Vývoj a validace diagnostických modelů založených na CT s využitím umělé inteligence pro detekci obstrukce tenkého střeva (SMARTLOOP2)
Obstrukce tenkého střeva (SBO) je běžnou netraumatickou chirurgickou pohotovostí. Všechna doporučení doporučují počítačovou tomografii (CT) jako zobrazovací test první linie u pacientů s podezřením na SBO. Cíle CT jsou četné: (i) potvrdit nebo vyvrátit diagnózu GI obstrukce, definované jako distenze trávicího traktu větší než 25 mm, a pokud je přítomen SBO, (ii) potvrdit mechanismus (mechanický vs. funkční), (iii) lokalizovat místo obstrukce, tj. přechodovou zónu (TZ), (iv) identifikovat příčinu a (v) hledat komplikace, jako je uškrcení nebo perforace, ovlivňující léčbu.
Vzhledem k exponenciálnímu nárůstu počtu prováděných skenů, zejména v nastavení nouzového managementu, by byly užitečné metody, které by radiologovi pomohly:
- Třídit provedené skeny, což umožňuje upřednostnit analýzu skenů s vyšší pravděpodobností patologie (v našem případě okluze)
- Pomozte radiologovi diagnostikovat okluzi a její typ (funkční nebo mechanický) a identifikovat známky závažnosti.
- Pomoci pohotovostnímu lékaři a zažívacímu chirurgovi rozhodnout o léčbě onemocnění (chirurgické nebo lékařské).
Strojové učení se v posledních desetiletích rychle rozvíjelo, nejprve díky nárůstu kapacit pro ukládání dat, poté díky příchodu hardwaru pro paralelní zpracování založeného na grafických procesorových jednotkách v kontextu radiologické diagnostické pomoci. V důsledku toho se počet studií o hlubokých neuronových sítích v lékařském zobrazování rychle zvyšuje. Jen málo týmů se však zaměřuje na SBO. Jediné publikované klasifikační modely byly vytvořeny pro standardní rentgenové snímky břicha. Žádné studie nepoužívaly CT nebo 3D modely, kromě naší předběžné studie o ZT, a to navzdory uznávaným výhodám CT pro diagnostiku SBO a pravděpodobnému příspěvku 3D modelů, které mohou být srovnatelné s multiplanární rekonstrukcí pro analýzu snímků. ve více rovinách vesmíru.
Přehled studie
Postavení
Podmínky
Typ studie
Zápis (Aktuální)
Kontakty a umístění
Studijní místa
-
-
-
Gif-sur-Yvette, Francie
- Central for Visual Computing - OPIS Inria group
-
Paris, Francie, 75014
- Groupe Hospitalier Paris Saint-Joseph
-
-
Kritéria účasti
Kritéria způsobilosti
Věk způsobilý ke studiu
Přijímá zdravé dobrovolníky
Pohlaví způsobilá ke studiu
Metoda odběru vzorků
Studijní populace
Popis
Kritéria pro zařazení:
- Pacient ve věku ≥ 18 let
- Pacient, který podstoupil CT vyšetření s alespoň jednou abdominální-pánevní akvizicí provedenou v rámci Saint Joseph Hospital Group
- Zpráva obsahující výrazy „okluze“ nebo „okluzivní“, „zvracení“ nebo „ileus“
- Francouzsky mluvící pacient
Kritéria vyloučení:
- Zobrazování není použitelné
- Abdomino-pánevní objem na CT akvizicích
- Pacient v opatrovnictví nebo kurátorství
- Pacient zbaven svobody
- Pacient pod soudní ochranou
- Pacient má námitky proti použití jeho dat pro tento výzkum
Studijní plán
Jak je studie koncipována?
Detaily designu
- Observační modely: Kohorta
- Časové perspektivy: Retrospektivní
Co je měření studie?
Primární výstupní opatření
Měření výsledku |
Popis opatření |
Časové okno |
|---|---|---|
|
Automatická detekce trávicích uzávěrů
Časové okno: Rok 1
|
Tento výsledek odpovídá schopnosti modelu identifikovat přítomnost nebo nepřítomnost okluze: citlivost, specificita a prediktivní hodnoty.
|
Rok 1
|
Sekundární výstupní opatření
Měření výsledku |
Popis opatření |
Časové okno |
|---|---|---|
|
Automatická diferenciace funkčních vs. mechanických okluzí
Časové okno: Rok 1
|
Tento výsledek odpovídá detekci funkčních vs. mechanických okluzí.
|
Rok 1
|
|
Algoritmus pro chirurgickou indikaci
Časové okno: Rok 1
|
Tento výsledek odpovídá výkonnosti klinicko-radio-biologického algoritmu pro predikci operace.
|
Rok 1
|
|
Analýza styčných zón pomocí radiomiky
Časové okno: Rok 1
|
Tento výsledek odpovídá radiomikové analýze spojovacích zón mechanických trávicích okluzí (spojovací zóny jsou zóny, kde se nachází přechod dilatace-plochý, tedy zóna, kde se nachází překážka):
|
Rok 1
|
|
Automatická detekce oblastí křižovatky
Časové okno: Rok 1
|
Tento výsledek odpovídá výkonu automatické detekce při identifikaci spojovacích zón mechanických trávicích obstrukcí.
|
Rok 1
|
Spolupracovníci a vyšetřovatelé
Vyšetřovatelé
- Vrchní vyšetřovatel: Quentin Vanderbecq, MD, Groupe Hospitalier Paris Saint Joseph
Publikace a užitečné odkazy
Obecné publikace
- Ten Broek RPG, Krielen P, Di Saverio S, Coccolini F, Biffl WL, Ansaloni L, Velmahos GC, Sartelli M, Fraga GP, Kelly MD, Moore FA, Peitzman AB, Leppaniemi A, Moore EE, Jeekel J, Kluger Y, Sugrue M, Balogh ZJ, Bendinelli C, Civil I, Coimbra R, De Moya M, Ferrada P, Inaba K, Ivatury R, Latifi R, Kashuk JL, Kirkpatrick AW, Maier R, Rizoli S, Sakakushev B, Scalea T, Soreide K, Weber D, Wani I, Abu-Zidan FM, De'Angelis N, Piscioneri F, Galante JM, Catena F, van Goor H. Bologna guidelines for diagnosis and management of adhesive small bowel obstruction (ASBO): 2017 update of the evidence-based guidelines from the world society of emergency surgery ASBO working group. World J Emerg Surg. 2018 Jun 19;13:24. doi: 10.1186/s13017-018-0185-2. eCollection 2018.
- Expert Panel on Gastrointestinal Imaging, Chang KJ, Marin D, Kim DH, Fowler KJ, Camacho MA, Cash BD, Garcia EM, Hatten BW, Kambadakone AR, Levy AD, Liu PS, Moreno C, Peterson CM, Pietryga JA, Siegel A, Weinstein S, Carucci LR. ACR Appropriateness Criteria(R) Suspected Small-Bowel Obstruction. J Am Coll Radiol. 2020 May;17(5S):S305-S314. doi: 10.1016/j.jacr.2020.01.025.
- Frager D, Medwid SW, Baer JW, Mollinelli B, Friedman M. CT of small-bowel obstruction: value in establishing the diagnosis and determining the degree and cause. AJR Am J Roentgenol. 1994 Jan;162(1):37-41. doi: 10.2214/ajr.162.1.8273686.
- Montagnon E, Cerny M, Cadrin-Chenevert A, Hamilton V, Derennes T, Ilinca A, Vandenbroucke-Menu F, Turcotte S, Kadoury S, Tang A. Deep learning workflow in radiology: a primer. Insights Imaging. 2020 Feb 10;11(1):22. doi: 10.1186/s13244-019-0832-5.
- Cheng PM, Tejura TK, Tran KN, Whang G. Detection of high-grade small bowel obstruction on conventional radiography with convolutional neural networks. Abdom Radiol (NY). 2018 May;43(5):1120-1127. doi: 10.1007/s00261-017-1294-1.
- Kim DH, Wit H, Thurston M, Long M, Maskell GF, Strugnell MJ, Shetty D, Smith IM, Hollings NP. An artificial intelligence deep learning model for identification of small bowel obstruction on plain abdominal radiographs. Br J Radiol. 2021 Jun 1;94(1122):20201407. doi: 10.1259/bjr.20201407. Epub 2021 Apr 27.
- Vanderbecq Q, Ardon R, De Reviers A, Ruppli C, Dallongeville A, Boulay-Coletta I, D'Assignies G, Zins M. Adhesion-related small bowel obstruction: deep learning for automatic transition-zone detection by CT. Insights Imaging. 2022 Jan 24;13(1):13. doi: 10.1186/s13244-021-01150-y.
- Hodel J, Zins M, Desmottes L, Boulay-Coletta I, Julles MC, Nakache JP, Rodallec M. Location of the transition zone in CT of small-bowel obstruction: added value of multiplanar reformations. Abdom Imaging. 2009 Jan-Feb;34(1):35-41. doi: 10.1007/s00261-007-9348-4.
Termíny studijních záznamů
Hlavní termíny studia
Začátek studia (Aktuální)
Primární dokončení (Aktuální)
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
Další relevantní podmínky MeSH
Další identifikační čísla studie
- SMARTLOOP2
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 .