利用计算机视觉和机器学习检测突发事件的研究 - Nelli
研究概览
详细说明
在现代机器学习方法的协助下,自动分析视频记录以检测癫痫发作,有望解决这一问题。 计算能力的提高使得在日常使用中实现复杂的图像识别任务和机器学习成为可能。 Nelli®软件旨在使用计算机视觉和基于机器学习的算法来自动检测癫痫发作事件。 这项研究将提供证据表明 Nelli 软件可以识别癫痫发作事件并向临床医生提供客观数据以评估癫痫发作管理。
正在进行这项研究以验证 Nelli 软件识别音频周期的能力
/包含患者在休息期间出现癫痫发作(或类似癫痫发作事件)的记录的视频数据。 该软件的性能将与视频 EEG 数据的黄金标准、专家审查进行比较。
Nelli Software 将审查音频和视频数据,并独立识别具有积极运动表现的事件。 事件识别的结果将在癫痫学家和 Nelli 软件之间进行比较。 对于捕获的每个事件类别,将使用精确二项式方法计算正百分比一致性。 本研究的主要终点是证明 Nelli 能够识别具有阳性运动成分的癫痫发作,灵敏度 >70%(低于 95% CI),并且错误发现率 (FDR) 与同类设备相当市场。
研究类型
注册 (实际的)
联系人和位置
学习地点
-
-
Tennessee
-
Memphis、Tennessee、美国、38163
- The University Of Tennessee Health Science Center
-
-
参与标准
资格标准
适合学习的年龄
接受健康志愿者
取样方法
研究人群
描述
纳入标准:
- 受试者应签署知情同意书。
- 受试者年龄在 6 至 21 岁之间。
- 出于常规临床目的,受试者应接受视频脑电图监测。
- 受试者应有运动发作的疑似病史。
- 在进行任何研究评估之前,受试者应能够理解并签署书面知情同意书或拥有可以这样做的合法授权代表 (LAR)。
排除标准:
- 没有发现。
学习计划
研究是如何设计的?
设计细节
- 观测模型:其他
- 时间观点:预期
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 |
|---|---|---|
|
癫痫发作检测系统的灵敏度
大体时间:在常规视频脑电图监测期间,最多 14 天
|
表明 Nelli 能够分别正确识别每类癫痫发作(I 类、II 类和 III 类)和所有癫痫发作类别,并且灵敏度至少为 70%。 将按顺序测试假设(所有癫痫发作合并,I 类,然后是 II 类,然后是 III 类),每个假设的显着性水平为 2.5%,并将继续直到第一个假设不被拒绝。 对于每个检测到的异常事件,使用预定义的阈值、预训练的发作检测库和该事件的概率计算概率并得出发作/未发作的结论。 时间点会自动报告到 Nelli 的仪表板中。 将进行统计分析以计算真假阳性和阴性检出率。 |
在常规视频脑电图监测期间,最多 14 天
|
合作者和调查者
调查人员
- 首席研究员:James Wheless, MD、The University Of Tennessee Health Science Center
研究记录日期
研究主要日期
学习开始 (实际的)
初级完成 (实际的)
研究完成 (实际的)
研究注册日期
首次提交
首先提交符合 QC 标准的
首次发布 (实际的)
研究记录更新
最后更新发布 (实际的)
上次提交的符合 QC 标准的更新
最后验证
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.