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

Diagnostisk effektivitet av Deep Neural Network Model för val och förutsägelse av implanterbar Collamer-lins

21 april 2026 uppdaterad av: Jian Xiong, Second Affiliated Hospital of Nanchang University

Diagnostisk effektivitet av Deep Neural Network Algoritm baserad på preoperativ Scheimpflug-baserad bild för främre segment för val och förutsägelse av implanterbar Collamer-lins

För att utvärdera den diagnostiska effektiviteten av nätverksmodell för djupinlärning i val och förutsägelse av implanterbara collamerlinser i en multicenter tvärsnittsstudie

Studieöversikt

Status

Rekrytering

Betingelser

Intervention / Behandling

Detaljerad beskrivning

Implantation av intraokulär lins i bakre kammare är ett huvudval för korrigering av närsynthet. Implantable collamer lins (ICL) är för närvarande den mest använda, och det officiella referensindexet är huvudsakligen baserat på biologiska parametrar som erhållits från ögonbilder. Parameterförvärvet och valet av ICL-design är ofta kontroversiellt, vilket tvingar läkarna att syntetisera flera modala data, vilket gör att optimeringen av ICL-formeln är ett fokus för uppmärksamhet vid refraktiv kirurgi. Denna forskning syftade till att bygga en bildbaserad ICL-prediktionsalgoritm för att hjälpa mänskliga läkare i beslutsfattande och förbättra noggrannheten, säkerheten och förutsägbarheten av ICL-implantation.

Studietyp

Observationell

Inskrivning (Beräknad)

326

Kontakter och platser

Det här avsnittet innehåller kontaktuppgifter för dem som genomför studien och information om var denna studie genomförs.

Studiekontakt

  • Namn: Jian Xiong doctor
  • Telefonnummer: +8618170906556
  • E-post: 894040417@qq.com

Studera Kontakt Backup

Studieorter

  • Kina
    • Jiangxi
      • Nanchang, Jiangxi, Kina, 330000
        • Rekrytering
        • The Second Affiliated Hospital of Nanchang University
        • Kontakt:
        • 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

Tar emot friska volontärer

Ja

Testmetod

Icke-sannolikhetsprov

Studera befolkning

Patienter från kliniker i olika ögoncentrum över hela Kina. Varje försöksperson ska ha komplett kirurgisk videoinspelning och medicinska journaler.

Beskrivning

Inklusionskriterier:

  1. Åldern 18-45 år;
  2. Myopi, med eller utan astigmatism, årlig dioptriförändring ≤ 0,50 D under 2 på varandra följande år;
  3. Främre kammardjup ≥ 2,80 mm;
  4. Hornhinnan endotelcellantal ≥ 2000/mm2, stabil cellmorfologi;
  5. Det fanns inga andra ögonsjukdomar som signifikant påverkade synen och/eller systemiska organiska lesioner som påverkade kirurgisk återhämtning.

Uteslutningskriterier:

  1. Det fanns inga andra ögonsjukdomar som signifikant påverkade synen och/eller systemiska organiska lesioner som påverkade kirurgisk återhämtning;
  2. Har en historia av korneal refraktiv kirurgi eller intraokulär kirurgi;
  3. Antalet endotelceller i hornhinnan är lågt;
  4. De med systemiska sjukdomar;
  5. Ammande eller gravida kvinnor.

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 ICL-operationer
Ögon med SMILE operationer som utfördes av kirurger med erfarenheter.
Diagnostiskt test: AI diagnostisk algoritm
De insamlade ICL-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 valv efter ICL-kirurgi
Tidsram: Dag 7
Området under mottagaren som är kännetecknande för det konvolutionella neurala nätverket för att förutsäga valv efter ICL-kirurgi
Dag 7
AUROC av konvolutionellt neuralt nätverk för att förutsäga främre kammarvinkel efter ICL-implantation
Tidsram: Dag 7
Området under mottagarens funktionsegenskaper för konvolutionellt neuralt nätverk för att förutsäga främre kammarvinkel efter ICL-implantation
Dag 7

Sekundära resultatmått

Resultatmått
Åtgärdsbeskrivning
Tidsram
Känslighet och specificitet hos konvolutionerande neurala nätverk för att förutsäga Vault efter ICL-implantation
Tidsram: Dag 7
Känslighet och specificitet hos konvolutionerande neurala nätverk för att förutsäga Vault efter ICL-implantation
Dag 7
Sensitivitet och specificitet hos faltande neurala nätverk för att förutsäga främre kammarvinkel efter ICL-implantation
Tidsram: Dag 7
Sensitivitet och specificitet hos faltande neurala nätverk för att förutsäga främre kammarvinkel efter ICL-implantation
Dag 7

Samarbetspartners och utredare

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

Sponsor

Second Affiliated Hospital of Nanchang University

Samarbetspartners

Nanchang Bright Eye Hospital

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)

2 januari 2021

Primärt slutförande (Beräknad)

31 augusti 2027

Avslutad studie (Beräknad)

31 augusti 2027

Studieregistreringsdatum

Först inskickad

30 oktober 2024

Först inskickad som uppfyllde QC-kriterierna

30 oktober 2024

Första postat (Faktisk)

1 november 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

  • [2024] NO.(93)

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 .

Prenumerera