Umělá inteligence vs. Endoskopická identifikace v EUS normální anatomii
Srovnávací hodnocení umělé inteligence a přesnosti endoskopistů v endoskopickém ultrazvuku pro identifikaci normálních anatomických struktur: multiinstitucionální, průřezová studie
Vizuální otisk endoskopického ultrazvuku (EUS) závisí na operátorovi a může bránit diagnostické přesnosti, zejména u méně zkušených endoskopistů. Implementace umělé inteligence může potenciálně zmírnit závislost operátora a variabilitu interpretace, což napomůže nebo zlepší celkovou přesnost.
Vyšetřovatelé se proto snaží porovnat diagnostickou přesnost mezi modelem na bázi umělé inteligence (AI) a endoskopisty při identifikaci normálních anatomických struktur v EUS procedurách.
Přehled studie
Postavení
Postavení
Podmínky
Podmínky
Intervence / Léčba
Intervence / Léčba
Detailní popis
EUS je postup závislý na operátorovi, kde přesnost závisí na zkušenostech a dovednostech. V současné době lze EUS-školení dosáhnout formálním stipendijním školením v centru po dobu 6-24 měsíců nebo neformálním školením prostřednictvím didaktických sezení s krátkou praktickou zkušeností. Parametry pro správné a úplné měření zkušeností s učením však ještě nebyly definovány. Implementace umělé inteligence na EUS může potenciálně zmírnit proměnnou závislou na operátorovi a zlepšit diagnostickou přesnost.
Proto detekce normálních anatomických struktur na samostatném základě pomocí modelu založeného na AI, expertních a neodborných endoskopistů k určení, kde by AI byla nejužitečnější.
Cílem výzkumných pracovníků je porovnat diagnostickou přesnost modelu založeného na AI s endoskopickou identifikací normálních anatomických struktur v EUS procedurách.
Typ studie
Typ studie
Zápis (Aktuální)
Zápis
Kontakty a umístění
Studijní místa
-
-
Guayas
-
Guayaquil, Guayas, Ekvádor, 090505
- IECED
-
-
Kritéria účasti
Kritéria způsobilosti
Kritéria způsobilosti
Věk způsobilý ke studiu
- Dospělý
- Starší dospělý
Přijímá zdravé dobrovolníky
Metoda odběru vzorků
Studijní populace
Popis
Kritéria pro zařazení:
- Expertní gastrointestinální EUS endoskopisté.
- Neodborní gastrointestinální endoskopisté školení pro EUS.
- Pacienti s chronickou dyspepsií bez dalších nálezů.
- Pacienti s předchozími CT snímky nebo endoskopií horní části zažívacího traktu neuvádějí žádné další nálezy.
- Pacienti vyžadující sledování EUS kvůli rodinné anamnéze rakoviny pankreatu bez nálezu na MRI.
Kritéria vyloučení:
- Připojení k internetu méně než 100 MB za sekundu.
- Pacienti s abnormálními strukturami nebo s viditelnými lézemi.
Studijní plán
Jak je studie koncipována?
Detaily designu
Počet skupin / kohort
Kohorty a intervence
Skupina / kohortaSkupina / kohorta |
Intervence / LéčbaIntervence / Léčba |
|---|---|
|
Model založený na AI
AIWorks-EUS Convolutional Neural Network verze 2 (CNNv2) (mdconsgroup, Guayaquil, Ekvádor) aplikovaná na předem nahraná videa pro detekci normálních anatomických struktur.
|
Předem nahraná videa oříznutá podle různých oken (mediastinální, žaludeční, duodenální) budou analyzována modelem AIWorks-EUS a endoskopisty v různých časech pro rozpoznání různých normálních anatomických struktur.
|
|
Expertní endoskopisté
Endoskopisté s > 190 EUS výkony za rok, včetně 75 pankreatobiliárních a slizničních vyšetření stagingu každého, 40 subepiteliálních případů; a 50 případů aspirace EUS tenkou jehlou (FNA) (25 z nich byly případy slinivky břišní); podle doporučení Americké společnosti pro gastrointestinální endoskopii (ASGE).
|
Předem nahraná videa oříznutá podle různých oken (mediastinální, žaludeční, duodenální) budou analyzována modelem AIWorks-EUS a endoskopisty v různých časech pro rozpoznání různých normálních anatomických struktur.
|
|
Neodborní endoskopisté
Endoskopisté s <190 EUS výkony za rok, včetně 75 pankreatobiliárních a slizničních výkonů stagingu každého, 40 subepiteliálních případů; a 50 případů EUS-FNA (25 z nich jsou případy slinivky břišní); podle doporučení Americké společnosti pro gastrointestinální endoskopii (ASGE).
|
Předem nahraná videa oříznutá podle různých oken (mediastinální, žaludeční, duodenální) budou analyzována modelem AIWorks-EUS a endoskopisty v různých časech pro rozpoznání různých normálních anatomických struktur.
|
Co je měření studie?
Primární výstupní opatření
Primární výstupní opatření
Měření výsledku |
Popis opatření |
Časové okno |
|---|---|---|
|
Diagnostická přesnost
Časové okno: 5 měsíců
|
Skutečně pozitivní, pravdivě negativní, falešně pozitivní a falešně negativní na základě detekce anatomických struktur dle externího odborného endoskopisty jako zlatý standard.
|
5 měsíců
|
Sekundární výstupní opatření
Sekundární výstupní opatření
Měření výsledku |
Popis opatření |
Časové okno |
|---|---|---|
|
Dohoda mezi pozorovateli
Časové okno: 5 měsíců
|
Porovnání diagnostické přesnosti mezi modelem na bázi umělé inteligence (AI) a oběma skupinami (expertními i neodbornými endoskopisty) pomocí Fleiss Kappa.
|
5 měsíců
|
Spolupracovníci a vyšetřovatelé
Sponzor
Sponzor
Spolupracovníci
Spolupracovníci
Vyšetřovatelé
Vyšetřovatelé
- Vrchní vyšetřovatel: Carlos Robles-Medranda, MD FASGE, Instituto Ecuatoriano de Enfermedades Digestivas (IECED)
Publikace a užitečné odkazy
Obecné publikace
- Han C, Nie C, Shen X, Xu T, Liu J, Ding Z, Hou X. Exploration of an effective training system for the diagnosis of pancreatobiliary diseases with EUS: A prospective study. Endosc Ultrasound. 2020 Sep-Oct;9(5):308-318. doi: 10.4103/eus.eus_47_20.
- Cho CM. Training in Endoscopy: Endoscopic Ultrasound. Clin Endosc. 2017 Jul;50(4):340-344. doi: 10.5946/ce.2017.067. Epub 2017 Jul 31.
- Finocchiaro M, Cortegoso Valdivia P, Hernansanz A, Marino N, Amram D, Casals A, Menciassi A, Marlicz W, Ciuti G, Koulaouzidis A. Training Simulators for Gastrointestinal Endoscopy: Current and Future Perspectives. Cancers (Basel). 2021 Mar 20;13(6):1427. doi: 10.3390/cancers13061427.
- Robles-Medranda C, Baquerizo-Burgos J, Puga-Tejada M, Del Valle R, Mendez JC, Egas-Izquierdo M, Arevalo-Mora M, Cunto D, Alcivar-Vasquez J, Pitanga-Lukashok H, Tabacelia D. Development of convolutional neural network models that recognize normal anatomic structures during real-time radial-array and linear-array EUS (with videos). Gastrointest Endosc. 2024 Feb;99(2):271-279.e2. doi: 10.1016/j.gie.2023.10.028. Epub 2023 Oct 10.
Termíny studijních záznamů
Hlavní termíny studia
Začátek studia (Aktuální)
Začátek studia
Primární dokončení (Aktuální)
Primární dokončení
Dokončení studie (Aktuální)
Dokončení studie
Termíny zápisu do studia
První předloženo
První předloženo
První předloženo, které splnilo kritéria kontroly kvality
První předloženo, které splnilo kritéria kontroly kvality
První zveřejněno (Odhadovaný)
První zveřejněno
Aktualizace studijních záznamů
Poslední zveřejněná aktualizace (Odhadovaný)
Poslední zveřejněná aktualizace
Odeslaná poslední aktualizace, která splnila kritéria kontroly kvality
Odeslaná poslední aktualizace, která splnila kritéria kontroly kvality
Naposledy ověřeno
Naposledy ověřeno
Více informací
Termíny související s touto studií
Klíčová slova
Další relevantní podmínky MeSH
Další identifikační čísla studie
Další identifikační čísla studie
- IECED-12345
Plán pro data jednotlivých účastníků (IPD)
Plánujete sdílet data jednotlivých účastníků (IPD)?
Informace o lécích a zařízeních, studijní dokumenty
Studuje lékový produkt regulovaný americkým FDA
Studuje produkt zařízení regulovaný americkým úřadem FDA
Tyto informace byly beze změn načteny přímo z webu clinicaltrials.gov. Máte-li jakékoli požadavky na změnu, odstranění nebo aktualizaci podrobností studie, kontaktujte prosím register@clinicaltrials.gov. Jakmile bude změna implementována na clinicaltrials.gov, bude automaticky aktualizována i na našem webu .