病情或疾病 | 干预/治疗 |
---|---|
颈动脉粥样硬化 | 其他:没有干预 |
研究类型 : | 观察 |
估计入学人数 : | 2000名参与者 |
观察模型: | 其他 |
时间观点: | 预期 |
官方标题: | 基于人工智能的颈动脉斑块稳定性的综合评估系统 |
实际学习开始日期 : | 2019年1月1日 |
估计初级完成日期 : | 2022年12月1日 |
估计 学习完成日期 : | 2022年12月31日 |
小组/队列 | 干预/治疗 |
---|---|
中风小组 | 其他:没有干预 没有干预入学的患者 |
正常组 | 其他:没有干预 没有干预入学的患者 |
符合研究资格的年龄: | 18年至80年(成人,老年人) |
有资格学习的男女: | 全部 |
接受健康的志愿者: | 不 |
采样方法: | 非概率样本 |
联系人:Pintong Huang,博士 | 18857168333 ext +86 | huangpintong@zju.edu.cn | |
联系人:陶江,大师 | 13675853475 EXT +86 | jiangtao3425@qq.com |
中国,郑 | |
智格大学医学院第二附属医院 | 招募 |
杭州,中国江民,310000 | |
联系人:Pintong Huang,博士18857168333 EXT +86 huangpintong@zju.edu.cn | |
联系人:Tao Jiang,Master 13675853475 Ext +86 Jiangtao3425@qq.com |
追踪信息 | |||||||||
---|---|---|---|---|---|---|---|---|---|
首先提交日期 | 2020年6月26日 | ||||||||
第一个发布日期 | 2020年9月10日 | ||||||||
最后更新发布日期 | 2020年9月10日 | ||||||||
实际学习开始日期 | 2019年1月1日 | ||||||||
估计初级完成日期 | 2022年12月1日(主要结果度量的最终数据收集日期) | ||||||||
当前的主要结果指标 | 颈动脉斑块稳定性系统全面评估系统的准确性[时间范围:4年] 开发了一种系统的颈动脉斑块稳定性的系统综合评估系统,该系统整合了斑块二维信息,质感信息,微循环灌注信息,生物力学信息和血液流量场信息。分层诊断和治疗的基础,为有效评估和随访提供有效的均匀化手段,并促进基层医院或偏远的山区,以提高诊断和治疗水平并减少中风事件的发生。 | ||||||||
原始主要结果指标 | 与电流相同 | ||||||||
改变历史 | 没有发布更改 | ||||||||
当前的次要结果指标 | 不提供 | ||||||||
原始的次要结果指标 | 不提供 | ||||||||
当前其他预先指定的结果指标 | 不提供 | ||||||||
其他其他预先指定的结果指标 | 不提供 | ||||||||
描述性信息 | |||||||||
简短标题 | 基于人工智能的颈动脉斑块稳定性的综合评估系统 | ||||||||
官方头衔 | 基于人工智能的颈动脉斑块稳定性的综合评估系统 | ||||||||
简要摘要 | 中风是一种常见的临床疾病,具有高度残疾和死亡率,严重威胁人类的生命和健康。凝聚动脉粥样硬化斑块破裂是缺血性中风的重要致病基础,因此判断斑块的稳定性在防止缺血性冲刺中具有重要的临床意义。作为一种方便,快速,无创,无辐射的辅助检查技术,广泛用于颈动脉斑块稳定性检查中。目前,有许多方法可以判断基于超声的颈动脉斑块的稳定性,包括二维超声,对比,对比,相反 - 增强的超声波,超声弹性图等。但是,各种技术的斑块稳定性判断结果差异很大,这不利于临床医生的标准诊断和治疗策略的发展。研究表明,由于动脉粥样硬化斑块中的新血管表皮细胞不完善,因此它们很容易破裂压力之后,新生血管破裂将导致lape骨内出血,从而导致斑块脱落,并最终阻塞脑血管造成导致中风。对比增强的超声可以敏感地检测出血管的分布和过程。尽管斑块中的脂质,纤维和钙的差异决定了其柔软度和硬度。真实时间超声弹性图可以提供组织机械参数,表达具有应变值的柔软和硬组织,并为判断斑块稳定性提供重要的参考信息。目前,弹性技术用于反映斑块的硬度,以进一步判断其稳定性。但是,由于所选部分和所选的感兴趣区域的影响,弹性学参数很容易偏离。深度学习是AI中最热的研究方法现在。 [深度学习本质上是为了构建具有多个隐藏层的机器学习模型,并使用大规模数据训练以获取大量更具代表性的功能信息,以便使用这些功能对样本进行分类和预测。目前,它被广泛用于图像分析领域并在医学中起重要作用。如病理图像检测,调节性基因组学研究,视网膜病变的诊断和肝纤维化的定量分析等。通过数值计算和经典流体力学理论的结合而开发的一项新学科。它可以使研究人员方便地构建心血管系统的几何模型,模拟血管壁和血液的真实结构,并使用可视化技术显示“数值实验”的结果。对最近的血液动力学参数变化的更多全面综合响应多年来,其在心血管血流动力学研究中的应用已变得越来越普遍,但是有大量相关的文献报告,尚无对基于上述原因进行此技术的颈动脉斑块稳定性和流体动力学的研究报告,这项研究尝试了尝试使用AI技术自动识别和定量评估斑块的灰度差异,斑块的弹性图像特征,斑块对比增强超声的微连续剧密度分裂以及速度矢量成像(VVI)以确定斑块表面应力。使用CFD的颈动脉斑块上的血液动力学参数技术,并建立一个用于颈动脉斑块稳定性的系统全面评估系统,该系统整合了二维斑块信息,质感信息,微循环灌注信息,生物力学信息和血液流场信息,并结合了临床随访和胶原纤维的结果手术标本,MMP9/CD34和其他检查的含量。 | ||||||||
详细说明 | 不提供 | ||||||||
研究类型 | 观察 | ||||||||
学习规划 | 观察模型:其他 时间观点:前瞻性 | ||||||||
目标随访时间 | 不提供 | ||||||||
生物测量 | 不提供 | ||||||||
采样方法 | 非概率样本 | ||||||||
研究人群 | 颈动脉斑块患者接受了我们医院的门诊,体格检查和住院治疗。 | ||||||||
健康)状况 | 颈动脉粥样硬化 | ||||||||
干涉 | 其他:没有干预 没有干预入学的患者 | ||||||||
研究组/队列 |
| ||||||||
出版物 * | 不提供 | ||||||||
*包括数据提供商提供的出版物以及MEDLINE中临床标识符(NCT编号)确定的出版物。 | |||||||||
招聘信息 | |||||||||
招聘状况 | 招募 | ||||||||
估计入学人数 | 2000 | ||||||||
原始估计注册 | 与电流相同 | ||||||||
估计学习完成日期 | 2022年12月31日 | ||||||||
估计初级完成日期 | 2022年12月1日(主要结果度量的最终数据收集日期) | ||||||||
资格标准 | 纳入标准:
排除标准: | ||||||||
性别/性别 |
| ||||||||
年龄 | 18年至80年(成人,老年人) | ||||||||
接受健康的志愿者 | 不 | ||||||||
联系人 |
| ||||||||
列出的位置国家 | 中国 | ||||||||
删除了位置国家 | |||||||||
管理信息 | |||||||||
NCT编号 | NCT04544657 | ||||||||
其他研究ID编号 | 2020001523 | ||||||||
有数据监测委员会 | 不提供 | ||||||||
美国FDA调节的产品 |
| ||||||||
IPD共享声明 |
| ||||||||
责任方 | 智格大学医学院第二附属医院 | ||||||||
研究赞助商 | 智格大学医学院第二附属医院 | ||||||||
合作者 | 不提供 | ||||||||
调查人员 | 不提供 | ||||||||
PRS帐户 | 智格大学医学院第二附属医院 | ||||||||
验证日期 | 2020年1月 |
病情或疾病 | 干预/治疗 |
---|---|
颈动脉粥样硬化 | 其他:没有干预 |
研究类型 : | 观察 |
估计入学人数 : | 2000名参与者 |
观察模型: | 其他 |
时间观点: | 预期 |
官方标题: | 基于人工智能的颈动脉斑块稳定性的综合评估系统 |
实际学习开始日期 : | 2019年1月1日 |
估计初级完成日期 : | 2022年12月1日 |
估计 学习完成日期 : | 2022年12月31日 |
小组/队列 | 干预/治疗 |
---|---|
中风小组 | 其他:没有干预 没有干预入学的患者 |
正常组 | 其他:没有干预 没有干预入学的患者 |
符合研究资格的年龄: | 18年至80年(成人,老年人) |
有资格学习的男女: | 全部 |
接受健康的志愿者: | 不 |
采样方法: | 非概率样本 |
联系人:Pintong Huang,博士 | 18857168333 ext +86 | huangpintong@zju.edu.cn | |
联系人:陶江,大师 | 13675853475 EXT +86 | jiangtao3425@qq.com |
中国,郑 | |
智格大学医学院第二附属医院 | 招募 |
杭州,中国江民,310000 | |
联系人:Pintong Huang,博士18857168333 EXT +86 huangpintong@zju.edu.cn | |
联系人:Tao Jiang,Master 13675853475 Ext +86 Jiangtao3425@qq.com |
追踪信息 | |||||||||
---|---|---|---|---|---|---|---|---|---|
首先提交日期 | 2020年6月26日 | ||||||||
第一个发布日期 | 2020年9月10日 | ||||||||
最后更新发布日期 | 2020年9月10日 | ||||||||
实际学习开始日期 | 2019年1月1日 | ||||||||
估计初级完成日期 | 2022年12月1日(主要结果度量的最终数据收集日期) | ||||||||
当前的主要结果指标 | 颈动脉斑块稳定性系统全面评估系统的准确性[时间范围:4年] 开发了一种系统的颈动脉斑块稳定性的系统综合评估系统,该系统整合了斑块二维信息,质感信息,微循环灌注信息,生物力学信息和血液流量场信息。分层诊断和治疗的基础,为有效评估和随访提供有效的均匀化手段,并促进基层医院或偏远的山区,以提高诊断和治疗水平并减少中风事件的发生。 | ||||||||
原始主要结果指标 | 与电流相同 | ||||||||
改变历史 | 没有发布更改 | ||||||||
当前的次要结果指标 | 不提供 | ||||||||
原始的次要结果指标 | 不提供 | ||||||||
当前其他预先指定的结果指标 | 不提供 | ||||||||
其他其他预先指定的结果指标 | 不提供 | ||||||||
描述性信息 | |||||||||
简短标题 | 基于人工智能的颈动脉斑块稳定性的综合评估系统 | ||||||||
官方头衔 | 基于人工智能的颈动脉斑块稳定性的综合评估系统 | ||||||||
简要摘要 | 中风是一种常见的临床疾病,具有高度残疾和死亡率,严重威胁人类的生命和健康。凝聚动脉粥样硬化斑块破裂是缺血性中风的重要致病基础,因此判断斑块的稳定性在防止缺血性冲刺中具有重要的临床意义。作为一种方便,快速,无创,无辐射的辅助检查技术,广泛用于颈动脉斑块稳定性检查中。目前,有许多方法可以判断基于超声的颈动脉斑块的稳定性,包括二维超声,对比,对比,相反 - 增强的超声波,超声弹性图等。但是,各种技术的斑块稳定性判断结果差异很大,这不利于临床医生的标准诊断和治疗策略的发展。研究表明,由于动脉粥样硬化斑块中的新血管表皮细胞不完善,因此它们很容易破裂压力之后,新生血管破裂将导致lape骨内出血,从而导致斑块脱落,并最终阻塞脑血管造成导致中风。对比增强的超声可以敏感地检测出血管的分布和过程。尽管斑块中的脂质,纤维和钙的差异决定了其柔软度和硬度。真实时间超声弹性图可以提供组织机械参数,表达具有应变值的柔软和硬组织,并为判断斑块稳定性提供重要的参考信息。目前,弹性技术用于反映斑块的硬度,以进一步判断其稳定性。但是,由于所选部分和所选的感兴趣区域的影响,弹性学参数很容易偏离。深度学习是AI中最热的研究方法现在。 [深度学习本质上是为了构建具有多个隐藏层的机器学习模型,并使用大规模数据训练以获取大量更具代表性的功能信息,以便使用这些功能对样本进行分类和预测。目前,它被广泛用于图像分析领域并在医学中起重要作用。如病理图像检测,调节性基因组学研究,视网膜病变的诊断和肝纤维化的定量分析等。通过数值计算和经典流体力学理论的结合而开发的一项新学科。它可以使研究人员方便地构建心血管系统的几何模型,模拟血管壁和血液的真实结构,并使用可视化技术显示“数值实验”的结果。对最近的血液动力学参数变化的更多全面综合响应多年来,其在心血管血流动力学研究中的应用已变得越来越普遍,但是有大量相关的文献报告,尚无对基于上述原因进行此技术的颈动脉斑块稳定性和流体动力学的研究报告,这项研究尝试了尝试使用AI技术自动识别和定量评估斑块的灰度差异,斑块的弹性图像特征,斑块对比增强超声的微连续剧密度分裂以及速度矢量成像(VVI)以确定斑块表面应力。使用CFD的颈动脉斑块上的血液动力学参数技术,并建立一个用于颈动脉斑块稳定性的系统全面评估系统,该系统整合了二维斑块信息,质感信息,微循环灌注信息,生物力学信息和血液流场信息,并结合了临床随访和胶原纤维的结果手术标本,MMP9/CD34和其他检查的含量。 | ||||||||
详细说明 | 不提供 | ||||||||
研究类型 | 观察 | ||||||||
学习规划 | 观察模型:其他 时间观点:前瞻性 | ||||||||
目标随访时间 | 不提供 | ||||||||
生物测量 | 不提供 | ||||||||
采样方法 | 非概率样本 | ||||||||
研究人群 | 颈动脉斑块患者接受了我们医院的门诊,体格检查和住院治疗。 | ||||||||
健康)状况 | 颈动脉粥样硬化 | ||||||||
干涉 | 其他:没有干预 没有干预入学的患者 | ||||||||
研究组/队列 |
| ||||||||
出版物 * | 不提供 | ||||||||
*包括数据提供商提供的出版物以及MEDLINE中临床标识符(NCT编号)确定的出版物。 | |||||||||
招聘信息 | |||||||||
招聘状况 | 招募 | ||||||||
估计入学人数 | 2000 | ||||||||
原始估计注册 | 与电流相同 | ||||||||
估计学习完成日期 | 2022年12月31日 | ||||||||
估计初级完成日期 | 2022年12月1日(主要结果度量的最终数据收集日期) | ||||||||
资格标准 | 纳入标准:
排除标准: | ||||||||
性别/性别 |
| ||||||||
年龄 | 18年至80年(成人,老年人) | ||||||||
接受健康的志愿者 | 不 | ||||||||
联系人 |
| ||||||||
列出的位置国家 | 中国 | ||||||||
删除了位置国家 | |||||||||
管理信息 | |||||||||
NCT编号 | NCT04544657 | ||||||||
其他研究ID编号 | 2020001523 | ||||||||
有数据监测委员会 | 不提供 | ||||||||
美国FDA调节的产品 |
| ||||||||
IPD共享声明 |
| ||||||||
责任方 | 智格大学医学院第二附属医院 | ||||||||
研究赞助商 | 智格大学医学院第二附属医院 | ||||||||
合作者 | 不提供 | ||||||||
调查人员 | 不提供 | ||||||||
PRS帐户 | 智格大学医学院第二附属医院 | ||||||||
验证日期 | 2020年1月 |