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

AI-assisteret hvidt lys endoskopi for at identificere Kimura-Takemoto klassifikationen af ​​atrofisk gastritis

10. april 2024 opdateret af: Yanqing Li, Shandong University

Endoskopi med kunstig intelligens assisteret hvidt lys for at identificere Kimura-Takemoto-klassificeringen af ​​atrofisk gastritis for at opnå risikovurdering af mavekræft

Gradering af endoskopisk atrofi i henhold til Kimura-Takemoto-klassifikationen kan vurdere risikoen for udvikling af gastrisk neoplasi. Imidlertid er den falsk negative forekomst af kronisk atrofisk gastritis høj på grund af den varierende diagnostiske standardisering og diagnostiske erfaring og niveauer af endoskopister. Derfor sigter denne undersøgelse på at udvikle en AI-model til at identificere Kimura-Takemoto-klassifikationen.

Studieoversigt

Status

Rekruttering

Betingelser

Intervention / Behandling

Detaljeret beskrivelse

Gradering af endoskopisk atrofi i henhold til Kimura-Takemoto-klassifikationen kan vurdere risikoen for udvikling af gastrisk neoplasi. Jo højere score, jo mere alvorlig grad af atrofisk gastritis. Imidlertid er den falsk negative forekomst af kronisk atrofisk gastritis høj på grund af den varierende diagnostiske standardisering og diagnostiske erfaring og niveauer af endoskopister. Derfor sigter denne undersøgelse på at udvikle en AI-model til at identificere Kimura-Takemoto-klassifikationen af ​​atrofisk gastritis for at opnå risikovurdering af mavekræft.

Undersøgelsestype

Observationel

Tilmelding (Anslået)

1500

Kontakter og lokationer

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

Studiekontakt

Studiesteder

  • Kina
    • Shandong
      • Shangdong, Shandong, Kina, 250012
        • Rekruttering
        • Department of Gastrology, QiLu Hospital, Shandong University
        • 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

  • Voksen
  • Ældre voksen

Tager imod sunde frivillige

Ingen

Prøveudtagningsmetode

Ikke-sandsynlighedsprøve

Studiebefolkning

På hinanden følgende patienter, der modtager den gastrointestinale endoskopiundersøgelse og screenet, der opfylder berettigelseskriterierne på Qilu Hospital, Shandong University, vil blive tilmeldt undersøgelsen

Beskrivelse

Inklusionskriterier:

Patienter i alderen 18-80 år, som gennemgår hvidlys-endoskopundersøgelsen Informeret samtykkeskema udleveret af patienten.

Ekskluderingskriterier:

  1. patienter med alvorlig hjerte-, cerebral, pulmonal eller renal dysfunktion eller psykiatrisk;
  2. lidelser, der ikke kan deltage i gastroskopi;
  3. Patienter med progressiv gastrisk cancer;
  4. billeder af lav kvalitet;
  5. patienter med tidligere kirurgiske indgreb på maven eller spiserøret;
  6. patienter, der nægter at underskrive den informerede samtykkeformular;

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
Kronisk atrofisk gastritis observeret af hvidt lys endoskop
Få billeder fra gastrisk antrum, gastrisk vinkel, mindre krumning af gastrisk krop, cardia, gastrisk fundus, større krumning af gastrisk krop med hvidt lys endoskop
Diagnostisk test: Diagnostisk test: Diagnosen af ​​kunstig intelligens og endosopister
Endosopister og AI vil vurdere Kimura-Takemoto klassificeringen uafhængigt, når patienterne er kvalificerede.

Hvad måler undersøgelsen?

Primære resultatmål

Resultatmål
Foranstaltningsbeskrivelse
Tidsramme
Nøjagtighed af AI-model til at diagnosticere Kimura-Takemoto-klassifikationen
Tidsramme: 2 år
Nøjagtighed af AI-model til at diagnosticere Kimura-Takemoto-klassifikationen
2 år
Følsomhed af AI-modellen til at diagnosticere Kimura-Takemoto-klassifikationen
Tidsramme: 2 år
Følsomhed af AI-modellen til at diagnosticere Kimura-Takemoto-klassifikationen
2 år
Specificitet af AI-model til at diagnosticere Kimura-Takemoto-klassifikationen
Tidsramme: 2 år
Specificitet af AI-model til at diagnosticere Kimura-Takemoto-klassifikationen
2 år

Sekundære resultatmål

Resultatmål
Foranstaltningsbeskrivelse
Tidsramme
MIOU-værdien af ​​AI-modellen i semantisk segmentering af endoskopisk atrofibillede
Tidsramme: 2 år
MIOU-værdien af ​​AI-modellen i semantisk segmentering af endoskopisk atrofibillede
2 år

Samarbejdspartnere og efterforskere

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

Sponsor

Shandong University

Samarbejdspartnere

Linyi County People's Hospital,Dezhou,China

Efterforskere

  • Studiestol: yanqing li, MD,PHD, Qilu Hospital, Shandong 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. juni 2023

Primær færdiggørelse (Anslået)

31. december 2024

Studieafslutning (Anslået)

31. december 2024

Datoer for studieregistrering

Først indsendt

14. juni 2023

Først indsendt, der opfyldte QC-kriterier

14. juni 2023

Først opslået (Faktiske)

23. juni 2023

Opdateringer af undersøgelsesjournaler

Sidste opdatering sendt (Faktiske)

12. april 2024

Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier

10. april 2024

Sidst verificeret

1. april 2024

Mere information

Begreber relateret til denne undersøgelse

Yderligere relevante MeSH-vilkår

Andre undersøgelses-id-numre

  • 2022SDU-QILU-123

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 .

Kliniske forsøg med Diagnostisk test: Diagnosen af ​​kunstig intelligens og endosopister

Søg i lignende forsøg

Sponsorer og samarbejdspartnere

Medicinske tilstande

Narkotikainterventioner

CROs by country

CROs in Montenegro

Betingelser

Sjældne sygdomme

Narkotikainterventioner

Kosttilskud

Sponsor / samarbejdspartnere

Placeringer

Abonner