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

Deep Learning för preoperativ pulmonell bedömning vid CT i thorax

26 juni 2024 uppdaterad av: Jianxing He, The First Affiliated Hospital of Guangzhou Medical University

Tillämpning av djupinlärning vid datortomografi av patienter med elektiv thoraxkirurgi: bedömning av preoperativ onormal lungfunktion

Försöket utformades som en prospektiv observationsstudie i ett enda centrum, icke-interventionell, för att använda djupinlärningsteknologi i kombination med datortomografi (CT)-bilder för att exakt förutsäga lungfunktionsindikatorerna hos preoperativa patienter med thoraxkirurgi.

Studieöversikt

Status

Rekrytering

Betingelser

Intervention / Behandling

Detaljerad beskrivning

Preoperativa lungfunktionstester är avgörande för att bedöma perioperativa komplikationer eller mortalitetsrisker och ge beslutsstöd för thoraxkirurgi. Traditionella metoder för bedömning av lungfunktion har dock betydande begränsningar, inklusive långa testperioder, svårigheter med patientsamarbete, höga falsknegativa frekvenser och många kontraindikationer. Sålunda optimerade vår studie den slutliga modellen baserad på 1500 CT:er i en inandningsfas genom att överföra modellparametrar som tränats på 500 dubbelfasiga respiratoriska CT:er, vilket förbättrade dess prediktiva förmåga för lungfunktion. Denna justering passar verkliga applikationskrav och erbjuder mer bekvämt, heltäckande och personligt stöd för preoperativ lungfunktionsbedömning. Vår studie optimerade den slutliga modellen baserad på 1500 enskild inandningsfas CT genom att överföra modellparametrar tränade på 500 tvåfas respiratoriska CT, vilket förbättrade dess prediktiva förmåga för lungfunktion. Denna justering passar verkliga tillämpningskrav och erbjuder mer bekvämt, heltäckande och personligt stöd för bedömning av preoperativ lungfunktion.

Studietyp

Observationell

Inskrivning (Beräknad)

2000

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, 510120
        • Rekrytering
        • Department of Cardiothoracic Surgery, the First Affiliated Hospital of Guangzhou Medical College
        • 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

  • Vuxen
  • Äldre vuxen

Tar emot friska volontärer

Nej

Testmetod

Icke-sannolikhetsprov

Studera befolkning

Elektiva thoraxkirurgiska patienter

Beskrivning

Inklusionskriterier:

  • (1) Undertecknande av formuläret för informerat samtycke;
  • (2) Man eller kvinna i åldern 18-75 år;
  • (3) Genomgår elektiv thoraxkirurgi;
  • (4) God preoperativ lungfunktionssamverkan och fullständig rapportering;
  • (5) Preoperativa en-/dubbelfas-CT-skanningar av bröstkorgen utan signifikanta artefakter och med fullständig bildbehandling;
  • (6) Intervallet mellan preoperativ lungfunktion och en-/dubbelfas CT-skanningar överstiger inte en månad.

Exklusions kriterier:

  • (1) Dålig preoperativ lungfunktionssamverkan eller saknade rapporter;
  • (2) Preoperativa en-/dubbelfas-CT-skanningar av bröstkorgen uppvisar betydande artefakter eller utelämnande av bild;
  • (3) Intervallet mellan preoperativ lungfunktion och en-/dubbelfas CT-skanningar överstiger en månad;
  • (4) Komplikation med allvarliga andningsstörningar (såsom lungtransplantation, pneumothorax, jättebullar, etc.);
  • (5) samexistera med andra allvarliga funktionsnedsättningar;
  • (6) Patienter med obstruktiva lesioner såsom luftvägs- eller esofagusstenos;
  • (7) Höjd utanför det förutsagda ekvationsområdet (hona < 1,45 m; hane < 1,55 m);
  • (8) Läkemedelsanvändning före lungfunktionstestning som inte uppfyller riktlinjerna för upphörande;
  • (9) Lungfunktionsrapport kvalitetsgraderad D-F.

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
En inspiratorisk fas kohort
Patienter i denna kohort genomgår CT- och lungfunktionstest i en inspiratorisk fas preoperativt.
Övrig: Datortomografi i en inspiratorisk fas.
Användning av djupinlärningsteknologi i kombination med datortomografibilder i en inspiratorisk fas för att exakt förutsäga lungfunktionsindikatorerna hos patienter med preoperativ thoraxkirurgi.
Respiratorisk dubbelfas kohort
Patienter i denna kohort genomgår respiratoriska dubbelfas-CT och lungfunktionstester preoperativt.
Övrig: Respiratorisk dubbelfas datortomografi.
Använda djupinlärningsteknologi i kombination med respiratoriska tvåfasdatortomografibilder för att exakt förutsäga lungfunktionsindikatorerna hos patienter med thoraxkirurgi före operation.

Vad mäter studien?

Primära resultatmått

Resultatmått
Åtgärdsbeskrivning
Tidsram
Genomsnittligt absolut fel (MAE)
Tidsram: 2 år
Används för att bedöma avvikelsen mellan lungfunktionsförutsägelser gjorda av algoritmen för djupinlärning och faktiska resultat från lungfunktionstester (mätt med en spirometer).
2 år

Sekundära resultatmått

Resultatmått
Åtgärdsbeskrivning
Tidsram
Konkordanskorrelationskoefficient (CCC)
Tidsram: 2 år
Används för att bedöma avvikelsen mellan lungfunktionsförutsägelser gjorda av algoritmen för djupinlärning och faktiska resultat från lungfunktionstester (mätt med en spirometer).
2 år

Samarbetspartners och utredare

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

Sponsor

The First Affiliated Hospital of Guangzhou Medical University

Samarbetspartners

GE Healthcare

Utredare

  • Huvudutredare: Jianxing He, MD, Department of Cardiothoracic Surgery, the First Affiliated Hospital of Guangzhou Medical College

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)

1 oktober 2023

Primärt slutförande (Beräknad)

30 september 2024

Avslutad studie (Beräknad)

30 december 2024

Studieregistreringsdatum

Först inskickad

21 juni 2024

Först inskickad som uppfyllde QC-kriterierna

26 juni 2024

Första postat (Faktisk)

27 juni 2024

Uppdateringar av studier

Senaste uppdatering publicerad (Faktisk)

27 juni 2024

Senaste inskickade uppdateringen som uppfyllde QC-kriterierna

26 juni 2024

Senast verifierad

1 juni 2024

Mer information

Termer relaterade till denna studie

Ytterligare relevanta MeSH-villkor

Andra studie-ID-nummer

  • ES-2024-091-02

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 Lungfunktion

Kliniska prövningar på Datortomografi i en inspiratorisk fas.

Sök liknande försök

Sponsorer och medarbetare

Medicinska tillstånd

Läkemedelsinterventioner

CROs by country

CROs in Bangladesh

Betingelser

Sällsynta sjukdomar

Läkemedelsinterventioner

Kosttillskott

Sponsor / medarbetare

Platser

Prenumerera