- ICH GCP
- Registr klinických studií v USA
- Klinická studie NCT05151939
Endoskopický ultrazvuk (EUS) Model umělé inteligence pro hodnocení normálních mediastinálních a abdominálních striktur
Endoskopické ultrazvukové (EUS) hodnocení normálních mediastinálních a abdominálních orgánových/anatomických striktur pomocí nového vyvinutého modelu umělé inteligence
Přehled studie
Postavení
Podmínky
Intervence / Léčba
- Diagnostický test: Identifikace nebo vizualizace výboje mediastinálních a břišních orgánových/anatomických striktur pomocí endoskopických ultrazvukových (EUS) videí zkušeným endoskopistou
- Diagnostický test: Rozpoznání mediastinálních a břišních orgánových/anatomických striktur pomocí endoskopických ultrazvukových (EUS) videí s využitím umělé inteligence (AI)
Detailní popis
Endoskopický ultrazvuk (EUS) je vysoce kvalifikovaný postup s omezeným počtem zařízení, která jsou k dispozici pro školení. K dosažení kompetence je proto nutný vysoký počet procedur. Dohoda mezi pozorovateli se však značně liší. Rozpoznávání a charakterizace anatomických struktur pomocí umělé inteligence (AI) může zlepšit tréninkový proces a zároveň zlepšit shodu mezi pozorovateli. Vyvinuté modely EUS-AI však byly explicitně trénovány nebo pouze se vzorky onemocnění nebo pro detekci abdominálních anatomických rysů.
V jiných oblastech, jako je radiační onkologie, byly vyvinuté modely umělé inteligence široce používány. Musí jednotně rozpoznat zdravá a nemocná zúžení v jakékoli části lidského těla během tvarování. Zabraňuje zbytečnému ozařování normální tkáně. Modely EUS-AI, které nejsou trénovány se zdravými vzorky, mohou způsobit nárůst falešně pozitivních případů během praxe v reálném životě. Znamená to potenciální nadměrnou diagnózu abnormálních/chorobných striktur. Modely EUS-AI nejsou trénovány se vzorky venku
Pomocí softwaru pro automatizované strojové učení Robles-Medranda et al. již dříve vyvinuli model AI konvolučních neuronových sítí (CNN), který rozpoznává anatomické struktury během lineárních a radiálních hodnocení EUS (AI Works, MD Consulting group, Ekvádor). Pokud je nám známo, tento model EUS-AI je první trénovaný pomocí EUS videí od pacientů bez patologických stavů, a tedy s normálními mediastinálními a břišními orgánovými/anatomickými strikturami. V této druhé fázi se snažíme navrhnout externí ověření našeho vyvinutého modelu AI, přičemž za zlatý standard považujeme odborníka na endoskopy.
Typ studie
Zápis (Očekávaný)
Kontakty a umístění
Studijní kontakt
- Jméno: Carlos Robles-Medranda
- Telefonní číslo: +59342109180
- E-mail: carlosoakm@yahoo.es
Studijní místa
-
-
Guayas
-
Guayaquil, Guayas, Ekvádor, 090505
- Nábor
- Ecuadorian Institute of Digestive Diseases
-
Kontakt:
- Carlos A Robles-Medranda, MD
- Telefonní číslo: +593989158865
- E-mail: carlosoakm@yahoo.es
-
Vrchní vyšetřovatel:
- Carlos Robles-Medranda, MD FASGE
-
Dílčí vyšetřovatel:
- Martha Arevalo-Mora, MD
-
Dílčí vyšetřovatel:
- Daniel Calle, MD MSc
-
Dílčí vyšetřovatel:
- Miguel Puga-Tejada, MD MSc
-
Dílčí vyšetřovatel:
- Raquel Del Valle Zavala, MD
-
Dílčí vyšetřovatel:
- Juan Alcivar-Vasquez, MD Msc
-
-
Kritéria účasti
Kritéria způsobilosti
Věk způsobilý ke studiu
Přijímá zdravé dobrovolníky
Pohlaví způsobilá ke studiu
Metoda odběru vzorků
Studijní populace
Popis
Kritéria pro zařazení:
- Pacienti bez anamnézy hrudních a břišních abnormalit potvrzených zobrazovacím testem požadovaným pro zdravotnické účely v posledních dvanácti měsících (např. rentgen hrudníku a ultrazvuk břicha nebo CT hrudníku a břicha)
- Pacienti, kteří podstoupí hodnocení EUS kvůli chronické dyspepsii.
Kritéria vyloučení:
- Morfologická změna na alespoň jedné mediastinální a abdominální orgánové/anatomické striktuře dokumentovaná jakýmkoli zobrazovacím testem nebo EUS.
- nekontrolovaná koagulopatie, selhání ledvin/jater nebo jakákoli komorbidita s významným dopadem na hodnocení kardiálního rizika (NHYA III/IV);
- Odmítněte účast ve studii nebo podepište odpovídající informovaný souhlas.
Studijní plán
Jak je studie koncipována?
Detaily designu
- Observační modely: Pouze případ
- Časové perspektivy: Průřezový
Kohorty a intervence
Skupina / kohorta |
Intervence / Léčba |
---|---|
Pacienti s normálním mediastinálním a břišním orgánovým/anatomickým zúžením
Dospělí pacienti s normálními mediastinálními a abdominálními orgánovými/anatomickými striktury po zobrazovacím testu a EUS hodnocení v důsledku chronické dyspepsie.
|
Odborný endoskopista vybere soubor dat mediastinálních a abdominálních EUS videí (jedno na pacienta).
Odborný endoskopista správně identifikuje nebo provede vizualizaci následujících orgánů: aorta, páteř obratle, oblouk aorty, průdušnice, AP okno, levá ledvina, játra, slezina, tělo slinivky břišní, ocas slinivky břišní, trup celiakie, slezinná tepna, slezinná žíla, inferior dutá žíla, nadledvinka, pravá ledvina, žlučník, společný žlučovod, Vaterova ampula, portální žíla.
Pomocí stejného předchozího souboru dat mediastinálního a abdominálního EUS videa bude model EUS-AI rozpoznávat následující orgány: aortu, páteř obratle, oblouk aorty, průdušnici, AP okno, levou ledvinu, játra, slezinu, tělo slinivky břišní, ocas slinivky břišní, celiakii kmen, slezinná tepna, slezinná žíla, dolní dutá žíla, nadledvinka, pravá ledvina, žlučník, společný žlučovod, Vaterova ampula, portální žíla.
Vezmeme-li v úvahu každého pacienta (a nikoli videa datových snímků) jako jednotku studie, bude navržena kontingenční tabulka pro každý mediastinální a abdominální orgán/anatomickou strikturu.
|
Co je měření studie?
Primární výstupní opatření
Měření výsledku |
Popis opatření |
Časové okno |
---|---|---|
Celková přesnost endoskopického ultrazvukového (EUS) modelu umělé inteligence (AI) pro identifikaci normálních mediastinálních a břišních orgánových/anatomických striktur
Časové okno: Tři měsíce
|
Vypočítají se vlastnosti celkové přesnosti: senzitivita, specificita, pozitivní prediktivní hodnota, negativní prediktivní hodnota, diagnostická přesnost a pozorovaná shoda. Kromě toho budou definovány následující pravděpodobnosti:
|
Tři měsíce
|
Spolupracovníci a vyšetřovatelé
Vyšetřovatelé
- Vrchní vyšetřovatel: Carlos Robles-Medranda, Ecuadorian Institute of Digestive Diseases
Publikace a užitečné odkazy
Obecné publikace
- Zhang J, Zhu L, Yao L, Ding X, Chen D, Wu H, Lu Z, Zhou W, Zhang L, An P, Xu B, Tan W, Hu S, Cheng F, Yu H. Deep learning-based pancreas segmentation and station recognition system in EUS: development and validation of a useful training tool (with video). Gastrointest Endosc. 2020 Oct;92(4):874-885.e3. doi: 10.1016/j.gie.2020.04.071. Epub 2020 May 6. Erratum In: Gastrointest Endosc. 2021 Mar;93(3):781.
- Kuwahara T, Hara K, Mizuno N, Haba S, Okuno N, Koda H, Miyano A, Fumihara D. Current status of artificial intelligence analysis for endoscopic ultrasonography. Dig Endosc. 2021 Jan;33(2):298-305. doi: 10.1111/den.13880. Epub 2020 Dec 5. Review.
- Robles-Medranda C, Oleas R, Del Valle R, Mendez JC, Alcívar-Vásquez JM, Puga-Tejada M, Lukashok H. Intelligence for real-time anatomical recognition during endoscopic ultrasound evaluation: a pilot study. Gastrointestinal Endoscopy. 2021; 93(6), AB221. https://doi.org/10.1016/J.GIE.2021.03.491
- Udriștoiu AL, Cazacu IM, Gruionu LG, Gruionu G, Iacob AV, Burtea DE, Ungureanu BS, Costache MI, Constantin A, Popescu CF, Udriștoiu Ș, Săftoiu A. Real-time computer-aided diagnosis of focal pancreatic masses from endoscopic ultrasound imaging based on a hybrid convolutional and long short-term memory neural network model. PLoS One. 2021 Jun 28;16(6):e0251701. doi: 10.1371/journal.pone.0251701. eCollection 2021.
- Yao L, Zhang J, Liu J, Zhu L, Ding X, Chen D, Wu H, Lu Z, Zhou W, Zhang L, Xu B, Hu S, Zheng B, Yang Y, Yu H. A deep learning-based system for bile duct annotation and station recognition in linear endoscopic ultrasound. EBioMedicine. 2021 Mar;65:103238. doi: 10.1016/j.ebiom.2021.103238. Epub 2021 Feb 24. Erratum in: EBioMedicine. 2021 Nov;73:103650.
- Tonozuka R, Mukai S, Itoi T. The Role of Artificial Intelligence in Endoscopic Ultrasound for Pancreatic Disorders. Diagnostics (Basel). 2020 Dec 24;11(1). pii: E18. doi: 10.3390/diagnostics11010018. Review.
- Marya NB, Powers PD, Chari ST, Gleeson FC, Leggett CL, Abu Dayyeh BK, Chandrasekhara V, Iyer PG, Majumder S, Pearson RK, Petersen BT, Rajan E, Sawas T, Storm AC, Vege SS, Chen S, Long Z, Hough DM, Mara K, Levy MJ. Utilisation of artificial intelligence for the development of an EUS-convolutional neural network model trained to enhance the diagnosis of autoimmune pancreatitis. Gut. 2021 Jul;70(7):1335-1344. doi: 10.1136/gutjnl-2020-322821. Epub 2020 Oct 7.
- Minoda Y, Ihara E, Komori K, Ogino H, Otsuka Y, Chinen T, Tsuda Y, Ando K, Yamamoto H, Ogawa Y. Efficacy of endoscopic ultrasound with artificial intelligence for the diagnosis of gastrointestinal stromal tumors. J Gastroenterol. 2020 Dec;55(12):1119-1126. doi: 10.1007/s00535-020-01725-4. Epub 2020 Sep 11.
- Cazacu IM, Udristoiu A, Gruionu LG, Iacob A, Gruionu G, Saftoiu A. Artificial intelligence in pancreatic cancer: Toward precision diagnosis. Endosc Ultrasound. 2019 Nov-Dec;8(6):357-359. doi: 10.4103/eus.eus_76_19.
Termíny studijních záznamů
Hlavní termíny studia
Začátek studia (Aktuální)
Primární dokončení (Očekávaný)
Dokončení studie (Očekávaný)
Termíny zápisu do studia
První předloženo
První předloženo, které splnilo kritéria kontroly kvality
První zveřejněno (Aktuální)
Aktualizace studijních záznamů
Poslední zveřejněná aktualizace (Aktuální)
Odeslaná poslední aktualizace, která splnila kritéria kontroly kvality
Naposledy ověřeno
Více informací
Termíny související s touto studií
Klíčová slova
Další relevantní podmínky MeSH
Další identifikační čísla studie
- IECED-26112021
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
produkt vyrobený a vyvážený z USA
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 .