Меню
Набор скоро начнётся NCT05348031

Multimodal Analysis of Structural Voice Disorders Based on Speech and Stroboscopic Laryngoscope Video

— Наблюдательное Voice Disorders

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
Это наблюдательное исследование: исследуемое лечение участникам по протоколу не назначают.
Кому может быть актуально
Состояния в реестре: Voice Disorders. Базовые параметры: 20 лет — 80 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 →

Обзор

This study intends to collect clinical data such as strobary laryngoscope images and vowel audio data of patients with structural voice disorders and healthy individuals, and to establish a multimodal voice disorder diagnosis system model by using deep learning algorithms. Multi-classification of diseases that cause voice disorders can be applied to patients with voice disorders but undiagnosed in clinical practice, thereby assisting clinicians in diagnosing diseases and reducing misdiagnosis and missed diagnosis. In addition, some patients with voice disorders can be managed remotely through the audio diagnosis model, and better follow-up and treatment suggestions can be given to them. Remote voice therapy can alleviate the current situation of the shortage of speech therapists in remote areas of our country, and increase the number of patients who need voice therapy. opportunity. Remote voice therapy is more cost-effective, more flexible in time, and more cost-effective.

Подробное описание

1. Detection and Classification of Acoustic Lesions Based on Speech Deep Learning 2. Detection and Classification of Acoustic Lesions Based on Deep Learning of Images 3. Detection and Classification of Acoustic Lesions Based on Deep Learning Based on Multimodality

Первичные конечные точки

  • Machine deep learning classifies vocie disorders [Срок оценки: May 6,2022-December 30,2023]
  • Machine deep learning classifies vocie disorders witn multimodality [Срок оценки: January 1,2024-December 30,2024]
  • Machine deep learning classifies pathological voice change in Laryngeal Cancer [Срок оценки: January 1,2024-December 30,2025]
Вторичные конечные точки (1)
  • Machine deep learning classifies vocie disorders witn multimodality [Срок оценки: January 1,2024-December 30,2025]

Критерии участия

Критерии включения

Laryngeal cancer, laryngeal precancerous lesions, benign laryngeal lesions with voice disorders, healthy people without throat diseases

Критерии исключения

  • A history of laryngeal surgery
  • Patients with voice disorders caused by various causes except laryngeal cancer, laryngeal precancerous lesions, and benign laryngeal lesions
  • The audio quality is not clear, the stroboscopic laryngoscope does not clearly display the anatomical area related to the glottis, and it is underexposed and blocked;

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

Здоровые добровольцы: Да

Дизайн исследования

Модель наблюдения
Только случаи

Центры проведения

Список центров уточняется — проверьте первичный протокол.

Публикации

  • Martínez, David, Lleida Eduardo, Ortega Alfonso,Miguel Antonio, Villalba Jesús. Voice pathology detection on the Saarbrücken voice database with calibration and fusion of scores using multifocal toolkit. Advances in Speech and Language Technologies for Iberian Languages. Springer, Berlin, Heidelberg, 2012. 99-109
  • Hegde S, Shetty S, Rai S, Dodderi T. A Survey on Machine Learning Approaches for Automatic Detection of Voice Disorders. J Voice. 2019 Nov;33(6):947.e11-947.e33. doi: 10.1016/j.jvoice.2018.07.014. Epub 2018 Oct 11. PMID 30316551
  • Al-Nasheri A, Muhammad G, Alsulaiman M, Ali Z. Investigation of Voice Pathology Detection and Classification on Different Frequency Regions Using Correlation Functions. J Voice. 2017 Jan;31(1):3-15. doi: 10.1016/j.jvoice.2016.01.014. Epub 2016 Mar 15. PMID 26992554
  • .Chuang, ZY,YuXT,Chen JY, Hsu YT,Xu ZZ,Wang CT,Lin FC,Fang SH. DNN-based approach to detect and classify pathological voice. In Proceedings of the 2018 IEEE International Conference on Big Data (Big Data), Seattle, WA, USA, 10-13 December 2018
  • Fang SH, Tsao Y, Hsiao MJ, Chen JY, Lai YH, Lin FC, Wang CT. Detection of Pathological Voice Using Cepstrum Vectors: A Deep Learning Approach. J Voice. 2019 Sep;33(5):634-641. doi: 10.1016/j.jvoice.2018.02.003. Epub 2018 Mar 19. PMID 29567049
  • Bethani Gty As H , Suwandi, Anggraini C D . Classification System Vocal Cords Disease Using Digital Image Processing.The 2019 IEEE International Conference on industry 4.0,Artifical Intelligence,and Communications Technology.2019.129-132
  • Unger J, Lohscheller J, Reiter M, Eder K, Betz CS, Schuster M. A noninvasive procedure for early-stage discrimination of malignant and precancerous vocal fold lesions based on laryngeal dynamics analysis. Cancer Res. 2015 Jan 1;75(1):31-9. doi: 10.1158/0008-5472.CAN-14-1458. Epub 2014 Nov 4. PMID 25371410
  • Xiong H, Lin P, Yu JG, Ye J, Xiao L, Tao Y, Jiang Z, Lin W, Liu M, Xu J, Hu W, Lu Y, Liu H, Li Y, Zheng Y, Yang H. Computer-aided diagnosis of laryngeal cancer via deep learning based on laryngoscopic images. EBioMedicine. 2019 Oct;48:92-99. doi: 10.1016/j.ebiom.2019.08.075. Epub 2019 Oct 5. PMID 31594753

Идентификаторы

NCT: NCT05348031 · SYSEC-KY-KS-2022-040

Первоисточники (государственные реестры)

Открыть это исследование на ClinicalTrials.gov ↗