ChiCTR2400088035尚未招募早期 1 期
基于 VCUG 图像构建对 VUR 自动诊断和分级的 Deep-VCUG 模型研究
自筹3 个研究点 分布在 1 个国家开始时间: 2024年1月1日最近更新:
试验速览
- 阶段
- 早期 1 期
- 状态
- 尚未招募
- 发起方
- 试验地点
- 3
- 主要终点
- VUR 返流分类结果的曲线下面积
研究概览
简要总结
本研究旨在开发一种深度学习模型，以提高 VUR 对 VCUG 评分的可靠性，并将其性能与临床医生的性能进行比较。
研究设计
- 研究类型
- 诊断试验
- 主要目的
- 连续入组
- 盲法
- N/a
入排标准
- 年龄范围
- 1 至 12（—）
- 性别
- All
入选标准
- •在多中心医院就诊并行 VCUG 检查的患儿,年龄 1-13 周岁,影像诊断为膀胱输尿管返流,VCUG 图像清晰，无严重金属伪影。
排除标准
- •无法观察到完整输尿管、图像质量差、畸形过多（如泄殖腔畸形、异位输尿管和尿道下裂）、缺乏斜位片均被排除在外。
结局指标
主要结局
VUR 返流分类结果的曲线下面积
VUR 返流分类结果的准确性
VUR 返流分类结果的灵敏度
VUR 返流分类结果的特异度
次要结局
未报告次要终点
研究者
研究点 (3)
Loading locations...
相似试验
招募中
不适用
AI Assisted Screening for VHD Using Routine Chest CT ScansNCT07449130Second Affiliated Hospital, Zhejiang University, School of Medicine3,000
Unknown
不适用
uCT 868 深度学习重建功能临床试验ChiCTR2500098537来自上海联影医疗科技股份有限公司的企业资助
尚未招募
Unknown
验证基于深度学习的鼻咽癌 GTV 自动勾画方法准确性的前瞻性、多中心临床研究鼻咽癌ChiCTR2400081428
尚未招募
不适用
Using Artificial Intelligence to Detect Blockages in Blood Vessels of the heart from CT Scan ImagesCTRI/2024/07/070754Manipal Academy of Higher Education Manipal3,000
尚未招募
Phase 3 4
Study on Training BeVigilant™ OraFusion System to Improve Dental AI AccuracyCTRI/2025/04/084909Vigilant Biosciences Inc100