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

Validering af led-AI ved diagnosticering af faste læsioner i bugspytkirtlen

22. december 2024 opdateret af: Bin Cheng, Huazhong University of Science and Technology

Validering af en multimodal kunstig intelligensmodel ved diagnosticering af faste læsioner i bugspytkirtlen: et prospektivt, multicenter, randomiseret, kontrolleret forsøg

Dette kliniske forsøg har til formål at lære, om en multimodal kunstig intelligens (AI) model kan forbedre diagnosen af ​​faste læsioner i bugspytkirtlen. De vigtigste spørgsmål, den sigter mod at besvare er:

  1. Forbedrer AI-modellen den diagnostiske ydeevne af endoskopister til at diagnosticere faste læsioner i bugspytkirtlen?
  2. Forbedrer tilføjelsen af ​​fortolkningsanalyse yderligere den diagnostiske ydeevne hos de assisterede endoskopister? Forskere vil sammenligne endoskopisters diagnostiske ydeevne med eller uden hjælp fra AI-modellen.

Deltagerne vil:

  1. Deres kliniske data vil blive indsamlet prospektivt.
  2. De vil blive randomiseret til AI-hjælpegruppen og den konventionelle diagnosegruppe.

Studieoversigt

Status

Ikke rekrutterer endnu

Betingelser

Intervention / Behandling

Detaljeret beskrivelse

Efterforskerne har tidligere udviklet en multimodal AI-model (Joint-AI) baseret på endoskopiske ultralydsbilleder og kliniske data for at diagnosticere pancreas solide læsioner. Denne undersøgelse har til formål at forbedre Joint-AI-modellens ydeevne med et prospektivt indsamlet datasæt og validere det gennem et randomiseret kontrolleret klinisk forsøg.

Undersøgelsestype

Interventionel

Tilmelding (Anslået)

716

Fase

  • Ikke anvendelig

Kontakter og lokationer

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

Studiekontakt

Studiesteder

  • Kina
    • Hubei
      • Wuhan, Hubei, Kina, 430030
        • Tongji Hospital, Tongji Medical College, Huazhong University of Science and Technology
        • 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

Beskrivelse

Inklusionskriterier:

  • Billeddiagnostiske undersøgelser (MRI, CT, B-ultralyd) viser en fast masse i bugspytkirtlen, hvilket kræver endoskopisk ultralydsstyret-finnålsaspiration/biopsi (EUS-FNA/B) for at afklare læsionens karakter hos patienter.
  • Der gives skriftligt samtykke

Ekskluderingskriterier:

  • Alder under 18 år

Studieplan

Dette afsnit indeholder detaljer om studieplanen, herunder hvordan undersøgelsen er designet, og hvad undersøgelsen måler.

Hvordan er undersøgelsen tilrettelagt?

Design detaljer

  • Primært formål: Diagnostisk
  • Tildeling: Randomiseret
  • Interventionel model: Parallel tildeling
  • Maskning: Dobbelt

Våben og indgreb

Deltagergruppe / Arm
Intervention / Behandling
Ingen indgriben: Konventionel diagnose
Endoskopister diagnosticerer faste læsioner i bugspytkirtlen i henhold til endoskopiske ultralydsbilleder og kliniske data.
Eksperimentel: Led-AI assisteret diagnose
Endoskopister diagnosticerer faste læsioner i bugspytkirtlen baseret på endoskopiske ultralydsbilleder, kliniske data og forudsigelser lavet af Joint-AI-modellen.
Diagnostisk test: Assistance af Joint-AI-modellen
Forudsigelser givet af Joint-AI-modellen vil blive givet til endoskoperne under deres diagnose
Eksperimentel: Tolkbar Joint-AI assisteret diagnose
Endoskopister diagnosticerer faste læsioner i bugspytkirtlen baseret på endoskopiske ultralydsbilleder, kliniske data, forudsigelser givet af Joint-AI og fortolkningsanalyseresultater, der bruges til at forbedre gennemsigtigheden af ​​beslutningsprocessen for Joint-AI-modellen.
Diagnostisk test: Assistance af den fortolkbare Joint-AI-model
Forudsigelser givet af Joint-AI-modellen og resultaterne af fortolkningsanalysen vil blive givet til endoskoperne under deres diagnose

Hvad måler undersøgelsen?

Primære resultatmål

Resultatmål
Foranstaltningsbeskrivelse
Tidsramme
Graden af ​​korrekt diagnostisk klassificering med hjælp fra Joint-AI-modellen
Tidsramme: Gennem studieafslutning i gennemsnit 1 år
Hyppigheden af ​​korrekte diagnoser ved at skelne bugspytkirtelkræft fra andre ikke-kræftlæsioner, bestemt ved at sammenligne endoskopistdiagnose assisteret af Joint-AI-modellen med den endelige histopatologiske diagnose (referencestandard).
Gennem studieafslutning i gennemsnit 1 år
Graden af ​​korrekt diagnostisk klassificering med hjælp fra den fortolkbare Joint-AI-model
Tidsramme: Gennem studieafslutning i gennemsnit 1 år
Hyppigheden af ​​korrekte diagnoser ved at skelne bugspytkirtelkræft fra andre ikke-kræftlæsioner, bestemt ved at sammenligne endoskopistiske vurderinger assisteret af Interpretable Joint-AI-modellen med den endelige histopatologiske diagnose (referencestandard)
Gennem studieafslutning i gennemsnit 1 år

Sekundære resultatmål

Resultatmål
Foranstaltningsbeskrivelse
Tidsramme
Rate for korrekt diagnostisk klassificering af Joint-AI-modellen og den fortolkbare Joint-AI-model
Tidsramme: Gennem studieafslutning i gennemsnit 1 år
Diagnostisk nøjagtighed af AI-modellerne i dette prospektivt indsamlede datasæt.
Gennem studieafslutning i gennemsnit 1 år
Endoskopist-rapporteret konfidensscore ved diagnose med AI-assistance (scoren er på en skala fra 0%-100%, hvor 0 repræsenterer "slet ikke sikker" og 100 repræsenterer "fuldstændig sikker")
Tidsramme: Gennem studieafslutning i gennemsnit 1 år
Endoskopist-rapporteret tillid til diagnose vil blive målt på en skala fra 0 til 100, hvor 0 repræsenterer "slet ikke sikker" og 100 repræsenterer "fuldstændig sikker." Højere score indikerer større diagnostisk sikkerhed. Tillidsscorerne vil blive vurderet separat for diagnoser stillet ved hjælp af Joint-AI-modellen og den fortolkbare Joint-AI-model.
Gennem studieafslutning i gennemsnit 1 år
Rate af korrekt diagnostisk klassificering af endoskopister uden AI-hjælp
Tidsramme: Gennem studieafslutning i gennemsnit 1 år
Gennem studieafslutning i gennemsnit 1 år

Samarbejdspartnere og efterforskere

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

Sponsor

Huazhong University of Science and Technology

Samarbejdspartnere

Beijing Friendship Hospital
Qilu Hospital of Shandong University
Sir Run Run Shaw Hospital
Shanghai Longhua Hospital
Beijing Union Hosptial
Affiliated Drum Tower Hospital of Nanjing University Medical School

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 (Anslået)

1. januar 2025

Primær færdiggørelse (Anslået)

1. januar 2026

Studieafslutning (Anslået)

1. januar 2026

Datoer for studieregistrering

Først indsendt

17. december 2024

Først indsendt, der opfyldte QC-kriterier

22. december 2024

Først opslået (Faktiske)

25. marts 2025

Opdateringer af undersøgelsesjournaler

Sidste opdatering sendt (Faktiske)

25. marts 2025

Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier

22. december 2024

Sidst verificeret

1. december 2024

Mere information

Begreber relateret til denne undersøgelse

Nøgleord

Yderligere relevante MeSH-vilkår

Andre undersøgelses-id-numre

  • Joint-AI 2024

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 .

Kliniske forsøg med Kræft i bugspytkirtlen

Kliniske forsøg med Assistance af Joint-AI-modellen

Søg i lignende forsøg

Sponsorer og samarbejdspartnere

Medicinske tilstande

Narkotikainterventioner

CROs by country

CROs in Türkiye

Betingelser

Sjældne sygdomme

Narkotikainterventioner

Kosttilskud

Sponsor / samarbejdspartnere

Placeringer

Abonner