4006-776-356 出国就医服务电话

免费获得国外相关药品,最快 1 个工作日回馈药物信息

出境医 / 临床实验 / 深度学习应用于血管内动脉瘤修复(EVAR)腹部主动脉瘤(AAA)(AAA)(深度清除)后的腹部X线照相监测(EVAR)

深度学习应用于血管内动脉瘤修复(EVAR)腹部主动脉瘤(AAA)(AAA)(深度清除)后的腹部X线照相监测(EVAR)

研究描述
简要摘要:
深度学习应用于腹主动脉瘤(AAA)血管内动脉瘤修复(EVAR)后的腹部射线照相监测。

病情或疾病
腹主动脉瘤

详细说明:

腹主动脉瘤(AAA)是腹部主动脉(大动脉)逐渐扩张的疾病,其继发于其壁内的退化过程。这可能导致弱化的壁破裂,随后向腹部进行解血。这种情况通常是致命的。动脉瘤的直径与破裂的风险正相关。因此,在考虑是否选择AAAS时,动脉瘤大小是主要的决定因素。

血管内动脉瘤修复(EVAR)已成为绝大多数患者AAA的标准治疗方法。这是一种微创技术,旨在通过在主动脉腔内放置合成的“支架移植”来排除循环中的动脉瘤。金属倒钩和径向力在动脉瘤上方以及动脉瘤下方的iliac动脉中保持支架移植位置。

与传统的开放手术相比,1级证据始终证明了EVAR的围手术期生存率提高。然而,人们担心EVAR支架移植物的长期耐用性,在手术后的5年中,有5例患者需要进一步手术进行动脉瘤。这通常是由于支架移植物的位置和完整性的失败。因此,标准的国际实践是使患者在EVAR之后进行终身监视。通常,这是普通X光片的形式与计算机断层扫描(CT)或双工超声扫描的结合,所有这些扫描都每年进行。

在腹部的普通X光片上可见支架移植物,通过比较随着时间的推移拍摄的一系列图像,可以诊断出无数的支架移植问题,包括迁移,崩解和失真。但是,这些变化在平原X光片上可能是微妙的,甚至在最受训练的人眼中也很难发现。结果,不幸的是,患者接受了更详细的扫描,这些扫描具有肾毒性和辐射引起的恶性肿瘤的风险。

我们研究的目的是通过应用现代深度学习计算机算法进行解释来提高普通X光片的诊断潜力。

以深度学习形式的人工智能(AI)在近年来在许多具有挑战性的问题上取得了巨大的成功。深度学习的成功在很大程度上是由强大的图形处理单元(GPU)的进步所基于的。 GPU使我们能够通过数量级加快训练算法的速度,从而使数周的跑步时间减少到几天。

我们的研究将探讨人工智能在解释一系列匿名X光片以识别失败支架移植的特征中的使用。

在过去的十年中,将应用一种深入学习算法,这些算法将应用于已经在我们在英格兰的机构进行的。然后,我们将比较机器在识别支架移植问题的有效性与先前人类解释所确定的已知结果。

该项目将依靠深度学习技术的最新进展。可以预期,深度学习将为EVAR监视带来良好的性能,并与其在域名中的成功应用(例如识别数字,中文字符和交通标志)相比,计算机产生的准确性比人类更好。

学习规划
研究信息的布局表
研究类型观察
估计入学人数 800名参与者
观察模型:只有案例
时间观点:回顾
官方标题:深度学习应用于腹主动脉瘤(AAA)血管内动脉瘤修复(EVAR)后的腹部射线照相监测(AAA)
实际学习开始日期 2019年10月1日
估计初级完成日期 2020年10月15日
估计 学习完成日期 2020年12月31日
武器和干预措施
结果措施
主要结果指标
  1. 诊断准确性[时间范围:1-10年]
    与训练有素的人类解释相比,基于深度学习的算法的诊断准确性在检测到EVAR后普通X射线的支架移植物迁移,崩解和失真方面的训练。


资格标准
有资格信息的布局表
符合研究资格的年龄:儿童,成人,老年人
有资格学习的男女:全部
接受健康的志愿者:
采样方法:非概率样本
研究人群
在2005年至2013年之间在皇家利物浦大学医院接受EVAR的患者(大约n = 800)。
标准

纳入标准:

  • 2005年至2013年期间在皇家利物浦大学医院接受EVAR的患者。
  • 接受过标准额外AAA治疗的患者。
  • 正在我们的术后监视计划中的患者,迄今为止有5个普通的腹部X光片。

排除标准:

  • 没有任何
联系人和位置

位置
位置表的布局表
英国
利物浦大学
利物浦,默西塞德郡,英国,L7 8TX
赞助商和合作者
利物浦大学医院NHS基金会信托基金
调查人员
调查员信息的布局表
首席研究员: Srinivasa Rao Vallabhaneni,医学博士,FRCS皇家利物浦大学医院NH
追踪信息
首先提交日期2020年8月4日
第一个发布日期2020年8月7日
最后更新发布日期2020年8月7日
实际学习开始日期2019年10月1日
估计初级完成日期2020年10月15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
(提交:2020年8月4日)
诊断准确性[时间范围:1-10年]
与训练有素的人类解释相比,基于深度学习的算法的诊断准确性在检测到EVAR后普通X射线的支架移植物迁移,崩解和失真方面的训练。
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
简短标题深度学习应用于腹主动脉瘤(AAA)血管内动脉瘤修复(EVAR)后的腹部射线照相监测(AAA)
官方头衔深度学习应用于腹主动脉瘤(AAA)血管内动脉瘤修复(EVAR)后的腹部射线照相监测(AAA)
简要摘要深度学习应用于腹主动脉瘤(AAA)血管内动脉瘤修复(EVAR)后的腹部射线照相监测。
详细说明

腹主动脉瘤(AAA)是腹部主动脉(大动脉)逐渐扩张的疾病,其继发于其壁内的退化过程。这可能导致弱化的壁破裂,随后向腹部进行解血。这种情况通常是致命的。动脉瘤的直径与破裂的风险正相关。因此,在考虑是否选择AAAS时,动脉瘤大小是主要的决定因素。

血管内动脉瘤修复(EVAR)已成为绝大多数患者AAA的标准治疗方法。这是一种微创技术,旨在通过在主动脉腔内放置合成的“支架移植”来排除循环中的动脉瘤。金属倒钩和径向力在动脉瘤上方以及动脉瘤下方的iliac动脉中保持支架移植位置。

与传统的开放手术相比,1级证据始终证明了EVAR的围手术期生存率提高。然而,人们担心EVAR支架移植物的长期耐用性,在手术后的5年中,有5例患者需要进一步手术进行动脉瘤。这通常是由于支架移植物的位置和完整性的失败。因此,标准的国际实践是使患者在EVAR之后进行终身监视。通常,这是普通X光片的形式与计算机断层扫描(CT)或双工超声扫描的结合,所有这些扫描都每年进行。

在腹部的普通X光片上可见支架移植物,通过比较随着时间的推移拍摄的一系列图像,可以诊断出无数的支架移植问题,包括迁移,崩解和失真。但是,这些变化在平原X光片上可能是微妙的,甚至在最受训练的人眼中也很难发现。结果,不幸的是,患者接受了更详细的扫描,这些扫描具有肾毒性和辐射引起的恶性肿瘤的风险。

我们研究的目的是通过应用现代深度学习计算机算法进行解释来提高普通X光片的诊断潜力。

以深度学习形式的人工智能(AI)在近年来在许多具有挑战性的问题上取得了巨大的成功。深度学习的成功在很大程度上是由强大的图形处理单元(GPU)的进步所基于的。 GPU使我们能够通过数量级加快训练算法的速度,从而使数周的跑步时间减少到几天。

我们的研究将探讨人工智能在解释一系列匿名X光片以识别失败支架移植的特征中的使用。

在过去的十年中,将应用一种深入学习算法,这些算法将应用于已经在我们在英格兰的机构进行的。然后,我们将比较机器在识别支架移植问题的有效性与先前人类解释所确定的已知结果。

该项目将依靠深度学习技术的最新进展。可以预期,深度学习将为EVAR监视带来良好的性能,并与其在域名中的成功应用(例如识别数字,中文字符和交通标志)相比,计算机产生的准确性比人类更好。

研究类型观察
学习规划观察模型:仅病例
时间视角:回顾
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
研究人群在2005年至2013年之间在皇家利物浦大学医院接受EVAR的患者(大约n = 800)。
健康)状况腹主动脉瘤
干涉不提供
研究组/队列不提供
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
招聘状况活跃,不招募
估计入学人数
(提交:2020年8月4日)
800
原始估计注册与电流相同
估计学习完成日期2020年12月31日
估计初级完成日期2020年10月15日(主要结果度量的最终数据收集日期)
资格标准

纳入标准:

  • 2005年至2013年期间在皇家利物浦大学医院接受EVAR的患者。
  • 接受过标准额外AAA治疗的患者。
  • 正在我们的术后监视计划中的患者,迄今为止有5个普通的腹部X光片。

排除标准:

  • 没有任何
性别/性别
有资格学习的男女:全部
年龄儿童,成人,老年人
接受健康的志愿者
联系人仅当研究招募主题时才显示联系信息
列出的位置国家英国
删除了位置国家
管理信息
NCT编号NCT04503226
其他研究ID编号5851
有数据监测委员会
美国FDA调节的产品
研究美国FDA调节的药物:
研究美国FDA调节的设备产品:
IPD共享声明不提供
责任方利物浦大学医院NHS基金会信托基金
研究赞助商利物浦大学医院NHS基金会信托基金
合作者不提供
调查人员
首席研究员: Srinivasa Rao Vallabhaneni,医学博士,FRCS皇家利物浦大学医院NH
PRS帐户利物浦大学医院NHS基金会信托基金
验证日期2019年8月
研究描述
简要摘要:
深度学习应用于腹主动脉瘤(AAA)血管内动脉瘤修复(EVAR)后的腹部射线照相监测。

病情或疾病
腹主动脉瘤

详细说明:

腹主动脉瘤(AAA)是腹部主动脉(大动脉)逐渐扩张的疾病,其继发于其壁内的退化过程。这可能导致弱化的壁破裂,随后向腹部进行解血。这种情况通常是致命的。动脉瘤的直径与破裂的风险正相关。因此,在考虑是否选择AAAS时,动脉瘤大小是主要的决定因素。

血管内动脉瘤修复(EVAR)已成为绝大多数患者AAA的标准治疗方法。这是一种微创技术,旨在通过在主动脉腔内放置合成的“支架移植”来排除循环中的动脉瘤。金属倒钩和径向力在动脉瘤上方以及动脉瘤下方的iliac动脉中保持支架移植位置。

与传统的开放手术相比,1级证据始终证明了EVAR的围手术期生存率提高。然而,人们担心EVAR支架移植物的长期耐用性,在手术后的5年中,有5例患者需要进一步手术进行动脉瘤。这通常是由于支架移植物的位置和完整性的失败。因此,标准的国际实践是使患者在EVAR之后进行终身监视。通常,这是普通X光片的形式与计算机断层扫描(CT)或双工超声扫描的结合,所有这些扫描都每年进行。

在腹部的普通X光片上可见支架移植物,通过比较随着时间的推移拍摄的一系列图像,可以诊断出无数的支架移植问题,包括迁移,崩解和失真。但是,这些变化在平原X光片上可能是微妙的,甚至在最受训练的人眼中也很难发现。结果,不幸的是,患者接受了更详细的扫描,这些扫描具有肾毒性和辐射引起的恶性肿瘤的风险。

我们研究的目的是通过应用现代深度学习计算机算法进行解释来提高普通X光片的诊断潜力。

以深度学习形式的人工智能(AI)在近年来在许多具有挑战性的问题上取得了巨大的成功。深度学习的成功在很大程度上是由强大的图形处理单元(GPU)的进步所基于的。 GPU使我们能够通过数量级加快训练算法的速度,从而使数周的跑步时间减少到几天。

我们的研究将探讨人工智能在解释一系列匿名X光片以识别失败支架移植的特征中的使用。

在过去的十年中,将应用一种深入学习算法,这些算法将应用于已经在我们在英格兰的机构进行的。然后,我们将比较机器在识别支架移植问题的有效性与先前人类解释所确定的已知结果。

该项目将依靠深度学习技术的最新进展。可以预期,深度学习将为EVAR监视带来良好的性能,并与其在域名中的成功应用(例如识别数字,中文字符和交通标志)相比,计算机产生的准确性比人类更好。

学习规划
研究信息的布局表
研究类型观察
估计入学人数 800名参与者
观察模型:只有案例
时间观点:回顾
官方标题:深度学习应用于腹主动脉瘤(AAA)血管内动脉瘤修复(EVAR)后的腹部射线照相监测(AAA)
实际学习开始日期 2019年10月1日
估计初级完成日期 2020年10月15日
估计 学习完成日期 2020年12月31日
武器和干预措施
结果措施
主要结果指标
  1. 诊断准确性[时间范围:1-10年]
    与训练有素的人类解释相比,基于深度学习的算法的诊断准确性在检测到EVAR后普通X射线的支架移植物迁移,崩解和失真方面的训练。


资格标准
有资格信息的布局表
符合研究资格的年龄:儿童,成人,老年人
有资格学习的男女:全部
接受健康的志愿者:
采样方法:非概率样本
研究人群
在2005年至2013年之间在皇家利物浦大学医院接受EVAR的患者(大约n = 800)。
标准

纳入标准:

  • 2005年至2013年期间在皇家利物浦大学医院接受EVAR的患者。
  • 接受过标准额外AAA治疗的患者。
  • 正在我们的术后监视计划中的患者,迄今为止有5个普通的腹部X光片。

排除标准:

  • 没有任何
联系人和位置

位置
位置表的布局表
英国
利物浦大学
利物浦,默西塞德郡,英国,L7 8TX
赞助商和合作者
利物浦大学医院NHS基金会信托基金
调查人员
调查员信息的布局表
首席研究员: Srinivasa Rao Vallabhaneni,医学博士,FRCS皇家利物浦大学医院NH
追踪信息
首先提交日期2020年8月4日
第一个发布日期2020年8月7日
最后更新发布日期2020年8月7日
实际学习开始日期2019年10月1日
估计初级完成日期2020年10月15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
(提交:2020年8月4日)
诊断准确性[时间范围:1-10年]
与训练有素的人类解释相比,基于深度学习的算法的诊断准确性在检测到EVAR后普通X射线的支架移植物迁移,崩解和失真方面的训练。
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
简短标题深度学习应用于腹主动脉瘤(AAA)血管内动脉瘤修复(EVAR)后的腹部射线照相监测(AAA)
官方头衔深度学习应用于腹主动脉瘤(AAA)血管内动脉瘤修复(EVAR)后的腹部射线照相监测(AAA)
简要摘要深度学习应用于腹主动脉瘤(AAA)血管内动脉瘤修复(EVAR)后的腹部射线照相监测。
详细说明

腹主动脉瘤(AAA)是腹部主动脉(大动脉)逐渐扩张的疾病,其继发于其壁内的退化过程。这可能导致弱化的壁破裂,随后向腹部进行解血。这种情况通常是致命的。动脉瘤的直径与破裂的风险正相关。因此,在考虑是否选择AAAS时,动脉瘤大小是主要的决定因素。

血管内动脉瘤修复(EVAR)已成为绝大多数患者AAA的标准治疗方法。这是一种微创技术,旨在通过在主动脉腔内放置合成的“支架移植”来排除循环中的动脉瘤。金属倒钩和径向力在动脉瘤上方以及动脉瘤下方的iliac动脉中保持支架移植位置。

与传统的开放手术相比,1级证据始终证明了EVAR的围手术期生存率提高。然而,人们担心EVAR支架移植物的长期耐用性,在手术后的5年中,有5例患者需要进一步手术进行动脉瘤。这通常是由于支架移植物的位置和完整性的失败。因此,标准的国际实践是使患者在EVAR之后进行终身监视。通常,这是普通X光片的形式与计算机断层扫描(CT)或双工超声扫描的结合,所有这些扫描都每年进行。

在腹部的普通X光片上可见支架移植物,通过比较随着时间的推移拍摄的一系列图像,可以诊断出无数的支架移植问题,包括迁移,崩解和失真。但是,这些变化在平原X光片上可能是微妙的,甚至在最受训练的人眼中也很难发现。结果,不幸的是,患者接受了更详细的扫描,这些扫描具有肾毒性和辐射引起的恶性肿瘤的风险。

我们研究的目的是通过应用现代深度学习计算机算法进行解释来提高普通X光片的诊断潜力。

以深度学习形式的人工智能(AI)在近年来在许多具有挑战性的问题上取得了巨大的成功。深度学习的成功在很大程度上是由强大的图形处理单元(GPU)的进步所基于的。 GPU使我们能够通过数量级加快训练算法的速度,从而使数周的跑步时间减少到几天。

我们的研究将探讨人工智能在解释一系列匿名X光片以识别失败支架移植的特征中的使用。

在过去的十年中,将应用一种深入学习算法,这些算法将应用于已经在我们在英格兰的机构进行的。然后,我们将比较机器在识别支架移植问题的有效性与先前人类解释所确定的已知结果。

该项目将依靠深度学习技术的最新进展。可以预期,深度学习将为EVAR监视带来良好的性能,并与其在域名中的成功应用(例如识别数字,中文字符和交通标志)相比,计算机产生的准确性比人类更好。

研究类型观察
学习规划观察模型:仅病例
时间视角:回顾
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
研究人群在2005年至2013年之间在皇家利物浦大学医院接受EVAR的患者(大约n = 800)。
健康)状况腹主动脉瘤
干涉不提供
研究组/队列不提供
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
招聘状况活跃,不招募
估计入学人数
(提交:2020年8月4日)
800
原始估计注册与电流相同
估计学习完成日期2020年12月31日
估计初级完成日期2020年10月15日(主要结果度量的最终数据收集日期)
资格标准

纳入标准:

  • 2005年至2013年期间在皇家利物浦大学医院接受EVAR的患者。
  • 接受过标准额外AAA治疗的患者。
  • 正在我们的术后监视计划中的患者,迄今为止有5个普通的腹部X光片。

排除标准:

  • 没有任何
性别/性别
有资格学习的男女:全部
年龄儿童,成人,老年人
接受健康的志愿者
联系人仅当研究招募主题时才显示联系信息
列出的位置国家英国
删除了位置国家
管理信息
NCT编号NCT04503226
其他研究ID编号5851
有数据监测委员会
美国FDA调节的产品
研究美国FDA调节的药物:
研究美国FDA调节的设备产品:
IPD共享声明不提供
责任方利物浦大学医院NHS基金会信托基金
研究赞助商利物浦大学医院NHS基金会信托基金
合作者不提供
调查人员
首席研究员: Srinivasa Rao Vallabhaneni,医学博士,FRCS皇家利物浦大学医院NH
PRS帐户利物浦大学医院NHS基金会信托基金
验证日期2019年8月