Overfør læring af et neuralt netværk til robotkirurgisk vurdering
24. september 2024 opdateret af: Nasseh Hashemi, Aalborg University
Overførselsindlæring af et forudtrænet præklinisk neuralt netværk til robotkirurgisk vurdering på begrænsede kliniske data
Målet med dette observationsstudie er at udforske, hvordan prætrænede kunstig intelligens (AI) modeller, trænet på prækliniske data, kan forbedre nøjagtigheden af handlingsgenkendelse og færdighedsvurdering i robotassisteret kirurgi (RAS) hos urologiske patienter ved brug af transfer learning . De vigtigste spørgsmål, den sigter mod at besvare er:
- Kan forudtrænede AI-modeller nøjagtigt vurdere handlingsgenkendelse og færdighedsvurdering i kliniske operationer?
- Hvordan påvirker forskellige træningstilgange til overførselslæring AI-modellernes ydeevne? En basismodel udviklet fra bunden ved hjælp af kliniske data vil blive sammenlignet med fortrænede modeller, der er (1) direkte anvendt på kliniske data (2) finjusteret ved kun at træne nogle lag af AI-modellen og (3) fuldt genoptrænet for at se, om disse tilgange forbedrer ydeevnen.
Deltagere, der er robotkirurger, vil:
- Gennemgå RAS-procedurer på patienter uden indgreb, hvor videodata vil blive indsamlet til senere handlingsgenkendelse og færdighedsvurdering.
- Bidrage til modeltræning og evaluering gennem klinisk datasætintegration.
Studieoversigt
Undersøgelsestype
Observationel
Tilmelding (Faktiske)
5
Kontakter og lokationer
Dette afsnit indeholder kontaktoplysninger for dem, der udfører undersøgelsen, og oplysninger om, hvor denne undersøgelse udføres.
Studiesteder
-
-
North Jutland
-
Aalborg, North Jutland, Danmark, 9000
- Department of Urology, Aalborg University Hospital
-
-
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
Ja
Prøveudtagningsmetode
Ikke-sandsynlighedsprøve
Studiebefolkning
Undersøgelsespopulationen bestod af robotkirurger, som enten var erfarne eller nybegyndere (som er specialiserede læger, der gennemgår kirurgisk stipendium for at blive robotkirurger).
Alle procedurer, hvor robotassisterede procedurer blev foretaget på patienter, som blev indlagt til behandling på urologisk afdeling. Patienterne gav også deres samtykke til dataindsamling. Men den virkelige deltager, hvor robotkirurger.
Beskrivelse
Inklusionskriterier:
- Robotkirurger, der har erfaring med mere end 100 tilfælde.
- Robotkirurgiske stipendiater med mindre end 100 tilfælde.
- Robotkirurger, der arbejdede på urologisk afdeling på Aalborg Universitetshospital.
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 |
|---|---|
|
Erfarne robotkirurger
Robotkirurger med 100 eller flere udførte robotkirurgiske tilfælde.
|
Dette var et observationsstudie uden intervention.
|
|
Nybegyndere robotkirurger
Robotkirurger med mindre end 100 udførte robotkirurgiske tilfælde.
|
Dette var et observationsstudie uden intervention.
|
Hvad måler undersøgelsen?
Primære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
Nøjagtighed af handlingsgenkendelse ved hjælp af kliniske data fra bunden
Tidsramme: Fra start til slut af et robotkirurgisk indgreb, der vurderes med hensyn til handlingsgenkendelse.
|
Nøjagtighed af den dybe læringsalgoritme til handlingsgenkendelse, når modellen trænes fra bunden ved hjælp af kliniske data fra robotkirurgiske procedurer.
|
Fra start til slut af et robotkirurgisk indgreb, der vurderes med hensyn til handlingsgenkendelse.
|
|
Nøjagtighed af færdighedsvurdering ved hjælp af kliniske data fra bunden
Tidsramme: Fra start til slut af et robotkirurgisk indgreb, der vurderes med hensyn til handlingsgenkendelse.
|
Nøjagtighed af den dybe læringsalgoritme til færdighedsvurdering, når modellen trænes fra bunden ved hjælp af kliniske data fra robotkirurgiske procedurer.
|
Fra start til slut af et robotkirurgisk indgreb, der vurderes med hensyn til handlingsgenkendelse.
|
|
Nøjagtighed af handlingsgenkendelse ved hjælp af det fortrænede netværk direkte på kliniske data
Tidsramme: Fra start til slut af et robotkirurgisk indgreb, der vurderes med hensyn til handlingsgenkendelse.
|
Nøjagtighed af den fortrænede deep learning-algoritme til handlingsgenkendelse, når modellen bruges direkte på kliniske data fra robotkirurgiske procedurer.
|
Fra start til slut af et robotkirurgisk indgreb, der vurderes med hensyn til handlingsgenkendelse.
|
|
Nøjagtighed af færdighedsvurdering ved hjælp af den fortrænede model direkte på kliniske data
Tidsramme: Fra start til slut af en robotkirurgisk procedure, der vurderes i forhold til færdighedsvurdering.
|
Nøjagtighed af den fortrænede deep learning-algoritme til færdighedsvurdering, når modellen bruges direkte på kliniske data fra robotkirurgiske procedurer.
|
Fra start til slut af en robotkirurgisk procedure, der vurderes i forhold til færdighedsvurdering.
|
|
K fold nøjagtigheder til handlingsgenkendelse og færdighedsvurdering for fuldstændig genoptræning af det fortrænede netværk.
Tidsramme: Fra starten til slutningen af de kliniske procedurer.
|
K-fold krydsvalideringsnøjagtighed ved genoptræning af den komplette fortrænede model på de kliniske data til både handlingsgenkendelse og færdighedsvurdering.
|
Fra starten til slutningen af de kliniske procedurer.
|
|
K-fold nøjagtigheder til handlingsgenkendelse og færdighedsvurdering til delvis genoptræning af det fortrænede netværk.
Tidsramme: Fra starten til slutningen af de kliniske procedurer.
|
K-fold krydsvalideringsnøjagtigheder for handlingsgenkendelse og færdighedsvurdering til genoptræning af LSTM og tætte lag af det fortrænede netværk ved hjælp af kliniske data.
|
Fra starten til slutningen af de kliniske procedurer.
|
Sekundære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
Vægtet genkaldelse/følsomhed, præcision og F1-score for handlingsgenkendelse af det kliniske netværk trænet fra bunden
Tidsramme: Fra start til slut af et robotkirurgisk indgreb, der vurderes med hensyn til handlingsgenkendelse.
|
Baseret på udførelsen af handlingsgenkendelse fra det kliniske netværk trænet fra bunden.
|
Fra start til slut af et robotkirurgisk indgreb, der vurderes med hensyn til handlingsgenkendelse.
|
|
Vægtet genkaldelse/følsomhed, præcision og F1-score for færdighedsvurdering af det kliniske netværk trænet fra bunden
Tidsramme: Fra start til slut af en robotkirurgisk procedure, der bliver vurderet i forhold til færdighedsvurdering..
|
Baseret på udførelsen af færdighedsvurdering fra det kliniske netværk trænet fra bunden.
|
Fra start til slut af en robotkirurgisk procedure, der bliver vurderet i forhold til færdighedsvurdering..
|
|
Forudsigelig sikkerhed for handlingsgenkendelse og færdighedsvurdering af netværket trænet fra bunden på de kliniske data.
Tidsramme: Fra starten til slutningen af de kliniske procedurer.
|
Prædiktiv sikkerhed med samlet gennemsnit, minimum og maksimum og afbildet i sandsynlighedsplot til handlingsgenkendelse og færdighedsvurdering af netværket trænet fra bunden på kliniske data.
|
Fra starten til slutningen af de kliniske procedurer.
|
|
Forudsigende sikkerhed for handlingen anerkendelse og færdighedsvurdering af netværket delvist omskolet netværk.
Tidsramme: Fra starten til slutningen af de kliniske procedurer.
|
Prædiktiv sikkerhed med samlet gennemsnit, minimum og maksimum og afbildet i sandsynlighedsplot til handlingsgenkendelse og færdighedsvurdering af det delvist genoptrænede netværk, hvor kun LSTM og dybe lag af netværket blev trænet på kliniske data.
|
Fra starten til slutningen af de kliniske procedurer.
|
Samarbejdspartnere og efterforskere
Det er her, du vil finde personer og organisationer, der er involveret i denne undersøgelse.
Sponsor
Publikationer og nyttige links
Den person, der er ansvarlig for at indtaste oplysninger om undersøgelsen, leverer frivilligt disse publikationer. Disse kan handle om alt relateret til undersøgelsen.
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)
22. maj 2023
Primær færdiggørelse (Faktiske)
26. maj 2023
Studieafslutning (Faktiske)
26. maj 2023
Datoer for studieregistrering
Først indsendt
22. september 2024
Først indsendt, der opfyldte QC-kriterier
22. september 2024
Først opslået (Faktiske)
25. september 2024
Opdateringer af undersøgelsesjournaler
Sidste opdatering sendt (Faktiske)
26. september 2024
Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier
24. september 2024
Sidst verificeret
1. september 2024
Mere information
Begreber relateret til denne undersøgelse
Andre undersøgelses-id-numre
- 2021-247
Plan for individuelle deltagerdata (IPD)
Planlægger du at dele individuelle deltagerdata (IPD)?
JA
IPD-planbeskrivelse
IPD'en vil blive delt som anonyme og GDPR-sikre data på en åben adgangshjemmeside.
Dataene vil blive delt som de anonymiserede optagelser af de kirurgiske indgreb, som deltagerne lavede.
IPD-delingstidsramme
IPD'en og de understøttende oplysninger vil være tilgængelige fra tidspunktet for indsendelse til tidsskriftet og vil være tilgængelige i et ubegrænset tidsrum.
IPD-delingsadgangskriterier
Alle, der har adgang til GitHubs open source-websted, vil kunne få adgang til dataene.
Og alle, der vil have adgang til tidsskriftet, vil have adgang til de understøttende oplysninger.
IPD-deling Understøttende informationstype
- STUDY_PROTOCOL
- ANALYTIC_CODE
Lægemiddel- og udstyrsoplysninger, undersøgelsesdokumenter
Studerer et amerikansk FDA-reguleret lægemiddelprodukt
Ingen
Studerer et amerikansk FDA-reguleret enhedsprodukt
Ingen
produkt fremstillet i og eksporteret fra U.S.A.
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 .