Kunstig intelligens og tarmrensningskvalitet (CALPER2)

Patientens opfattelse af den sidste afføring før koloskopien har vist sig at være en stærk forudsigelse for tarmrensning vurderet under koloskopi. En stor undersøgelse, der involverede 1011 patienter fordelt i en afledningskohorte (633 patienter) og en valideringskohorte (378 patienter) ved brug af et sæt på 4 billeder, der lignede tarmrensningskvaliteter, viste en moderat overensstemmelse med BBPS. Derudover blev der fundet en god overensstemmelse, når personaleopfattelsen og patientopfattelsen af ​​den sidste afføring blev sammenlignet. Disse fund giver en glimrende mulighed for at teste redningsudrensningsinterventioner samme dag som undersøgelsen, før koloskopi.

I løbet af de sidste to år har kunstig intelligens applikationer skabt et væsentligt gennembrud inden for flere discipliner, herunder endoskopi. Machine learning og dens mere avancerede form deep learning refererer til udviklingen af ​​algoritmer (convolutional neurale netværk) med evnen til at lære og udføre visse opgaver. I endoskopi-miljøet er computersynsapplikationer blevet angivet som forskningsprioritetsområde. Baseret på al denne erfaring var formålet med denne undersøgelse at designe og validere et foldet neuralt netværk, der er i stand til automatisk at forudsige kvaliteten af ​​patientens udrensning derhjemme efter indtagelse af tarmrensningsopløsningen og før deltagelse i koloskopi. Det andet mål var prospektivt at vurdere i en kohorte af patienter overensstemmelsen mellem resultatet af den sidste rektale effluentkvalitet vurderet af det konvolutionelle neurale netværk og rensekvaliteten vurderet under koloskopien vurderet ved en valideret skala (Boston Bowel Preparation Scale, BBPS) Denne undersøgelse er indlejret i en observationel prospektiv undersøgelse udført på Open Access Endoscopy Unit på Hospital Universitario de Canarias mellem februar 2021 og maj 2021 (NCT04702646). I alt 633 konsekutive ambulante patienter med en planlagt koloskopi deltog i denne undersøgelse (i alt 266 patienter (42%) sendte mindst ét ​​billede). Efter denne undersøgelse blev patienter, hos hvem der blev anmodet om en ambulant koloskopi, bedt om at give billeder af deres spildevand under tarmforberedelsesindtagelse. En undergruppe af disse billeder vil blive klassificeret af personalet i vores enhed i tilstrækkelig og utilstrækkelig og vil blive brugt til at træne det konvolutionelle neurale netværk. Et andet sæt billeder vil blive brugt til at validere det konvolutionelle neurale netværk. Derudover vil efterforskerne validere in vivo det foldede neurale netværk ved at sammenligne dets klassificering af spildevandskvaliteten med en valideret kolonrensningsskala under koloskopien.