肱骨近端骨折的人工智能预测 (Orthopredict)
2024年6月14日 更新者：Joan Miquel、Consorci Sanitari de l'Anoia
基于人工智能的肱骨近端骨折患者临床结果预测
我们的智能手机可以识别家人、亲人和朋友的照片。 人脸识别软件利用人工智能（AI）、图像识别等先进技术来映射、分析和确认人脸的身份。
我们人类在对肱骨近端骨折患者相关损伤进行分类时做得很差。 因此，肱骨近端骨折的治疗存在很大的异质性。 此外，鉴于当前的系列是基于过时的分类，并且已发布的系列汇集了数百名接受分析的患者，因此向患者提供有关并发症或骨折后遗症风险的相关信息具有挑战性。 由于这些限制，患者几乎没有机会参与有关其伤害的决策。
目前的项目目标是整合新技术来预测肱骨近端骨折患者的相关临床结果。 简而言之，人工智能可以帮助识别类似的骨折模式，而无需人工推理，而人类可以向算法提供感兴趣的变量，例如与这种特定类型骨折相关的功能结果和并发症。
研究概览
地位
地位
尚未招聘
干预/治疗
干预/治疗
研究类型
研究类型
观察性的
注册 (估计的)
注册
500
参与标准
研究人员寻找符合特定描述的人，称为资格标准。这些标准的一些例子是一个人的一般健康状况或先前的治疗。
资格标准
资格标准
适合学习的年龄
- 成人
- 年长者
接受健康志愿者
不适用
取样方法
概率样本
研究人群
经非手术治疗的肱骨近端骨折患者
描述
纳入标准：
根据治疗外科医生的标准和患者的偏好，对肱骨近端骨折的患者进行非手术治疗。
受试者在受伤后的前 3 周内进行评估。 18岁至90岁之间的患者。 接受过简单肩部X光片前后位和肩胛骨出口投影研究的患者。
接受一年随访的参与者。
排除标准：
患有痴呆症或在一年的随访后难以完成评估的患者。
之前接受过患肢手术治疗的患者。 患肢先前曾发生过骨折的患者。 接受手术治疗的患者。
学习计划
本节提供研究计划的详细信息，包括研究的设计方式和研究的衡量标准。
研究是如何设计的？
设计细节
研究衡量的是什么？
主要结果指标
主要结果指标
结果测量 |
措施说明 |
大体时间 |
|---|---|---|
|
康斯坦-默利评分
大体时间：1年
|
功能结果
|
1年
|
合作者和调查者
在这里您可以找到参与这项研究的人员和组织。
合作者
合作者
研究记录日期
这些日期跟踪向 ClinicalTrials.gov 提交研究记录和摘要结果的进度。研究记录和报告的结果由国家医学图书馆 (NLM) 审查，以确保它们在发布到公共网站之前符合特定的质量控制标准。
研究主要日期
学习开始 (估计的)
学习开始
2024年9月1日
初级完成 (估计的)
初级完成
2026年12月1日
研究完成 (估计的)
研究完成
2027年9月1日
研究注册日期
首次提交
首次提交
2024年6月14日
首先提交符合 QC 标准的
首先提交符合 QC 标准的
2024年6月14日
首次发布 (实际的)
首次发布
2024年6月20日
研究记录更新
最后更新发布 (实际的)
最后更新发布
2024年6月20日
上次提交的符合 QC 标准的更新
上次提交的符合 QC 标准的更新
2024年6月14日
最后验证
最后验证
2024年6月1日
更多信息
此信息直接从 clinicaltrials.gov 网站检索，没有任何更改。如果您有任何更改、删除或更新研究详细信息的请求，请联系 register@clinicaltrials.gov. clinicaltrials.gov 上实施更改，我们的网站上也会自动更新.