Меню
Набор скоро начнётся NCT04527029

Early Intelligent Diagnosis of Limb Deformity in Children by AI and Clinic Application

— Наблюдательное Limb Deformity

Ориентир для пациента и семьи

Простыми словами

Автоматическая сводка по структурированным данным реестра. Она помогает сориентироваться, но не заменяет официальный протокол или оценку врача.

Что изучают
В протоколе указаны: No interventions.
Кому может быть актуально
Состояния в реестре: Limb Deformity. Базовые параметры: до 18 лет · Все.
Что важно проверить
Возраст, диагноз и пол — только базовые ориентиры. Предыдущее лечение, анализы и другие обязательные условия указаны ниже в критериях участия.
Где проводится
Список центров уточняется — проверьте первичный протокол.
Следующий шаг
Сохраните исследование, покажите его лечащему врачу и уточните актуальный статус у исследовательского центра. Расходы, документы и поездка →

Не всё понятно в терминах? Прочитайте наш гид для пациентов →

Официальное название

The Studies of Early Intelligent Diagnosis of Limb Deformity in Children by AI and Clinic Application

Обзор

The limb deformity in children include congenital limb malformations or acquired from the damage of epiphyseal plate which caused by tumor, inflammation and trauma. Due to the complexity of the disease itself, rapid dynamic development and the characteristics of children's growth and development, the deformities are constantly changing. In addition, the serious lack of clinical diagnosis and treatment resources in the Department of Pediatric Orthopedics has led to the misdiagnosis and improper treatment of children's limb deformities. Thus, its necessary to find an intelligent way to help doctor to early diagnosis of limb deformity and provide a proper treatment in children.

Подробное описание

The extraction and application of big data of children's limb deformities, intelligent labeling of image data, precise positioning, and perfecting the anatomical data of children's limb deformities.Improve the positioning accuracy of key points in X-ray images of children's limb deformities by means of step-by-step supervision to improve the accuracy of diagnosis.Realize an intelligent report generation system that combines patient background information, establish an end-to-end auxiliary diagnosis and treatment suggestion demonstration application system; realize a full set of artificial intelligence solutions for children's skeletal deformities, early screening and diagnosis of children, and forming an intelligent referral system of children's limb deformities.

Вмешательства

  • Другое No interventions
    It is an observational study. No interventions.

Первичные конечные точки

  • Deformity detection [Срок оценки: At enrollment]

Критерии участия

Критерии включения

Children with limb deformity

Критерии исключения

Children without limb deformity

Критерии приведены из реестра в оригинале (на английском). Окончательную оценку соответствия проводит исследовательский центр.

Здоровые добровольцы: Нет

Дизайн исследования

Модель наблюдения
Когортное

Центры проведения

Список центров уточняется — проверьте первичный протокол.

Публикации

  • Mirskaia NB, Kolomenskaia AN, Siniakina AD. [Prevalence and medical and social importance of disorders and diseases of the musculoskeletal systems in children and adolescents (review of literature)]. Gig Sanit. 2015 Jan-Feb;94(1):97-104. Russian. PMID 26031051
  • Theofilatos K, Pavlopoulou N, Papasavvas C, Likothanassis S, Dimitrakopoulos C, Georgopoulos E, Moschopoulos C, Mavroudi S. Predicting protein complexes from weighted protein-protein interaction graphs with a novel unsupervised methodology: Evolutionary enhanced Markov clustering. Artif Intell Med. 2015 Mar;63(3):181-9. doi: 10.1016/j.artmed.2014.12.012. Epub 2015 Feb 18. PMID 25765008
  • Silverman BG, Hanrahan N, Bharathy G, Gordon K, Johnson D. A systems approach to healthcare: agent-based modeling, community mental health, and population well-being. Artif Intell Med. 2015 Feb;63(2):61-71. doi: 10.1016/j.artmed.2014.08.006. Epub 2014 Sep 11. PMID 25801593
  • Jamaludin A, Lootus M, Kadir T, Zisserman A, Urban J, Battie MC, Fairbank J, McCall I; Genodisc Consortium. ISSLS PRIZE IN BIOENGINEERING SCIENCE 2017: Automation of reading of radiological features from magnetic resonance images (MRIs) of the lumbar spine without human intervention is comparable with an expert radiologist. Eur Spine J. 2017 May;26(5):1374-1383. doi: 10.1007/s00586-017-4956-3. Epu PMID 28168339
  • Ravi D, Wong C, Deligianni F, Berthelot M, Andreu-Perez J, Lo B, Yang GZ. Deep Learning for Health Informatics. IEEE J Biomed Health Inform. 2017 Jan;21(1):4-21. doi: 10.1109/JBHI.2016.2636665. Epub 2016 Dec 29. PMID 28055930
  • Rahmathulla G, Nottmeier EW, Pirris SM, Deen HG, Pichelmann MA. Intraoperative image-guided spinal navigation: technical pitfalls and their avoidance. Neurosurg Focus. 2014 Mar;36(3):E3. doi: 10.3171/2014.1.FOCUS13516. PMID 24580004

Идентификаторы

NCT: NCT04527029 · ningbo1528

Первоисточники (государственные реестры)

Открыть это исследование на ClinicalTrials.gov ↗