Denne side blev automatisk oversat, og nøjagtigheden af ​​oversættelsen er ikke garanteret. Der henvises til engelsk version for en kildetekst.

AI hjalp med at diagnosticere faste læsioner i bugspytkirtlen

21. januar 2023 opdateret af: Changhai Hospital

Forbedret dyb læringsmodel til diagnosticering af faste læsioner i bugspytkirtlen gennem multimodale kliniske billeder

Faste læsioner af bugspytkirtlen omfatter hovedsageligt tumor- og ikke-tumorlæsioner. Mere end 90 % af bugspytkirteltumorlæsioner er bugspytkirtelkræft, som er karakteriseret ved høj dødelighed og dårlig prognose og kræver kirurgisk behandling; Ikke-tumorlæsioner i bugspytkirtlen er hovedsageligt inflammatoriske læsioner, som normalt ikke kræver kirurgisk behandling, men kan behandles med lægemidler. De almindelige er kronisk pancreatitis og autoimmun pancreatitis, med en god prognose. Klinisk er differentialdiagnosen mellem dem meget vanskelig. Tværfaglig diagnose og behandling af MDT gør vores forståelse af bugspytkirtelsygdomme stadig mere rig og dybdegående. Fra sygdomsdiagnose til præoperativ evaluering og evaluering af helbredende effekt involverer ikke-invasiv billeddannelse næsten alle forbindelser under MDT-tilstand. I lyset af dette vil en forbedring af differentialdiagnosen af ​​pancreas solide rumoptager læsioner på billeddannelse være mere befordrende for diagnosen og behandlingen under MDT-tilstand, så nye teknologier såsom kunstig intelligens bør overvejes. Vores mål er at udvikle et klinisk anvendeligt kunstig intelligenssystem, som bruger flere tilstande til at simulere den rutinemæssige kliniske arbejdsgang og hjælpe med diagnosticering af godartede og ondartede pancreas solide rumoptagere læsioner.

Studieoversigt

Detaljeret beskrivelse

Diagnosen af ​​solide bugspytkirtellæsioner er udfordrende, MDT er en meget effektiv metode, men den har en vis fejldiagnoserate. Dette er et multicenter, prospektivt og observationelt klinisk studie. Vores mål er at udvikle et klinisk anvendeligt kunstig intelligenssystem. På den ene side kan vores kunstige intelligens baseret på kliniske data+CT-billedbilleder hjælpe MDT-læger med at diagnosticere arten af ​​bugspytkirtlens rumoptagende læsioner og reducere fejldiagnosticering; På den anden side, hvis en patient har brug for EUS-FNA-punktur, kan det multimodale kunstige intelligenssystem baseret på kliniske data+CT+EUS udviklet af os hjælpe MDT-læger med at forstå arten af ​​bugspytkirtlens rumoptagere læsioner og reducere sandsynligheden for fejldiagnosticering eller sekundær punktering.

Undersøgelsestype

Observationel

Tilmelding (Forventet)

200

Kontakter og lokationer

Dette afsnit indeholder kontaktoplysninger for dem, der udfører undersøgelsen, og oplysninger om, hvor denne undersøgelse udføres.

Studiesteder

    • Shanghai
      • Shanghai, Shanghai, Kina, 200433
        • Rekruttering
        • CT and EUS
        • Kontakt:

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 75 år (VOKSEN, OLDER_ADULT)

Tager imod sunde frivillige

N/A

Køn, der er berettiget til at studere

Alle

Prøveudtagningsmetode

Ikke-sandsynlighedsprøve

Studiebefolkning

Patienter, der havde pancreas solid masse vil blive optaget i vores undersøgelse.

Beskrivelse

Inklusionskriterier:

  • pancreas fast masse i CT og EUS

Ekskluderingskriterier:

  • utilstrækkelig billeddannelseskvalitet af CT eller EUS
  • endoskopisk ultralyd ikke-tilgængelige læsioner

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
patienter med faste læsioner af bugspytkirtlen
Der er ingen indgriben. Klinikere vil gennemgå forslagene til en hypotetisk AI

Hvad måler undersøgelsen?

Primære resultatmål

Resultatmål
Foranstaltningsbeskrivelse
Tidsramme
Forskere bruger kunstig intelligens (AI) støttesystem til at hjælpe med diagnosticering af pancreas solide rumoptager læsioner
Tidsramme: 2 måneder
Et multi-lags screening dybt foldningsnetværk baseret på dybt foldningsnetværk blev udviklet for at observere dets nøjagtighed, følsomhed og specificitet ved at hjælpe MDT-læger med at identificere godartede og ondartede bugspytkirtels rumoptagende læsioner.
2 måneder

Samarbejdspartnere og efterforskere

Det er her, du vil finde personer og organisationer, der er involveret i denne undersøgelse.

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 (FORVENTET)

21. januar 2023

Primær færdiggørelse (FORVENTET)

21. februar 2023

Studieafslutning (FORVENTET)

21. februar 2023

Datoer for studieregistrering

Først indsendt

21. januar 2023

Først indsendt, der opfyldte QC-kriterier

21. januar 2023

Først opslået (FAKTISKE)

31. januar 2023

Opdateringer af undersøgelsesjournaler

Sidste opdatering sendt (FAKTISKE)

31. januar 2023

Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier

21. januar 2023

Sidst verificeret

1. januar 2023

Mere information

Begreber relateret til denne undersøgelse

Yderligere relevante MeSH-vilkår

Andre undersøgelses-id-numre

  • 2022-AI and MDT

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 .

Abonner