- ICH GCP
- Amerikanska kliniska prövningsregistret
- Klinisk prövning NCT06877182
Nya neuroradiologiska arbetsflöde för assisterad diagnos och hantering av demens med konstgjord intelligens (DIADEMA)
14 mars 2025 uppdaterad av: IRCCS SYNLAB SDN
Att identifiera, screening och övervakning av individer med risk för Alzheimers sjukdom (AD) och demens är en formidabel utmaning.
Neuroimaging, och i synnerhet magnetisk resonansavbildning (MRI), är avgörande för att upptäcka strukturell neurodegeneration.
Men nuvarande kvantifieringsverktyg är huvudsakligen begränsade till forskningssammanhang och ger icke-standardiserade resultat.
Diadema kommer att bygga ett systematiskt och standardiserat arbetsflöde för att stödja neuro (radio) logisk diagnos.
Genom att kombinera artificiell intelligens (AI) och maskininlärning (ML) kommer vi att förbättra den kliniska diagnosen AD i neuroradiologi avsevärt.
Vår huvudsakliga hypotes är att ett effektivt arbetsflöde och tillhörande högre diagnostisk noggrannhet avsevärt kommer att minska sjukvårdskostnaderna, stödja kliniskt beslutsfattande, ge andra åsiktsverktyg och förbättra patientvård.
Detta dubbla framsteg kommer att ha en djup inverkan på sjukvårdssystemet och markerar ett viktigt steg i kampen mot Alzheimers sjukdom och demens.
Studieöversikt
Status
Aktiv, inte rekryterande
Betingelser
Intervention / Behandling
Studietyp
Observationell
Inskrivning (Beräknad)
80000
Kontakter och platser
Det här avsnittet innehåller kontaktuppgifter för dem som genomför studien och information om var denna studie genomförs.
Studieorter
-
-
-
Naples, Italien, 80146
- Irccs Synlab Sdn
-
-
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
- Vuxen
- Äldre vuxen
Tar emot friska volontärer
Nej
Testmetod
Icke-sannolikhetsprov
Studera befolkning
Patienter som utför hjärnmagnetisk resonans under de senaste 20 åren
Beskrivning
Inkluderingskriterier:
- Patienter som utför hjärnmagnetisk resonans under de senaste 20 åren
Uteslutningskriterier:
-
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 |
|---|---|---|
|
Förbättring av neuroradiologiska arbetsflödesprestanda
Tidsram: 1-36 månad
|
ROC -kurvor
|
1-36 månad
|
Samarbetspartners och utredare
Det är här du hittar personer och organisationer som är involverade i denna studie.
Sponsor
Utredare
- Huvudutredare: Marco Aiello, Irccs Synlab Sdn
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
- McKhann GM, Knopman DS, Chertkow H, Hyman BT, Jack CR Jr, Kawas CH, Klunk WE, Koroshetz WJ, Manly JJ, Mayeux R, Mohs RC, Morris JC, Rossor MN, Scheltens P, Carrillo MC, Thies B, Weintraub S, Phelps CH. The diagnosis of dementia due to Alzheimer's disease: recommendations from the National Institute on Aging-Alzheimer's Association workgroups on diagnostic guidelines for Alzheimer's disease. Alzheimers Dement. 2011 May;7(3):263-9. doi: 10.1016/j.jalz.2011.03.005. Epub 2011 Apr 21.
- Jack CR Jr, Bennett DA, Blennow K, Carrillo MC, Feldman HH, Frisoni GB, Hampel H, Jagust WJ, Johnson KA, Knopman DS, Petersen RC, Scheltens P, Sperling RA, Dubois B. A/T/N: An unbiased descriptive classification scheme for Alzheimer disease biomarkers. Neurology. 2016 Aug 2;87(5):539-47. doi: 10.1212/WNL.0000000000002923. Epub 2016 Jul 1.
- Hosny A, Parmar C, Quackenbush J, Schwartz LH, Aerts HJWL. Artificial intelligence in radiology. Nat Rev Cancer. 2018 Aug;18(8):500-510. doi: 10.1038/s41568-018-0016-5.
- van Leeuwen KG, Schalekamp S, Rutten MJCM, van Ginneken B, de Rooij M. Artificial intelligence in radiology: 100 commercially available products and their scientific evidence. Eur Radiol. 2021 Jun;31(6):3797-3804. doi: 10.1007/s00330-021-07892-z. Epub 2021 Apr 15.
- Filip AC, Azevedo T, Passamonti L, Toschi N, Lio P. A novel Graph Attention Network Architecture for modeling multimodal brain connectivity. Annu Int Conf IEEE Eng Med Biol Soc. 2020 Jul;2020:1071-1074. doi: 10.1109/EMBC44109.2020.9176613.
- Spasov SE, Passamonti L, Duggento A, Lio P, Toschi N. A Multi-modal Convolutional Neural Network Framework for the Prediction of Alzheimer's Disease. Annu Int Conf IEEE Eng Med Biol Soc. 2018 Jul;2018:1271-1274. doi: 10.1109/EMBC.2018.8512468.
- Spasov S, Passamonti L, Duggento A, Lio P, Toschi N; Alzheimer's Disease Neuroimaging Initiative. A parameter-efficient deep learning approach to predict conversion from mild cognitive impairment to Alzheimer's disease. Neuroimage. 2019 Apr 1;189:276-287. doi: 10.1016/j.neuroimage.2019.01.031. Epub 2019 Jan 14.
- Esteban O, Birman D, Schaer M, Koyejo OO, Poldrack RA, Gorgolewski KJ. MRIQC: Advancing the automatic prediction of image quality in MRI from unseen sites. PLoS One. 2017 Sep 25;12(9):e0184661. doi: 10.1371/journal.pone.0184661. eCollection 2017.
- Archetti D, Young AL, Oxtoby NP, Ferreira D, Martensson G, Westman E, Alexander DC, Frisoni GB, Redolfi A; for Alzheimer's Disease Neuroimaging Initiative and EuroPOND Consortium. Inter-Cohort Validation of SuStaIn Model for Alzheimer's Disease. Front Big Data. 2021 May 20;4:661110. doi: 10.3389/fdata.2021.661110. eCollection 2021.
- Redolfi A, De Francesco S, Palesi F, Galluzzi S, Muscio C, Castellazzi G, Tiraboschi P, Savini G, Nigri A, Bottini G, Bruzzone MG, Ramusino MC, Ferraro S, Gandini Wheeler-Kingshott CAM, Tagliavini F, Frisoni GB, Ryvlin P, Demonet JF, Kherif F, Cappa SF, D'Angelo E. Medical Informatics Platform (MIP): A Pilot Study Across Clinical Italian Cohorts. Front Neurol. 2020 Sep 23;11:1021. doi: 10.3389/fneur.2020.01021. eCollection 2020.
- Ribaldi F, Altomare D, Jovicich J, Ferrari C, Picco A, Pizzini FB, Soricelli A, Mega A, Ferretti A, Drevelegas A, Bosch B, Muller BW, Marra C, Cavaliere C, Bartres-Faz D, Nobili F, Alessandrini F, Barkhof F, Gros-Dagnac H, Ranjeva JP, Wiltfang J, Kuijer J, Sein J, Hoffmann KT, Roccatagliata L, Parnetti L, Tsolaki M, Constantinidis M, Aiello M, Salvatore M, Montalti M, Caulo M, Didic M, Bargallo N, Blin O, Rossini PM, Schonknecht P, Floridi P, Payoux P, Visser PJ, Bordet R, Lopes R, Tarducci R, Bombois S, Hensch T, Fiedler U, Richardson JC, Frisoni GB, Marizzoni M. Accuracy and reproducibility of automated white matter hyperintensities segmentation with lesion segmentation tool: A European multi-site 3T study. Magn Reson Imaging. 2021 Feb;76:108-115. doi: 10.1016/j.mri.2020.11.008. Epub 2020 Nov 19.
- Morid MA, Borjali A, Del Fiol G. A scoping review of transfer learning research on medical image analysis using ImageNet. Comput Biol Med. 2021 Jan;128:104115. doi: 10.1016/j.compbiomed.2020.104115. Epub 2020 Nov 13.
- Bao S, Boyd BD, Kanakaraj P, Ramadass K, Meyer FAC, Liu Y, Duett WE, Huo Y, Lyu I, Zald DH, Smith SA, Rogers BP, Landman BA. Integrating the BIDS Neuroimaging Data Format and Workflow Optimization for Large-Scale Medical Image Analysis. J Digit Imaging. 2022 Dec;35(6):1576-1589. doi: 10.1007/s10278-022-00679-8. Epub 2022 Aug 3.
- Rajput D, Wang WJ, Chen CC. Evaluation of a decided sample size in machine learning applications. BMC Bioinformatics. 2023 Feb 14;24(1):48. doi: 10.1186/s12859-023-05156-9.
- Boccardi M, Altomare D, Ferrari C, Festari C, Guerra UP, Paghera B, Pizzocaro C, Lussignoli G, Geroldi C, Zanetti O, Cotelli MS, Turla M, Borroni B, Rozzini L, Mirabile D, Defanti C, Gennuso M, Prelle A, Gentile S, Morandi A, Vollaro S, Volta GD, Bianchetti A, Conti MZ, Cappuccio M, Carbone P, Bellandi D, Abruzzi L, Bettoni L, Villani D, Raimondi MC, Lanari A, Ciccone A, Facchi E, Di Fazio I, Rozzini R, Boffelli S, Manzoni L, Salvi GP, Cavaliere S, Belotti G, Avanzi S, Pasqualetti P, Muscio C, Padovani A, Frisoni GB; Incremental Diagnostic Value of Amyloid PET With [18F]-Florbetapir (INDIA-FBP) Working Group. Assessment of the Incremental Diagnostic Value of Florbetapir F 18 Imaging in Patients With Cognitive Impairment: The Incremental Diagnostic Value of Amyloid PET With [18F]-Florbetapir (INDIA-FBP) Study. JAMA Neurol. 2016 Dec 1;73(12):1417-1424. doi: 10.1001/jamaneurol.2016.3751.
- Teipel S, Grothe MJ; Alzheimer's Disease Neuroimaging Initiative. MRI-based basal forebrain atrophy and volumetric signatures associated with limbic TDP-43 compared to Alzheimer's disease pathology. Neurobiol Dis. 2023 May;180:106070. doi: 10.1016/j.nbd.2023.106070. Epub 2023 Mar 8.
- De Francesco S, Galluzzi S, Vanacore N, Festari C, Rossini PM, Cappa SF, Frisoni GB, Redolfi A. Norms for Automatic Estimation of Hippocampal Atrophy and a Step Forward for Applicability to the Italian Population. Front Neurosci. 2021 Jun 28;15:656808. doi: 10.3389/fnins.2021.656808. eCollection 2021.
- Qiu S, Miller MI, Joshi PS, Lee JC, Xue C, Ni Y, Wang Y, De Anda-Duran I, Hwang PH, Cramer JA, Dwyer BC, Hao H, Kaku MC, Kedar S, Lee PH, Mian AZ, Murman DL, O'Shea S, Paul AB, Saint-Hilaire MH, Alton Sartor E, Saxena AR, Shih LC, Small JE, Smith MJ, Swaminathan A, Takahashi CE, Taraschenko O, You H, Yuan J, Zhou Y, Zhu S, Alosco ML, Mez J, Stein TD, Poston KL, Au R, Kolachalama VB. Multimodal deep learning for Alzheimer's disease dementia assessment. Nat Commun. 2022 Jun 20;13(1):3404. doi: 10.1038/s41467-022-31037-5.
- Faggioni L, Coppola F, Ferrari R, Neri E, Regge D. Usage of structured reporting in radiological practice: results from an Italian online survey. Eur Radiol. 2017 May;27(5):1934-1943. doi: 10.1007/s00330-016-4553-6. Epub 2016 Aug 29.
- Bosco P, Redolfi A, Bocchetta M, Ferrari C, Mega A, Galluzzi S, Austin M, Chincarini A, Collins DL, Duchesne S, Marechal B, Roche A, Sensi F, Wolz R, Alegret M, Assal F, Balasa M, Bastin C, Bougea A, Emek-Savas DD, Engelborghs S, Grimmer T, Grosu G, Kramberger MG, Lawlor B, Mandic Stojmenovic G, Marinescu M, Mecocci P, Molinuevo JL, Morais R, Niemantsverdriet E, Nobili F, Ntovas K, O'Dwyer S, Paraskevas GP, Pelini L, Picco A, Salmon E, Santana I, Sotolongo-Grau O, Spiru L, Stefanova E, Popovic KS, Tsolaki M, Yener GG, Zekry D, Frisoni GB. The impact of automated hippocampal volumetry on diagnostic confidence in patients with suspected Alzheimer's disease: A European Alzheimer's Disease Consortium study. Alzheimers Dement. 2017 Sep;13(9):1013-1023. doi: 10.1016/j.jalz.2017.01.019. Epub 2017 Mar 3.
- Buchlak QD, Milne MR, Seah J, Johnson A, Samarasinghe G, Hachey B, Esmaili N, Tran A, Leveque JC, Farrokhi F, Goldschlager T, Edelstein S, Brotchie P. Charting the potential of brain computed tomography deep learning systems. J Clin Neurosci. 2022 May;99:217-223. doi: 10.1016/j.jocn.2022.03.014. Epub 2022 Mar 12.
- Redolfi A, Archetti D, De Francesco S, Crema C, Tagliavini F, Lodi R, Ghidoni R, Gandini Wheeler-Kingshott CAM, Alexander DC, D'Angelo E. Italian, European, and international neuroinformatics efforts: An overview. Eur J Neurosci. 2023 Jun;57(12):2017-2039. doi: 10.1111/ejn.15854. Epub 2022 Dec 14.
- Kwee TC, Kwee RM. Workload of diagnostic radiologists in the foreseeable future based on recent scientific advances: growth expectations and role of artificial intelligence. Insights Imaging. 2021 Jun 29;12(1):88. doi: 10.1186/s13244-021-01031-4.
- Aiello M, Cavaliere C, D'Albore A, Salvatore M. The Challenges of Diagnostic Imaging in the Era of Big Data. J Clin Med. 2019 Mar 6;8(3):316. doi: 10.3390/jcm8030316.
- Aiello M, Esposito G, Pagliari G, Borrelli P, Brancato V, Salvatore M. How does DICOM support big data management? Investigating its use in medical imaging community. Insights Imaging. 2021 Nov 8;12(1):164. doi: 10.1186/s13244-021-01081-8.
- Jonsson L, Tate A, Frisell O, Wimo A. The Costs of Dementia in Europe: An Updated Review and Meta-analysis. Pharmacoeconomics. 2023 Jan;41(1):59-75. doi: 10.1007/s40273-022-01212-z. Epub 2022 Nov 15.
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)
30 augusti 2024
Primärt slutförande (Beräknad)
30 december 2025
Avslutad studie (Beräknad)
31 augusti 2027
Studieregistreringsdatum
Först inskickad
10 mars 2025
Först inskickad som uppfyllde QC-kriterierna
10 mars 2025
Första postat (Faktisk)
25 mars 2025
Uppdateringar av studier
Senaste uppdatering publicerad (Faktisk)
25 mars 2025
Senaste inskickade uppdateringen som uppfyllde QC-kriterierna
14 mars 2025
Senast verifierad
1 mars 2025
Mer information
Termer relaterade till denna studie
Nyckelord
Ytterligare relevanta MeSH-villkor
Andra studie-ID-nummer
- 1/24
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 .