En randomiseret kontrolleret multicenterundersøgelse af kunstig intelligens assisteret fordøjelsesendoskopi
20. oktober 2019 opdateret af: Second Affiliated Hospital, School of Medicine, Zhejiang University
Fordøjelsesendoskopicenter på det andet tilknyttede hospital ved Medical College ved Zhejiang University og ingeniører fra Naki Medical Co., Ltd. i Hong Kong udviklede selvstændigt en ai-assisteret diagnostisk model for fordøjelsesendoskopi i det tidlige stadie, nemlig den dybe læringsmodel. Den dybe læringsmodel gennem den tidlige fase af undersøgelsen er i stand til at identificere læsioner i fordøjelseskanalen. Følsomheden for diagnose af nogle sygdomme, såsom colon polypper, er 99%.
På den ene side kan denne hjælpediagnostiske model vejlede endoskopisk undersøgelse for begyndere; på den anden side kan det forbedre detektionshastigheden af læsioner og reducere antallet af ubesvarede diagnoser; på den anden side er den overordnede driftseffektivitet af det endoskopiske center forbedret, hvilket er befordrende for kvalitetskontrollen af endoskopisk undersøgelse.
Nu er den AI-assisterede diagnostiske model blevet yderligere forbedret, og det er planen at udføre yderligere klinisk verifikation i fordøjelsesendoskopicentret på vores hospital.
Det er forbundet med det endoskopiske system på vores hospital og bruges samtidigt med det eksisterende billed-tekst system for endoskopi for at sammenligne praktiske, følsomme og specificiteter af AI-assisteret diagnosemodel i diagnosticering af sygdomme i fordøjelseskanalen og fokusere på kvalitetskontrol ved endoskopisk undersøgelse.
Studieoversigt
Status
Ukendt
Betingelser
Intervention / Behandling
Detaljeret beskrivelse
Fordøjelsesendoskopicenter på det andet tilknyttede hospital ved Medical College ved Zhejiang University og ingeniører fra Naki Medical Co., Ltd. i Hong Kong udviklede selvstændigt en ai-assisteret diagnostisk model for fordøjelsesendoskopi i det tidlige stadie, nemlig den dybe læringsmodel. Den dybe læringsmodel gennem den tidlige fase af undersøgelsen er i stand til at identificere læsioner af tyktarmspolypper, kolorektal cancer, kolorektal apofyse læsioner, colon divertikel, ulcerativ colitis, mavesår, mavepolypper, submucosal løft, refluks esophagitis, esophageal ulcus, esophageal polyp, esophageal erosion, esophageal ektopisk gastrisk slimhinde og esophagal cancer, esophagus esophagal, etc. . Følsomheden for diagnose af nogle sygdomme, såsom colon polypper, er 99%.
På den ene side kan denne hjælpediagnostiske model vejlede endoskopisk undersøgelse for begyndere; på den anden side kan det forbedre detektionshastigheden af læsioner og reducere antallet af ubesvarede diagnoser; på den anden side er den overordnede driftseffektivitet af det endoskopiske center forbedret, hvilket er befordrende for kvalitetskontrollen af endoskopisk undersøgelse.
Nu er den AI-assisterede diagnostiske model blevet yderligere forbedret, og det er planen at udføre yderligere klinisk verifikation i fordøjelsesendoskopicentret på vores hospital.
Det er forbundet med det endoskopiske system på vores hospital og bruges samtidigt med det eksisterende billed-tekst system for endoskopi for at sammenligne praktiske, følsomme og specificiteter af AI-assisteret diagnosemodel i diagnosticering af sygdomme i fordøjelseskanalen og fokusere på kvalitetskontrol ved endoskopisk undersøgelse.
Undersøgelsestype
Observationel
Tilmelding (Forventet)
3600
Kontakter og lokationer
Dette afsnit indeholder kontaktoplysninger for dem, der udfører undersøgelsen, og oplysninger om, hvor denne undersøgelse udføres.
Studiesteder
-
-
Zhejiang
-
Hangzhou, Zhejiang, Kina, 310000
- Rekruttering
- Cai J Ting
-
Kontakt:
- Cai J Ting
- Telefonnummer: 15267019902 15267019902
- E-mail: 1173920428@qq.com
-
-
Deltagelseskriterier
Forskere leder efter personer, der passer til en bestemt beskrivelse, kaldet berettigelseskriterier. Nogle eksempler på disse kriterier er en persons generelle helbredstilstand eller tidligere behandlinger.
Berettigelseskriterier
Aldre berettiget til at studere
18 år og ældre (Voksen, Ældre voksen)
Tager imod sunde frivillige
Ingen
Køn, der er berettiget til at studere
Alle
Prøveudtagningsmetode
Sandsynlighedsprøve
Studiebefolkning
Patienter, der har gennemgået smertefri gastroenteroskopi på endoskopicentret fra september 2019 til august 2021
Beskrivelse
Inklusionskriterier:
- Underskriv frivilligt det informerede samtykke til denne undersøgelse
- Stabile vitale tegn
- Over 18 år gammel
- Patienter, der har behov for smertefri gastroenteroskopi af forskellige årsager
Ekskluderingskriterier:
- Ude af stand til eller villig til at underskrive en samtykkeerklæring, eller ude af stand til at følge forskningsprocedurer
- har kontraindikationer til smertefri gastroenteroskopi
- Vitale tegn er ustabile
- Læsionerne er identificeret ved gastroenteroskopi på andre hospitaler, hvilket yderligere skal bekræfte de patienter, der kommer til vores hospital til endoskopisk undersøgelse
- Endoskopisk behandling, såsom polypektomi, pylorus smal dilatation og så videre
Studieplan
Dette afsnit indeholder detaljer om studieplanen, herunder hvordan undersøgelsen er designet, og hvad undersøgelsen måler.
Hvordan er undersøgelsen tilrettelagt?
Design detaljer
Kohorter og interventioner
Gruppe / kohorte |
Intervention / Behandling |
|---|---|
|
A: Model A
Tilstand A var lydløs tilstand, ryg mod ryg med endoskopiske læger til samtidig at vise endoskopiske billeder og optage video, men forstyrrede ikke driften af endoskopiske læger. Efter operationen genererer AI-modellen automatisk en endoskopirapport, som sammenlignes med den officielle rapport afgivet af endoskopilægen i endoskopisystemet.
Hvis forskellen er stor, skal videoverifikation afspilles med det samme, eller endoskopisk undersøgelse skal udføres igen, før patienten vågner
|
Når AI-modellen alarmerer, skal du kontrollere omhyggeligt for at bekræfte læsionen
|
|
B: Model B
Mode B er en forsinket påmindelsestilstand.
Hvis læsionen konstateres under operationen, skal den flyttes til midten af synsfeltet inden for 5 sekunder.
Hvis læsionen er blevet opdaget af AI-modellen (læsionen er cirklet ind på billedet), men lægen ikke flytter læsionen til midten af synsfeltet inden for 5 sekunder, vil AI-systemet give en alarmprompt
|
Når AI-modellen alarmerer, skal du kontrollere omhyggeligt for at bekræfte læsionen
|
|
C: Model C
Mode C er en realtidspåmindelsestilstand, som er en alarmmeddelelse, når fokus fanges i synsfeltet.
|
Når AI-modellen alarmerer, skal du kontrollere omhyggeligt for at bekræfte læsionen
|
Hvad måler undersøgelsen?
Primære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
Ændringer i detektionshastigheden af læsioner i fordøjelseskanalen assisteret af kunstig intelligens gastroenteroskopi
Tidsramme: 2 år
|
Endoskopisk undersøgelse har en høj afhængighed af endoskopers kliniske erfaring og status, og kvaliteten af endoskopisk undersøgelse af endoskopister kan reduceres ved højt belastet arbejde og problemer som ufuldstændig dækning af undersøgelsesstedet, ufuldstændig påvisning af læsioner og ufuldstændig billedopsamling er lette at opstå.
Kunstig intelligens har ikke denne svaghed.
Det reducerer ikke dets evne til at arbejde over en længere periode, og dets bistand forventes at forbedre detektionshastigheden af læsioner
|
2 år
|
|
Nøjagtigheden af AI-assisteret diagnostisk model, der evaluerer tarmens beredskabsscore
Tidsramme: 2 år
|
Kvaliteten af tarmforberedelse bestemmer kvaliteten af koloskopi, som evalueres af endoskopister gennem Boston-score.
Den ai-assisterede diagnostiske model kan også bedømmes automatisk. Boston tarm-score bruges til at bestemme, om tarmen er tilstrækkeligt forberedt.
Boston tarm-score er opdelt i 4 grader (0~3 point) fra dårligste til reneste.
Jo højere scoren er, jo bedre er tarmen forberedt og mere befordrende for koloskopi.
|
2 år
|
Samarbejdspartnere og efterforskere
Det er her, du vil finde personer og organisationer, der er involveret i denne undersøgelse.
Efterforskere
- Studieleder: Cai J Ting, Dr, Second affiliated hospital of school of medicine, zhejiang university
Datoer for undersøgelser
Disse datoer sporer fremskridtene for indsendelser af undersøgelsesrekord og resumeresultater til ClinicalTrials.gov. Studieregistreringer og rapporterede resultater gennemgås af National Library of Medicine (NLM) for at sikre, at de opfylder specifikke kvalitetskontrolstandarder, før de offentliggøres på den offentlige hjemmeside.
Studer store datoer
Studiestart (Faktiske)
1. august 2019
Primær færdiggørelse (Forventet)
1. august 2021
Studieafslutning (Forventet)
30. december 2021
Datoer for studieregistrering
Først indsendt
26. august 2019
Først indsendt, der opfyldte QC-kriterier
26. august 2019
Først opslået (Faktiske)
28. august 2019
Opdateringer af undersøgelsesjournaler
Sidste opdatering sendt (Faktiske)
22. oktober 2019
Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier
20. oktober 2019
Sidst verificeret
1. august 2019
Mere information
Begreber relateret til denne undersøgelse
Andre undersøgelses-id-numre
- 研2019-262
Plan for individuelle deltagerdata (IPD)
Planlægger du at dele individuelle deltagerdata (IPD)?
INGEN
IPD-planbeskrivelse
IPD'en deles ikke med andre
Lægemiddel- og udstyrsoplysninger, undersøgelsesdokumenter
Studerer et amerikansk FDA-reguleret lægemiddelprodukt
Ingen
Studerer et amerikansk FDA-reguleret enhedsprodukt
Ingen
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 .