Endoskopisk ultralyd (EUS) kunstig intelligensmodel til vurdering af normale mediastinale og abdominale forsnævringer
10. december 2021 opdateret af: Instituto Ecuatoriano de Enfermedades Digestivas
Endoskopisk ultralyd (EUS) vurdering af normale mediastinale og abdominale organ/anatomiske forsnævringer ved hjælp af en ny udviklet kunstig intelligensmodel
Derfor er et stort antal procedurer nødvendige for at opnå EUS-kompetence, men interobservatøraftalen varierer stadig meget.
Kunstig intelligens (AI) støttet genkendelse af anatomiske strukturer kan forbedre træningsprocessen og aftalen mellem observatørerne.
Robles-Medranda et al. udviklet en AI-model, der genkender normale anatomiske strukturer under lineære og radiale EUS-evalueringer.
Vi stræber efter at designe en ekstern validering af vores udviklede AI-model, idet vi betragter en endoskopekspert som guldstandarden.
Studieoversigt
Status
Rekruttering
Betingelser
Intervention / Behandling
- Diagnostisk test: Identifikation eller udledningsvisualisering af mediastinale og abdominale organ/anatomiske forsnævringer gennem endoskopisk ultralyd (EUS) videoer af en ekspert endoskopist
- Diagnostisk test: Genkendelse af mediastinale og abdominale organ/anatomiske forsnævringer gennem endoskopisk ultralyd (EUS) videoer ved hjælp af kunstig intelligens (AI)
Detaljeret beskrivelse
Endoskopisk ultralyd (EUS) er en højtuddannet procedure med et begrænset antal faciliteter til rådighed for træning. Derfor er et stort antal procedurer nødvendige for at opnå kompetence. Men aftalen mellem observatører varierer meget. Kunstig intelligens (AI) støttet genkendelse og karakterisering af anatomiske strukturer kan forbedre træningsprocessen og samtidig forbedre overensstemmelsen mellem observatører. Imidlertid er udviklede EUS-AI-modeller blevet eksplicit trænet eller kun med sygdomsprøver eller til at påvise abdominale anatomiske træk.
På andre områder som strålingsonkologi er udviklede AI-modeller blevet brugt i vid udstrækning. De skal genkende i forening sunde og sygdomsforsnævringer i alle dele af den menneskelige krop under kontureringen. Det undgår unødvendig bestråling af normalt væv. EUS-AI-modeller, der ikke er trænet med sunde prøver, kan forårsage en stigning i falsk-positive tilfælde under praksis i det virkelige liv. Det indebærer potentiel overdiagnosticering af unormale/sygdomsforsnævringer. EUS-AI-modeller er ikke trænet med prøver udenfor
Ved hjælp af en automatiseret maskinlæringssoftware, Robles-Medranda et al. har tidligere udviklet en convolutional neuronal networks (CNN) AI-model, der genkender de anatomiske strukturer under lineære og radiale EUS-evalueringer (AI Works, MD Consulting group, Ecuador). Så vidt vi ved, er denne EUS-AI-model den første trænet med EUS-videoer fra patienter uden patologier og dermed med normale mediastinale og abdominale organ/anatomiske forsnævringer. I denne anden fase stræber vi efter at designe en ekstern validering af vores udviklede AI-model, idet vi betragter en endoskopekspert som guldstandarden.
Undersøgelsestype
Observationel
Tilmelding (Forventet)
60
Kontakter og lokationer
Dette afsnit indeholder kontaktoplysninger for dem, der udfører undersøgelsen, og oplysninger om, hvor denne undersøgelse udføres.
Studiekontakt
- Navn: Carlos Robles-Medranda
- Telefonnummer: +59342109180
- E-mail: carlosoakm@yahoo.es
Studiesteder
-
-
Guayas
-
Guayaquil, Guayas, Ecuador, 090505
- Rekruttering
- Ecuadorian Institute of Digestive Diseases
-
Kontakt:
- Carlos A Robles-Medranda, MD
- Telefonnummer: +593989158865
- E-mail: carlosoakm@yahoo.es
-
Ledende efterforsker:
- Carlos Robles-Medranda, MD FASGE
-
Underforsker:
- Martha Arevalo-Mora, MD
-
Underforsker:
- Daniel Calle, MD MSc
-
Underforsker:
- Miguel Puga-Tejada, MD MSc
-
Underforsker:
- Raquel Del Valle Zavala, MD
-
Underforsker:
- Juan Alcivar-Vasquez, MD Msc
-
-
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 til 79 år (Voksen, Ældre voksen)
Tager imod sunde frivillige
Ingen
Køn, der er berettiget til at studere
Alle
Prøveudtagningsmetode
Sandsynlighedsprøve
Studiebefolkning
Voksne patienter med normale mediastinale og abdominale organ/anatomiske forsnævringer efter billeddiagnostik og EUS vurdering på grund af kronisk dyspepsi.
Beskrivelse
Inklusionskriterier:
- Patienter uden anamnese med thorax og abdominale abnormiteter bekræftet gennem en billeddiagnostisk test, der blev anmodet om til sundhedsmæssige formål inden for de sidste tolv måneder (f.eks. thorax røntgen og abdominal ultralyd eller thorax og abdominal CT)
- Patienter, der gennemgår EUS vurdering på grund af kronisk dyspepsi.
Ekskluderingskriterier:
- Morfologisk ændring på mindst ét mediastinalt og abdominalt organ/anatomiske forsnævringer dokumenteret gennem enhver billeddiagnostisk test eller EUS.
- Ukontrolleret koagulopati, nyre-/leversvigt eller enhver comorbiditet med en meningsfuld indvirkning på kardiel risikovurdering (NHYA III/IV);
- Nægt at deltage i undersøgelsen eller at underskrive tilsvarende informeret samtykke.
Studieplan
Dette afsnit indeholder detaljer om studieplanen, herunder hvordan undersøgelsen er designet, og hvad undersøgelsen måler.
Hvordan er undersøgelsen tilrettelagt?
Design detaljer
- Observationsmodeller: Kun etui
- Tidsperspektiver: Tværsnit
Kohorter og interventioner
Gruppe / kohorte |
Intervention / Behandling |
|---|---|
|
Patienter med normale mediastinale og abdominale organ/anatomiske forsnævringer
Voksne patienter med normale mediastinale og abdominale organ/anatomiske forsnævringer efter billeddiagnostik og EUS vurdering på grund af kronisk dyspepsi.
|
En ekspert endoskopist vil vælge et datasæt af mediastinale og abdominale EUS-videoer (én pr. patient).
En ekspert endoskopist vil identificere eller udlede visualisering af følgende organer korrekt: aorta, hvirvelsøjlen, aortabuen, luftrøret, AP-vindue, venstre nyre, lever, milt, bugspytkirtellegeme, bugspytkirtelhale, cøliaki, miltarterie, miltvene, inferior vena cava, binyre, højre nyre, galdeblære, almindelig galdegang, ampulla af Vater, portvenen.
Ved at bruge det samme tidligere datasæt af mediastinale og abdominale EUS-videoer vil EUS-AI-modellen genkende følgende organer: aorta, hvirvelsøjle, aortabue, luftrør, AP-vindue, venstre nyre, lever, milt, bugspytkirtel, bugspytkirtelhale, cøliaki stamme, miltarterie, miltvene, inferior vena cava, binyre, højre nyre, galdeblære, almindelig galdegang, ampulla af Vater, portvenen.
I betragtning af hver patient (og ikke datarammevideoer) som undersøgelsesenheden, vil der blive designet en eventuel tabel for hver mediastinal og abdominal organ/anatomisk forsnævring.
|
Hvad måler undersøgelsen?
Primære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
Samlet nøjagtighed af endoskopisk ultralyd (EUS) kunstig intelligens (AI) model til at identificere normale mediastinale og abdominale organ/anatomiske forsnævringer
Tidsramme: Tre måneder
|
Overordnede nøjagtighedstræk vil blive beregnet: sensitivitet, specificitet, positiv prædiktiv værdi, negativ prædiktiv værdi, diagnostisk nøjagtighed og observeret overensstemmelse. Derudover vil der være defineret følgende sandsynligheder:
|
Tre måneder
|
Samarbejdspartnere og efterforskere
Det er her, du vil finde personer og organisationer, der er involveret i denne undersøgelse.
Efterforskere
- Ledende efterforsker: Carlos Robles-Medranda, Ecuadorian Institute of Digestive Diseases
Publikationer og nyttige links
Den person, der er ansvarlig for at indtaste oplysninger om undersøgelsen, leverer frivilligt disse publikationer. Disse kan handle om alt relateret til undersøgelsen.
Generelle publikationer
- 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.
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. oktober 2021
Primær færdiggørelse (Forventet)
30. marts 2022
Studieafslutning (Forventet)
30. juni 2022
Datoer for studieregistrering
Først indsendt
26. november 2021
Først indsendt, der opfyldte QC-kriterier
8. december 2021
Først opslået (Faktiske)
9. december 2021
Opdateringer af undersøgelsesjournaler
Sidste opdatering sendt (Faktiske)
30. december 2021
Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier
10. december 2021
Sidst verificeret
1. december 2021
Mere information
Begreber relateret til denne undersøgelse
Nøgleord
Yderligere relevante MeSH-vilkår
Andre undersøgelses-id-numre
- IECED-26112021
Plan for individuelle deltagerdata (IPD)
Planlægger du at dele individuelle deltagerdata (IPD)?
Ingen
Lægemiddel- og udstyrsoplysninger, undersøgelsesdokumenter
Studerer et amerikansk FDA-reguleret lægemiddelprodukt
Ingen
Studerer et amerikansk FDA-reguleret enhedsprodukt
Ingen
produkt fremstillet i og eksporteret fra U.S.A.
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 .