Identifikation af kunstig intelligens vs endoskopist i EUS normal anatomi
Sammenlignende evaluering af kunstig intelligens og endoskopisters nøjagtighed i endoskopisk ultralyd til identifikation af normale anatomiske strukturer: En multi-institutionel, tværsnitsundersøgelse
Endoskopisk ultralyd (EUS) visuel indtryk er operatørafhængig og kan hindre diagnostisk nøjagtighed, især hos mindre erfarne endoskopister. Implementeringen af kunstig intelligens kan potentielt mindske operatørens afhængighed og fortolkningsvariabilitet, hjælpe eller forbedre den overordnede nøjagtighed.
Efterforskerne sigter derfor mod at sammenligne diagnostisk nøjagtighed mellem kunstig intelligens (AI)-baseret model og endoskoperne, når de identificerer normale anatomiske strukturer i EUS-procedurer.
Studieoversigt
Status
Status
Betingelser
Betingelser
Intervention / Behandling
Intervention / Behandling
Detaljeret beskrivelse
EUS er en operatørafhængig procedure, hvor nøjagtigheden afhænger af erfaring og færdigheder. I dag kan EUS-træning opnås ved en formel fellowship-uddannelse i et center i 6-24 måneder eller en uformel træning gennem didaktiske sessioner med en kort praktisk erfaring. Parametre for en korrekt og fuldstændig læringsoplevelsesmåling mangler dog endnu at blive defineret. Implementeringen af kunstig intelligens på EUS kan potentielt mindske den operatørafhængige variabel og forbedre diagnostisk nøjagtighed.
Derfor påvisning af normale anatomiske strukturer på separat basis ved hjælp af en AI-baseret model, eksperter og ikke-eksperter endoskopister for at bestemme, hvor AI ville være mest nyttig.
Efterforskerne sigter mod at sammenligne den diagnostiske nøjagtighed af den AI-baserede model med endoskopernes identifikation af normale anatomiske strukturer i EUS-procedurer.
Undersøgelsestype
Undersøgelsestype
Tilmelding (Faktiske)
Tilmelding
Kontakter og lokationer
Studiesteder
-
-
Guayas
-
Guayaquil, Guayas, Ecuador, 090505
- IECED
-
-
Deltagelseskriterier
Berettigelseskriterier
Berettigelseskriterier
Aldre berettiget til at studere
- Voksen
- Ældre voksen
Tager imod sunde frivillige
Prøveudtagningsmetode
Studiebefolkning
Beskrivelse
Inklusionskriterier:
- Erfarne gastrointestinale EUS-endoskopister.
- Ikke-ekspert gastrointestinale endoskopister uddannelse til EUS.
- Patienter med kronisk dyspepsi uden andre fund.
- Patienter med tidligere CT-billeder eller øvre fordøjelsesendoskopi rapporterer ingen andre fund.
- Patienter, der kræver EUS til overvågning på grund af familiehistorie med kræft i bugspytkirtlen uden fund på MR.
Ekskluderingskriterier:
- Internetforbindelse mindre end 100 MBs pr. sekund.
- Patienter med unormale strukturer eller med synlige læsioner.
Studieplan
Hvordan er undersøgelsen tilrettelagt?
Design detaljer
Antal grupper/kohorter
Kohorter og interventioner
Gruppe / kohorteGruppe / kohorte |
Intervention / BehandlingIntervention / Behandling |
|---|---|
|
AI-baseret model
AIWorks-EUS Convolutional Neural Network version 2 (CNNv2) (mdconsgroup, Guayaquil, Ecuador) anvendt på forudindspillede videoer til påvisning af normale anatomiske strukturer.
|
Forudindspillede videoer, beskåret i henhold til de forskellige vinduer (mediastinalt, gastrisk, duodenalt) vil blive analyseret af AIWorks-EUS-modellen og endoskopister på forskellige tidspunkter for at genkende de forskellige normale anatomiske strukturer.
|
|
Erfarne endoskopister
Endoskopister med >190 EUS-procedurer pr. år, inklusive 75 pancreatobiliær- og slimhindekræftstadieindgreb hver, 40 subepiteliale tilfælde; og 50 tilfælde af EUS-finnålsaspiration (FNA) (25 af dem er tilfælde af bugspytkirtel); efter anbefalingerne fra American Society for Gastrointestinal Endoscopy (ASGE).
|
Forudindspillede videoer, beskåret i henhold til de forskellige vinduer (mediastinalt, gastrisk, duodenalt) vil blive analyseret af AIWorks-EUS-modellen og endoskopister på forskellige tidspunkter for at genkende de forskellige normale anatomiske strukturer.
|
|
Ikke-ekspert endoskoper
Endoskopister med <190 EUS-procedurer pr. år, inklusive 75 pancreatobiliær- og slimhindekræftstadieindgreb hver, 40 subepiteliale tilfælde; og 50 tilfælde af EUS-FNA (25 af dem er tilfælde af bugspytkirtel); efter anbefalingerne fra American Society for Gastrointestinal Endoscopy (ASGE).
|
Forudindspillede videoer, beskåret i henhold til de forskellige vinduer (mediastinalt, gastrisk, duodenalt) vil blive analyseret af AIWorks-EUS-modellen og endoskopister på forskellige tidspunkter for at genkende de forskellige normale anatomiske strukturer.
|
Hvad måler undersøgelsen?
Primære resultatmål
Primære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
Diagnostisk nøjagtighed
Tidsramme: 5 måneder
|
Den sande positive, sande negative, falsk positive og falsk negative baseret på påvisning af anatomiske strukturer ifølge en ekstern ekspert endoskopist som guldstandard.
|
5 måneder
|
Sekundære resultatmål
Sekundære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
Interobservatør aftale
Tidsramme: 5 måneder
|
Sammenligning af diagnostisk nøjagtighed mellem kunstig intelligens (AI)-baseret model og begge grupper (ekspert og ikke-ekspert endoskopister) ved brug af Fleiss Kappa.
|
5 måneder
|
Samarbejdspartnere og efterforskere
Sponsor
Sponsor
Samarbejdspartnere
Samarbejdspartnere
Efterforskere
Efterforskere
- Ledende efterforsker: Carlos Robles-Medranda, MD FASGE, Instituto Ecuatoriano de Enfermedades Digestivas (IECED)
Publikationer og nyttige links
Generelle publikationer
- 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.
Datoer for undersøgelser
Studer store datoer
Studiestart (Faktiske)
Studiestart
Primær færdiggørelse (Faktiske)
Primær færdiggørelse
Studieafslutning (Faktiske)
Studieafslutning
Datoer for studieregistrering
Først indsendt
Først indsendt
Først indsendt, der opfyldte QC-kriterier
Først indsendt, der opfyldte QC-kriterier
Først opslået (Anslået)
Først opslået
Opdateringer af undersøgelsesjournaler
Sidste opdatering sendt (Anslået)
Sidste opdatering sendt
Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier
Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier
Sidst verificeret
Sidst verificeret
Mere information
Begreber relateret til denne undersøgelse
Nøgleord
Yderligere relevante MeSH-vilkår
Andre undersøgelses-id-numre
Andre undersøgelses-id-numre
- IECED-12345
Plan for individuelle deltagerdata (IPD)
Planlægger du at dele individuelle deltagerdata (IPD)?
Lægemiddel- og udstyrsoplysninger, undersøgelsesdokumenter
Studerer et amerikansk FDA-reguleret lægemiddelprodukt
Studerer et amerikansk FDA-reguleret enhedsprodukt
Disse oplysninger blev hentet direkte fra webstedet clinicaltrials.gov uden ændringer. Hvis du har nogen anmodninger om at ændre, fjerne eller opdatere dine undersøgelsesoplysninger, bedes du kontakte register@clinicaltrials.gov. Så snart en ændring er implementeret på clinicaltrials.gov, vil denne også blive opdateret automatisk på vores hjemmeside .