- ICH GCP
- Registr klinických studií v USA
- Klinická studie NCT04087824
Algoritmus hlubokého učení pro rozpoznávání segmentů tlustého střeva.
11. září 2019 aktualizováno: Xiuli Zuo, Shandong University
Vývoj a validace algoritmu hlubokého učení pro rozpoznávání segmentů tlustého střeva v reálném čase.
Účelem této studie je vyvinout a ověřit algoritmus hlubokého učení pro realizaci automatického rozpoznávání segmentů tlustého střeva při konvenční kolonoskopii.
Poté zhodnoťte přesnost tohoto nového systému rozpoznávání pomocí umělé inteligence (AI) v klinické praxi.
Přehled studie
Postavení
Neznámý
Podmínky
Intervence / Léčba
Detailní popis
Kolonoskopie se doporučuje jako rutinní vyšetření pro screening kolorektálního karcinomu.
Kompletní kontrola všech segmentů tlustého střeva je základem kontroly kvality kolonoskopie a dále zlepšuje míru detekce malých adenomů.
Algoritmus hlubokého učení založený na centrálních neuronových sítích (CNN) nedávno ukázal mnohostranný potenciál v počítačově podporované detekci a počítačově podporované diagnostice gastrointestinálních lézí.
Stále však existuje mezera v rozpoznávání anatomických míst, což omezuje realizaci detekce lézí pomocí AI a hodnocení závažnosti onemocnění.
Cílem této studie je vytrénovat algoritmus pro rozpoznávání klíčových segmentů tlustého střeva a dosvědčit přesnost rozpoznávání jednotlivých segmentů ve srovnání s endoskopickými lékaři.
Typ studie
Intervenční
Zápis (Očekávaný)
60
Fáze
- Nelze použít
Kritéria účasti
Výzkumníci hledají lidi, kteří odpovídají určitému popisu, kterému se říká kritéria způsobilosti. Některé příklady těchto kritérií jsou celkový zdravotní stav osoby nebo předchozí léčba.
Kritéria způsobilosti
Věk způsobilý ke studiu
18 let až 70 let (DOSPĚLÝ, OLDER_ADULT)
Přijímá zdravé dobrovolníky
Ne
Pohlaví způsobilá ke studiu
Všechno
Popis
Kritéria pro zařazení:
- Pacienti ve věku 18-70 let podstupující konvenční kolonoskopii
Kritéria vyloučení:
- Známá nebo suspektní střevní obstrukce, striktura nebo perforace
- Narušený polykací reflex nebo duševní stav
- Těžké chronické selhání ledvin (clearance kreatininu < 30 ml/min)
- Těžké městnavé srdeční selhání (třída III nebo IV New York Heart Association)
- Nekontrolovaná hypertenze (systolický krevní tlak > 170 mm Hg, diastolický krevní tlak > 100 mm Hg)
- Dehydratace
- Narušení elektrolytů
- Těhotenství nebo kojení
- Hemodynamicky nestabilní
- Nelze dát informovaný souhlas
Studijní plán
Tato část poskytuje podrobnosti o studijním plánu, včetně toho, jak je studie navržena a co studie měří.
Jak je studie koncipována?
Detaily designu
- Primární účel: HEALTH_SERVICES_RESEARCH
- Přidělení: NA
- Intervenční model: SINGLE_GROUP
- Maskování: ŽÁDNÝ
Zbraně a zásahy
Skupina účastníků / Arm |
Intervence / Léčba |
---|---|
EXPERIMENTÁLNÍ: AI monitorovací kolonoskopie
Pacienti v této skupině procházejí kolonoskopií pod monitorovacím zařízením AI.
|
Po obdržení standardního režimu přípravy střeva pacienti procházejí kolonoskopií pod monitorovacím zařízením AI.
Celý proces výběru je monitorován rozpoznávacím systémem spojeným s AI.
Klíčové segmenty tlustého střeva zahrnují ileocekální chlopeň, vzestupný tračník, příčný tračník, sestupný tračník, sigmoidální tračník a konečník.
Když jsou detekována typická anatomická místa, zařízení AI automaticky pořídí relevantní snímky a nahlásí název každého segmentu na obrazovce.
Operační odborník na endoskopii dá konečnou odpověď a posoudí výkon AI, který je nastaven jako zlatý standard.
Poté budou všechny snímky zachycené AI zkontrolovány lidskou skupinou, která se skládá ze tří až pěti zkušených endoskopických lékařů.
|
Co je měření studie?
Primární výstupní opatření
Měření výsledku |
Popis opatření |
Časové okno |
---|---|---|
Přesnost rozpoznávání každého segmentu tlustého střeva v reálném čase s algoritmem hlubokého učení.
Časové okno: 3 měsíce.
|
Přesnost rozpoznávání segmentů je podíl správně rozpoznaných segmentů dělený počtem postižených pacientů.
Míra přesnosti ileocekální chlopně, vzestupného tračníku, příčného tračníku, sestupného tračníku, sigmoidního tračníku a konečníku bude vypočítána samostatně.
|
3 měsíce.
|
Sekundární výstupní opatření
Měření výsledku |
Popis opatření |
Časové okno |
---|---|---|
Přesnost rozpoznání celkových segmentů tlustého střeva pomocí algoritmu hlubokého učení ve srovnání se skupinou endoskopických odborníků.
Časové okno: 3 měsíce.
|
Celková přesnost rozpoznávání je podíl správně rozpoznaných obrázků dělený počtem obrázků pořízených AI.
Poté budou všechny snímky zachycené AI zkontrolovány skupinou odborníků, aby byla dána míra hodnocení člověkem.
Dvě míry budou porovnány studentským t testem, aby se analyzoval rozdíl.
|
3 měsíce.
|
Spolupracovníci a vyšetřovatelé
Zde najdete lidi a organizace zapojené do této studie.
Sponzor
Termíny studijních záznamů
Tato data sledují průběh záznamů studie a předkládání souhrnných výsledků na ClinicalTrials.gov. Záznamy ze studií a hlášené výsledky jsou před zveřejněním na veřejné webové stránce přezkoumány Národní lékařskou knihovnou (NLM), aby se ujistily, že splňují specifické standardy kontroly kvality.
Hlavní termíny studia
Začátek studia (OČEKÁVANÝ)
15. září 2019
Primární dokončení (OČEKÁVANÝ)
15. listopadu 2019
Dokončení studie (OČEKÁVANÝ)
15. prosince 2019
Termíny zápisu do studia
První předloženo
11. září 2019
První předloženo, které splnilo kritéria kontroly kvality
11. září 2019
První zveřejněno (AKTUÁLNÍ)
12. září 2019
Aktualizace studijních záznamů
Poslední zveřejněná aktualizace (AKTUÁLNÍ)
12. září 2019
Odeslaná poslední aktualizace, která splnila kritéria kontroly kvality
11. září 2019
Naposledy ověřeno
1. září 2019
Více informací
Termíny související s touto studií
Klíčová slova
Další relevantní podmínky MeSH
Další identifikační čísla studie
- 2019SDU-QILU-G003
Informace o lécích a zařízeních, studijní dokumenty
Studuje lékový produkt regulovaný americkým FDA
Ne
Studuje produkt zařízení regulovaný americkým úřadem FDA
Ne
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 .