跳至主要内容
临床试验/ChiCTR2400089949
ChiCTR2400089949尚未招募早期 1 期

NEC 识图:AI 辅助的 X 光图像解读

自选课题(自筹)1 个研究点 分布在 1 个国家开始时间: 2024年10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
1
主要终点
诊断的准确性

研究概览

简要总结

3.1 主要研究目的 提高诊断效率和准确性:开发基于深度学习的自动诊断系统,提升坏死性小肠结肠炎的诊断速度和准确度,以辅助医生,缓解医疗资源紧张。

3.2 次要研究目的 深度学习与传统方法的比较:探索深度学习在数据驱动、自动特征提取和模型复杂性方面与传统方法的不同。 深度学习的优势:强调深度学习在处理大数据、准确性、通用性和端到端学习方面的优势。 模型的可靠性和稳定性评估:确保深度学习模型在不同数据集和环境中的稳定性和可靠性,特别是在临床应用中。 局限性和优化方向分析:识别深度学习在自动诊断中的潜在局限,并提出未来研究和优化的方向。

研究设计

研究类型
诊断试验
主要目的
诊断试验诊断准确性
盲法

入排标准

年龄范围
0 至 1(—)
性别
All

入选标准

  • 1.入住 NICU 的新生儿 (2)接受床边腹部平片的患儿 (3)病例组为出院诊断为坏死性小肠结肠炎的病人;

排除标准

  • 1.染色异常的新生儿 (2)有肠道闭锁等畸形的新生儿 (3)其他肠道异常疾病患者 (4)X 光检查不清晰;

结局指标

主要结局

诊断的准确性

次要结局

  • 召回率(Recall)
  • 敏感性(Sensitivity)
  • 特异性(Specificity)
  • 精确度(Precision)
  • F1 值

研究者

发起方
自选课题(自筹)

研究点 (1)

Loading locations...

相似试验