Automatisk evaluering af omfanget af intestinal metaplasi med kunstig intelligens
14. juli 2022 opdateret af: Yanqing Li, Shandong University
Udvikling og validering af et kunstig intelligenssystem til automatisk evaluering af omfanget af intestinal metaplasi
Gastrisk intestinal metaplasi (GIM) er et vigtigt stadium i mavekræft (GC).
Med tekniske fremskridt inden for billedforbedret endoskopi (IEE) har undersøgelser vist, at IEE har høj nøjagtighed til diagnosticering af GIM.
Det endoskopiske graderingssystem (EGGIM), et nyt endoskopisk risikoscoringssystem for GC, har vist sig nøjagtigt at identificere en lang række patienter med GIM.
Den høje diagnostiske nøjagtighed af GIM ved hjælp af IEE- og EGGIM-vurderinger, der udføres, kræver dog alle stor erfaring, hvilket begrænser anvendelsen af EGGIM.
Efterforskerne sigter mod at designe et computerstøttet diagnoseprogram ved hjælp af dybe neurale netværk til automatisk at evaluere omfanget af IM og beregne EGGIM-scorerne.
Studieoversigt
Status
Rekruttering
Detaljeret beskrivelse
Globalt er mavekræft den femte mest udbredte malignitet og den tredje hyppigste årsag til kræftdødelighed.
Gastrisk intestinal metaplasi (GIM) er en intermediær præcancerøs gastrisk læsion i mavekræftkaskaden.
Undersøgelser har vist, at den 5-årige kumulative forekomst af gastrisk cancer hos IM-patienter varierer fra 5,3 % til 9,8 %.
Med tekniske fremskridt inden for billedforbedret endoskopi (IEE) har undersøgelser vist, at IEE har høj nøjagtighed til diagnosticering af GIM.
Det endoskopiske graderingssystem (EGGIM), et nyt endoskopisk risikoscoringssystem for GC, har vist sig nøjagtigt at identificere en lang række patienter med GIM.
Den høje diagnostiske nøjagtighed af GIM ved hjælp af IEE- og EGGIM-vurderinger, der udføres, kræver dog alle megen erfaring, hvilket begrænser anvendelsen af EGGIM.
Efterforskerne sigter mod at designe et computerstøttet diagnoseprogram ved hjælp af dybe neurale netværk til automatisk at evaluere omfanget af IM og beregne EGGIM-scorerne.
Undersøgelsestype
Observationel
Tilmelding (Forventet)
600
Kontakter og lokationer
Dette afsnit indeholder kontaktoplysninger for dem, der udfører undersøgelsen, og oplysninger om, hvor denne undersøgelse udføres.
Studiesteder
-
-
Shandong
-
Jinan, Shandong, Kina, 250012
- Rekruttering
- Department of Gastrology, QiLu Hospital, Shandong University
-
-
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 80 år (Voksen, Ældre voksen)
Tager imod sunde frivillige
Ingen
Køn, der er berettiget til at studere
Alle
Prøveudtagningsmetode
Ikke-sandsynlighedsprøve
Studiebefolkning
På hinanden følgende patienter, der modtager IEE-undersøgelsen og screenet, der opfylder berettigelseskriterierne på Qilu Hospital, Shandong University, vil blive tilmeldt undersøgelsen
Beskrivelse
Inklusionskriterier:
- patienter i alderen 18-80 år, der gennemgår IEE-undersøgelsen
Ekskluderingskriterier:
- patienter med alvorlig hjerte-, cerebral, lunge- eller nyredysfunktion eller psykiatriske lidelser, som ikke kan deltage i gastroskopi
- patienter med tidligere kirurgiske indgreb på maven
- patienter, der nægter at underskrive samtykkeerklæringen
Studieplan
Dette afsnit indeholder detaljer om studieplanen, herunder hvordan undersøgelsen er designet, og hvad undersøgelsen måler.
Hvordan er undersøgelsen tilrettelagt?
Design detaljer
- Observationsmodeller: Andet
- Tidsperspektiver: Tilbagevirkende kraft
Kohorter og interventioner
Gruppe / kohorte |
|---|
|
gruppe til træning af algoritmen
Denne gruppe billeder bruges til at træne algoritmen for den kunstige intelligens
|
|
gruppe til test af algoritmen
Denne gruppe billeder bruges til at teste algoritmen for den kunstige intelligens
|
Hvad måler undersøgelsen?
Primære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
Specificiteten af AI-model til at vurdere graden af intestinal metaplasi i et endoskopisk billede
Tidsramme: 2 år
|
Specificiteten af AI-model til at vurdere graden af intestinal metaplasi i et endoskopisk billede
|
2 år
|
|
Nøjagtigheden af AI-model til at vurdere graden af intestinal metaplasi i et endoskopisk billede
Tidsramme: 2 år
|
Nøjagtigheden af AI-model til at vurdere graden af intestinal metaplasi i et endoskopisk billede
|
2 år
|
|
Følsomheden af AI-model til at vurdere graden af intestinal metaplasi i et endoskopisk billede
Tidsramme: 2 år
|
Følsomheden af AI-modellen til at vurdere graden af intestinal metaplasi i en
|
2 år
|
Sekundære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
Nøjagtighed af de erfarne endoskopister til at vurdere graden af intestinal metaplasi
Tidsramme: 2 år
|
Nøjagtighed af de erfarne endoskopister til at vurdere graden af intestinal metaplasi i et endoskopisk billede
|
2 år
|
|
Nøjagtighed af de uerfarne endoskopister til at vurdere graden af intestinal metaplasi
Tidsramme: 2 år
|
Nøjagtighed af de uerfarne endoskopister til at vurdere graden af intestinal metaplasi i et endoskopisk billede
|
2 år
|
|
Enighed mellem observatører blandt erfarne endoskopister i identifikation af graden af intestinal metaplasi
Tidsramme: 2 år
|
Inter-observatør-enighed blandt erfarne endoskopister om at identificere graden af intestinal metaplasi i et endoskopisk billede
|
2 år
|
|
Inter-observatør-enighed blandt uerfarne endoskopister om at identificere graden af intestinal metaplasi
Tidsramme: 2 år
|
Inter-observatør-enighed blandt uerfarne endoskoper om at identificere graden af intestinal metaplasi i et endoskopisk billede
|
2 år
|
Samarbejdspartnere og efterforskere
Det er her, du vil finde personer og organisationer, der er involveret i denne undersøgelse.
Sponsor
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. juli 2022
Primær færdiggørelse (Forventet)
30. december 2023
Studieafslutning (Forventet)
30. december 2023
Datoer for studieregistrering
Først indsendt
8. juli 2022
Først indsendt, der opfyldte QC-kriterier
14. juli 2022
Først opslået (Faktiske)
15. juli 2022
Opdateringer af undersøgelsesjournaler
Sidste opdatering sendt (Faktiske)
15. juli 2022
Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier
14. juli 2022
Sidst verificeret
1. juli 2022
Mere information
Begreber relateret til denne undersøgelse
Yderligere relevante MeSH-vilkår
Andre undersøgelses-id-numre
- 2022SDU-QILU-109
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
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 .