Deep Learning-baseret kunstig intelligens til diagnosticering af tyndtarmsobstruktion
Undersøgelse ved hjælp af Deep Learning-baseret kunstig intelligens til diagnosticering af tyndtarmsobstruktion
Studieoversigt
Status
Betingelser
Intervention / Behandling
Detaljeret beskrivelse
DESIGN: Dette er en diagnostisk undersøgelse. INDSTILLING: Vi udviklede en deep learning-baseret AI-teknologi til automatisk at udtrække tarmkanalen fra CT-billeder ved hjælp af 5 200 CT-billeder af 158 patienter. CT-billederne af patienter, der besøgte skadestuen og var mistænkt for tyndtarmsobstruktion mellem 6. juni og 26. juli 2018, blev taget fra to tertiære henvisningscentre, som blev brugt som testprøver. Dataanalysen blev afsluttet i december 2023.
DELTAGERE: Beboere og kirurger deltog i undersøgelsen. INTERVENTIONER: Beboere og kirurger blev opdelt i to grupper: Den ene gruppe læste ved hjælp af AI-teknologien, og den anden gruppe læste uden AI-teknologien.
VIGTIGSTE RESULTATER OG FORANSTALTNINGER: Deltagerne angav, hvorvidt tyndtarmsobstruktion og obstruktionsplacering. Tiden til diagnose blev også samlet. Vi anvendte en hierarkisk Bayesiansk model.
Undersøgelsestype
Tilmelding (Faktiske)
Kontakter og lokationer
Studiesteder
-
-
Aichi
-
Nagoya, Aichi, Japan, 4668560
- Nagoya University Graduate School of Medicine
-
-
Deltagelseskriterier
Berettigelseskriterier
Aldre berettiget til at studere
- Barn
- Voksen
- Ældre voksen
Tager imod sunde frivillige
Prøveudtagningsmetode
Studiebefolkning
Beskrivelse
Inklusionskriterier:
- Personer med dokumenteret samtykke
Ekskluderingskriterier:
- Personer uden dokumenteret samtykke
Studieplan
Hvordan er undersøgelsen tilrettelagt?
Design detaljer
Kohorter og interventioner
Gruppe / kohorte |
Intervention / Behandling |
|---|---|
|
AI gruppe
Deltagerne læser CT-billeder med AI.
|
AI udtrækker tarmregionen og rekonstruerer til 3D-billede.
|
|
Manuel gruppe
Deltagerne læser CT-billeder uden AI
|
Hvad måler undersøgelsen?
Primære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
Diagnosen af obstruktionsstedet
Tidsramme: September, 2024
|
Nøjagtighed af diagnose af obstruktionsstedet
|
September, 2024
|
Samarbejdspartnere og efterforskere
Sponsor
Efterforskere
- Studiestol: Hieoo Uchida, PhD., Nagoya University Graduate School of Medicine, Pediatric Surgery
Datoer for undersøgelser
Studer store datoer
Studiestart (Faktiske)
Primær færdiggørelse (Faktiske)
Studieafslutning (Anslået)
Datoer for studieregistrering
Først indsendt
Først indsendt, der opfyldte QC-kriterier
Først opslået (Faktiske)
Opdateringer af undersøgelsesjournaler
Sidste opdatering sendt (Faktiske)
Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier
Sidst verificeret
Mere information
Begreber relateret til denne undersøgelse
Yderligere relevante MeSH-vilkår
Andre undersøgelses-id-numre
- 2022-0188
Plan for individuelle deltagerdata (IPD)
Planlægger du at dele individuelle deltagerdata (IPD)?
Lægemiddel- og udstyrsoplysninger, undersøgelsesdokumenter
Studerer et amerikansk FDA-reguleret lægemiddelprodukt
Studerer et amerikansk FDA-reguleret enhedsprodukt
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 .