通过AI和诊所应用对儿童肢体畸形的早期智能诊断
2025年2月19日 更新者：Children's Hospital of Fudan University
通过AI和诊所应用对儿童肢体畸形的早期智能诊断的研究
儿童的肢体畸形包括先天性的肢体畸形或是从肿瘤，炎症和创伤引起的epiphyseal板的损伤中获得的。
由于疾病本身的复杂性，快速的动态发展以及儿童成长和发育的特征，畸形不断变化。
此外，小儿骨科部门严重缺乏临床诊断和治疗资源，导致对儿童肢体畸形的误诊和治疗不当。
因此，有必要找到一种聪明的方法来帮助医生早期诊断肢体畸形并为儿童提供适当的治疗方法。
研究概览
详细说明
儿童肢体畸形的大数据的提取和应用，图像数据的智能标记，精确定位以及完善儿童肢体畸形的解剖学数据。通过X射线图像的定位准确性通过儿童肢体畸形的X射线图像的定位准确性，分步监督以提高诊断的准确性。将结合患者背景信息的智能报告生成系统，建立端到端辅助系统诊断和治疗建议示范应用系统；为儿童的骨骼畸形，对儿童的早期筛查和诊断以及形成儿童肢体畸形的智能转介系统，实现一套完整的人工智能解决方案。
研究类型
观察性的
注册 (估计的)
9000
联系人和位置
本节提供了进行研究的人员的详细联系信息，以及有关进行该研究的地点的信息。
学习联系方式
- 姓名：Bo Ning, PhD
- 电话号码：+86 13585700275
- 邮箱：ningbo@fudan.edu.cn
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
不超过 18年 (孩子、成人)
接受健康志愿者
不
取样方法
非概率样本
研究人群
肢体畸形的孩子
描述
纳入标准：
肢体畸形的孩子
排除标准：
没有肢体畸形的孩子
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
队列和干预
团体/队列 |
干预/治疗 |
|---|---|
|
肢体畸形儿童
AI的肢体畸形诊断成像
|
这是一项观察性研究。
没有干预措施。
|
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 |
|---|---|---|
|
畸形检测
大体时间：注册时
|
它是二进制变量（1/0）。
儿童的放射学特征将通过人工智能评估。
如果检测到畸形，则将变量设置为1。
|
注册时
|
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。
调查人员
- 首席研究员：Bo Ning, PhD、Children's Hospital of Fudan University
出版物和有用的链接
负责输入研究信息的人员自愿提供这些出版物。这些可能与研究有关。
一般刊物
- Jamaludin A, Lootus M, Kadir T, Zisserman A, Urban J, Battie MC, Fairbank J, McCall I; Genodisc Consortium. ISSLS PRIZE IN BIOENGINEERING SCIENCE 2017: Automation of reading of radiological features from magnetic resonance images (MRIs) of the lumbar spine without human intervention is comparable with an expert radiologist. Eur Spine J. 2017 May;26(5):1374-1383. doi: 10.1007/s00586-017-4956-3. Epub 2017 Feb 6.
- Mirskaia NB, Kolomenskaia AN, Siniakina AD. [Prevalence and medical and social importance of disorders and diseases of the musculoskeletal systems in children and adolescents (review of literature)]. Gig Sanit. 2015 Jan-Feb;94(1):97-104. Russian.
- Theofilatos K, Pavlopoulou N, Papasavvas C, Likothanassis S, Dimitrakopoulos C, Georgopoulos E, Moschopoulos C, Mavroudi S. Predicting protein complexes from weighted protein-protein interaction graphs with a novel unsupervised methodology: Evolutionary enhanced Markov clustering. Artif Intell Med. 2015 Mar;63(3):181-9. doi: 10.1016/j.artmed.2014.12.012. Epub 2015 Feb 18.
- Silverman BG, Hanrahan N, Bharathy G, Gordon K, Johnson D. A systems approach to healthcare: agent-based modeling, community mental health, and population well-being. Artif Intell Med. 2015 Feb;63(2):61-71. doi: 10.1016/j.artmed.2014.08.006. Epub 2014 Sep 11.
- Ravi D, Wong C, Deligianni F, Berthelot M, Andreu-Perez J, Lo B, Yang GZ. Deep Learning for Health Informatics. IEEE J Biomed Health Inform. 2017 Jan;21(1):4-21. doi: 10.1109/JBHI.2016.2636665. Epub 2016 Dec 29.
- Rahmathulla G, Nottmeier EW, Pirris SM, Deen HG, Pichelmann MA. Intraoperative image-guided spinal navigation: technical pitfalls and their avoidance. Neurosurg Focus. 2014 Mar;36(3):E3. doi: 10.3171/2014.1.FOCUS13516.
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)
2025年3月1日
初级完成 (估计的)
2026年9月1日
研究完成 (估计的)
2027年12月1日
研究注册日期
首次提交
2020年8月22日
首先提交符合 QC 标准的
2020年8月22日
首次发布 (实际的)
2020年8月26日
研究记录更新
最后更新发布 (实际的)
2025年3月25日
上次提交的符合 QC 标准的更新
2025年2月19日
最后验证
2025年2月1日
更多信息
与本研究相关的术语
计划个人参与者数据 (IPD)
计划共享个人参与者数据 (IPD)？
不
药物和器械信息、研究文件
研究美国 FDA 监管的药品
不
研究美国 FDA 监管的设备产品
不
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.