konvolutionell neural nätverksbaserad algoritm för att förutsäga intraoperativa komplikationer vid linsextraktion med små snitt
För att utvärdera den diagnostiska effektiviteten av det neurala nätverket för att förutsäga komplikationer av små snitt linsextraktion i en multi-center tvärsnittsstudie.
Studieöversikt
Status
Rekrytering
Betingelser
Intervention / Behandling
Detaljerad beskrivning
Den primära orsaken till global synnedsättning är för närvarande brytningsfel, och Small Incision Lenticule Extraction (SMILE) med femtosekundlaser för extraktion av hornhinnestromal linser kan ändra brytningskraften.
Emellertid kan komplikationer som ogenomskinligt bubbelskikt (OBL), undertrycksavlossning och svarta fläckar uppstå under SMILE-laserskanningsprocessen på grund av individuella skillnader i hornhinneegenskaper, vilket signifikant påverkar det normala operationsförloppet och postoperativ återhämtning.
Erfarna läkare kan ofta förutsäga intraoperativa komplikationer baserat på skannade bilder, patientsamverkan och andra faktorer, men inlärningskurvan är relativt lång.
För närvarande har artificiell intelligens uppnått en noggrannhet som är jämförbar med mänskliga läkare i tolkningen av medicinsk avbildning av många olika sjukdomar. Tidigare har vi tränat ett djupt konvolutionellt neuralt nätverk för att förutsäga intraoperativa komplikationer i SMILE-procedurer.
Den aktuella multicenterstudien är utformad för att utvärdera effektiviteten av den konvolutionella neurala nätverksbaserade algoritmen för att förutsäga intraoperativa komplikationer och för att bedöma dess användbarhet i den verkliga världen.
Studietyp
Observationell
Inskrivning (Beräknad)
1250
Kontakter och platser
Det här avsnittet innehåller kontaktuppgifter för dem som genomför studien och information om var denna studie genomförs.
Studiekontakt
- Namn: Jian Xiong, docter
- Telefonnummer: +86 18170906556
- E-post: 894040417@qq.com
Studera Kontakt Backup
- Namn: Fu Gui, docter
- Telefonnummer: +86 13879101919
- E-post: 564436578@qq.com
Studieorter
-
-
Jiangxi
-
Nanchang, Jiangxi, Kina, 330000
- Rekrytering
- The Second Affiliated Hospital of Nanchang University
-
Kontakt:
- Jian Xiong, doctor
- Telefonnummer: +86 18170906556
- E-post: 894040417@qq.com
-
Kontakt:
- Fu Gui, doctor
- Telefonnummer: +86 13879101919
- E-post: 564436578@qq.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
- Vuxen
Tar emot friska volontärer
Ja
Testmetod
Icke-sannolikhetsprov
Studera befolkning
Patienter från kliniker i olika ögoncentra över hela Kina.
Varje försöksperson ska ha komplett kirurgisk videoinspelning och medicinska journaler.
Beskrivning
Inklusionskriterier:
- Ett tillstånd där det sfäriska ekvivalenta brytningsfelet för ett öga är ≤-0,50 D när okulärt boende är avslappnat;
- Ålder ≥18 år;
- Sfärisk ekvivalent (SE) ≥-10,0D;
- Korrigerad avståndssynskärpa (CDVA) ≥16/20;
- Stabil närsynthet i minst 2 år;
- Inga kontaktlinser använt i minst 2 veckor.
Exklusions kriterier:
- Förekomst eller historia av andra ögonsjukdomar än närsynthet och astigmatism, såsom keratokonus eller yttre ögonskada;
- En historia av ögonkirurgi;
- Förekomst eller historia av systemiska sjukdomar.
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 |
|---|---|
|
Ögon med SMILE-operationer
Ögon med SMILE operationer som utfördes av kirurger med erfarenheter.
|
De insamlade SMILE-procedurerna skulle bedömas av algoritmen.
Algoritmens prestanda skulle bedömas, inklusive noggrannhet, AUC, känslighet och specificitet.
|
Vad mäter studien?
Primära resultatmått
Resultatmått |
Åtgärdsbeskrivning |
Tidsram |
|---|---|---|
|
AUROC av konvolutionellt neuralt nätverk för att förutsäga OBL-område
Tidsram: Dag 0
|
Området under mottagaren som är kännetecknande för det konvolutionella neurala nätverket för att förutsäga ogenomskinlig bubbelskiktsyta under SMILE-operationerna
|
Dag 0
|
|
AUROC av konvolutionellt neuralt nätverk för att förutsäga progressiv sugförlust
Tidsram: Dag 0
|
Området under mottagaren som är kännetecknande för det konvolutionella neurala nätverket för att förutsäga progressiv sugförlust under SMILE-operationerna
|
Dag 0
|
|
AUROC av konvolutionerande neurala nätverk för att förutsäga effektiv optisk zon
Tidsram: Dag 7
|
Området under mottagaren som är kännetecknande för det konvolutionella neurala nätverket för att förutsäga effektiv optisk zon efter SMILE-operationerna
|
Dag 7
|
|
AUROC för konvolutionellt neuralt nätverk vid förutsägelse av postoperativt refraktionsfel
Tidsram: Dag 7
|
Området under mottagarens funktionsegenskaper för convolutional neural network vid förutsägelse av refraktionsfel efter SMILE-operationer
|
Dag 7
|
|
AUROC för konvolutionellt neuralt nätverk vid prediktion av postoperativ central hornhinnetjocklek
Tidsram: Dag 7
|
Området under den mottagaroperativa karakteristiken av konvolutionärt neuralt nätverk för att förutsäga central corneal tjocklek efter SMILE-kirurgier
|
Dag 7
|
Sekundära resultatmått
Resultatmått |
Åtgärdsbeskrivning |
Tidsram |
|---|---|---|
|
Känslighet och specificitet hos faltningsneurala nätverk för att förutsäga OBL-område
Tidsram: Dag 0
|
Känslighet och specificitet hos konvolutionerande neurala nätverk för att förutsäga ogenomskinlig bubbelskiktsyta under SMILE-operationerna
|
Dag 0
|
|
Känslighet och specificitet hos konvolutionellt neurala nätverk för att förutsäga progressiv sugförlust
Tidsram: Dag 0
|
Känslighet och specificitet hos konvolutionerande neurala nätverk för att förutsäga progressiv sugförlust under SMILE-operationerna
|
Dag 0
|
|
Känslighet och specificitet för konvolutionellt neuralt nätverk för att förutsäga effektiv optisk zon
Tidsram: Dag 7, dag 30, dag 90
|
Assitivitet och specificitet för konvolutionellt neuralt nätverk för att förutsäga effektiv optisk zon efter leendeoperationerna
|
Dag 7, dag 30, dag 90
|
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 (Faktisk)
15 juni 2021
Primärt slutförande (Beräknad)
1 december 2027
Avslutad studie (Beräknad)
1 december 2027
Studieregistreringsdatum
Först inskickad
3 januari 2024
Först inskickad som uppfyllde QC-kriterierna
3 januari 2024
Första postat (Faktisk)
12 januari 2024
Uppdateringar av studier
Senaste uppdatering publicerad (Faktisk)
24 april 2026
Senaste inskickade uppdateringen som uppfyllde QC-kriterierna
21 april 2026
Senast verifierad
1 januari 2026
Mer information
Termer relaterade till denna studie
Nyckelord
Ytterligare relevanta MeSH-villkor
Andra studie-ID-nummer
- [2023] No.(96)
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
produkt tillverkad i och exporterad från U.S.A.
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 .