通用白内障智能平台的验证
2018年8月7日 更新者：Haotian Lin、Sun Yat-sen University
验证通用白内障智能平台的效用
本研究建立并验证了一个涉及多层次临床场景的白内障协同管理的通用人工智能 (AI) 平台，并探索了一种基于人工智能的医疗转诊模式，以提高协同效率和资源覆盖率。数据集使用三步标记策略：（1）将裂隙灯照片分为四种不同的拍摄模式； (2) 将每张照片诊断为正常晶状体、白内障或术后眼； (3) 根据病因和严重程度，进一步对每张诊断照片进行分类，以制定转诊或随访的管理策略。
深度残差卷积神经网络 (CS-ResCNN) 用于图像分类任务。
此外，我们将白内障 AI 代理与现实世界的多层次转诊模式相结合，包括家庭自我监测、初级保健和专科医院服务。
研究概览
研究类型
介入性
注册 (实际的)
500
阶段
- 不适用
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
适合学习的年龄
- 孩子
- 成人
- 年长者
接受健康志愿者
不
有资格学习的性别
全部
描述
纳入标准：
在初级保健中心接受眼科检查并记录眼部信息的患者。
排除标准：
不能配合检查的患者。
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
- 主要用途：诊断
- 分配：不适用
- 介入模型：单组作业
- 屏蔽：无（打开标签）
武器和干预
参与者组/臂 |
干预/治疗 |
|---|---|
|
实验性的：人工智能
通用诊断系统。
一种对白内障进行综合评估和治疗决策的人工智能。
|
人工智能对不同类型的白内障做出综合评估和治疗决策。
|
研究衡量的是什么？
主要结果指标
结果测量 |
措施说明 |
大体时间 |
|---|---|---|
|
白内障 AI 代理的诊断准确性
大体时间：6个月
|
AUC：接受者操作曲线下的面积；精度 (ACC) = (TP + TN) / (TP + TN + FP + FN);灵敏度（SEN）= TP /（TP + FN）；特异性 (SPE) = TN / (TN + FP)； TP = 真阳性； TN = 真阴性； FP = 误报； FN = 假阴性。
|
6个月
|
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。
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 (实际的)
2013年1月1日
初级完成 (实际的)
2017年6月1日
研究完成 (实际的)
2017年6月1日
研究注册日期
首次提交
2018年8月7日
首先提交符合 QC 标准的
2018年8月7日
首次发布 (实际的)
2018年8月9日
研究记录更新
最后更新发布 (实际的)
2018年8月9日
上次提交的符合 QC 标准的更新
2018年8月7日
最后验证
2018年8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.