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

Konstgjord intelligensbaserad analys av uroflowmetri-mönster hos barn: ett maskininlärningsperspektiv

22 februari 2025 uppdaterad av: Marmara University

Tolkning av uroflowmetri -prover från pediatriska patienter av kliniker och introduktion till konstgjord intelligens och tolkning av proverna genom konstgjord intelligens

Uroflowmetri är en av de mest använda icke-invasiva testen för att utvärdera barn med lägre urinvägssymtom (LUTS). Studier har emellertid framhävt ett svagt avtal bland experter på att tolka UroflowMetry -mönster. Denna studie syftar till att bedöma effekterna av maskininlärningsmodeller, som har blivit allt vanligare i medicinen, på tolkningen av uroflowmetri -mönster.

Studieöversikt

Status

Avslutad

Betingelser

Detaljerad beskrivning

Studien inkluderade uroflowmetri-test av barn i åldern 4-17 år som hänvisades till vår klinik med symtom med lägre urinvägar. Uroflowmetri -mönster tolkades oberoende av tre pediatriska urologiexperter. Avvikelser i tolkningar utvärderades gemensamt av de tre observatörerna och en konsensus uppnåddes. Voiding Volume, voiding varaktighet och urinflödeshastigheter med 0,5-sekunders intervall omvandlades till numeriska data för analys. Åttio procent av datasättet användes som utbildningsdata för maskininlärning, medan det var 20% som var reserverat för testning. Totalt fem olika maskininlärningsmodeller användes för klassificering: beslutsträd, slumpmässig skog, catboost, xgboost och lightgbm. Modellerna som mest exakt identifierade varje uroflowmetri -mönster bestämdes.

Studietyp

Observationell

Inskrivning (Faktisk)

500

Kontakter och platser

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

Studieorter

Kalkon
- - Istanbul, Kalkon, 34890
    - Marmara University School of Medicine, Urology Department

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

Barn

Tar emot friska volontärer

Testmetod

Sannolikhetsprov

Studera befolkning

Barn i åldern 4-17

Beskrivning

Inkluderingskriterier:

Patienter mellan 4 och 17 år som ansökte om vår klinik med LUTS och som kunde urinera mer än 50% av den förväntade blåskapaciteten på UF ingick i studien.

Uteslutningskriterier:

Patienter som inte kunde samarbeta med Voiding -kommandot, hade neurologiska störningar, kunde urinera mindre än 50% av den förväntade urinblåsans kapacitet på UF, var under 4 år och var över 18 års ålder utesluts från studien .

Studieplan

Det här avsnittet ger detaljer om studieplanen, inklusive hur studien är utformad och vad studien mäter.

Hur är studien utformad?

Designdetaljer

Vad mäter studien?

Primära resultatmått

Resultatmått	Åtgärdsbeskrivning	Tidsram
Prestanda för maskininlärningsmodeller vid utvärdering av tomrumsmönster Tidsram: Från oktober 2024 till januari 2025	5 olika maskininlärningsmodeller användes. Noggrannhetsgraden bestämdes för varje modell.	Från oktober 2024 till januari 2025

Samarbetspartners och utredare

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

Sponsor

Marmara University

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 2024

Primärt slutförande (Faktisk)

1 januari 2025

Avslutad studie (Faktisk)

1 februari 2025

Studieregistreringsdatum

Först inskickad

3 februari 2025

Först inskickad som uppfyllde QC-kriterierna