Bewerten Sie die Auswirkungen eines KI-Systems auf die Koloskopiequalität von unerfahrenen Endoskopikern
Bewerten Sie die Auswirkungen eines künstlichen Intelligenzsystems auf die Qualität der Koloskopie bei unerfahrenen Endoskopikern: Eine randomisierte kontrollierte Studie
Studienübersicht
Status
Intervention / Behandlung
Detaillierte Beschreibung
Die Koloskopie ist eine entscheidende Technik zur Erkennung und Diagnose von Läsionen des unteren Verdauungstrakts. Die Nachfrage nach Endoskopie ist in China hoch, und Endoskopie ist Mangelware. Eine Koloskopie ist jedoch ein komplexes technisches Verfahren, das für maximale Genauigkeit und Sicherheit Training und Erfahrung erfordert. Die Fähigkeiten der verschiedenen Endoskopiker sind sehr unterschiedlich. Anfänger in der Endoskopie haben im Allgemeinen Schwierigkeiten und ein hohes Risiko beim Einstieg in die Koloskopie und benötigen die Unterstützung von Experten. Bis zu einem gewissen Grad verschwendet dies die Produktivität des Anfängers. Wenn Forscher den Arbeitsmodus von Experten, die in die Endoskopie eintreten, und Anfängern, die die Endoskopie verlassen, arrangieren können, können die klinische Effizienz und die Ressourcennutzungsrate erheblich verbessert werden. Die Ermittler müssen jedoch die schlechte Untersuchungsfähigkeit von unerfahrenen Endoskopikern berücksichtigen. Es wird berichtet, dass die Erkennungsrate von Adenomen bei der Koloskopie, die von Endoskopikern mit unterschiedlichem Dienstalter durchgeführt wird, 7,4 % ~ 52,5 % beträgt. Wenn die Untersuchungsfähigkeit von unerfahrenen Endoskopikern verbessert werden kann, kann diese Sorge ausgeräumt werden.
Deep-Learning-Algorithmen wurden in den letzten Jahren kontinuierlich weiterentwickelt und immer ausgereifter. Sie wurden nach und nach im medizinischen Bereich angewendet. Computer Vision ist eine Wissenschaft, die untersucht, wie man Maschinen zum "Sehen" bringt. Durch Deep Learning können Kamera und Computer das menschliche Auge ersetzen, um maschinelles Sehen wie Zielerkennung, -verfolgung und -messung durchzuführen. Auch die interdisziplinäre Zusammenarbeit in der medizinischen Bildgebung und Computer Vision ist einer der Forschungsschwerpunkte der letzten Jahre. Derzeit wird es hauptsächlich zur automatischen Identifizierung und Erkennung von Läsionen und zur Qualitätskontrolle angewendet und hat gute Ergebnisse erzielt.
Die Vorversuche des Ermittlers haben gezeigt, dass Deep Learning eine hohe Genauigkeit bei der Überwachung der endoskopischen Qualität aufweist, wodurch die Operationen der Ärzte effektiv reguliert, blinde Flecken reduziert und die Qualität der endoskopischen Untersuchung verbessert werden können. Gleichzeitig kann es auch die Entzugszeit des Arztes in Echtzeit überwachen und die Erkennungsrate von Adenomen verbessern. In der früheren Arbeit der Forschungsgruppe des Ermittlers haben Forscher erfolgreich eine Deep-Learning-basierte Koloskopie-Entzugsgeschwindigkeitsüberwachung und Darmsauberkeitsbewertung entwickelt und die Wirksamkeit des KI-gestützten Systems EndoAngel bei der Verbesserung der Qualität der Gastroskopie und Koloskopie in klinischen Studien verifiziert.
Basierend auf der oben genannten reichhaltigen Grundlage an Vorarbeiten und der massiven Nachfrage zur Verbesserung der Koloskopiefähigkeit von Anfängern. Durch den Vergleich der Leistung von Anfängern und Anfängern mit EndoAngel-Assistenz und Experten in der Koloskopie wollen die Forscher untersuchen, ob künstliche Intelligenz Anfängern helfen kann, das Expertenniveau in der Koloskopie zu erreichen.
Studientyp
Einschreibung (Tatsächlich)
Phase
- Unzutreffend
Kontakte und Standorte
Studienorte
-
-
Hubei
-
Wuhan, Hubei, China, 430060
- Renmin Hospital of Wuhan University
-
-
Teilnahmekriterien
Zulassungskriterien
Studienberechtigtes Alter
Akzeptiert gesunde Freiwillige
Studienberechtigte Geschlechter
Beschreibung
Einschlusskriterien:
- Männlich oder weiblich ≥18 Jahre alt;
- Eine Einverständniserklärung lesen, verstehen und unterschreiben können;
- Der Prüfer ist der Ansicht, dass die Probanden den Ablauf der klinischen Studie verstehen können, bereit und in der Lage sind, alle Studienverfahren und Nachsorgeuntersuchungen durchzuführen und an den Studienverfahren mitzuarbeiten;
- Patienten, die eine Koloskopie benötigen.
Ausschlusskriterien:
- Drogen- oder Alkoholmissbrauch oder psychische Störung in den letzten 5 Jahren;
- Schwangere oder stillende Frauen;
- Patienten mit bekanntem multiplem Polypensyndrom;
- Patienten mit bekannter entzündlicher Darmerkrankung;
- bekannte Darmstenose oder raumfordernder Tumor;
- bekannte Kolonobstruktion oder -perforation;
- Patienten mit kolorektaler Chirurgie in der Vorgeschichte;
- Patienten mit einer Vorgeschichte von Allergien gegen vorbenutzte Spasmolyse;
- Biopsie und Polypenentfernung aufgrund von Gerinnungsstörungen oder oralen Antikoagulanzien nicht möglich;
- Erkrankungen mit hohem Risiko oder andere besondere Bedingungen, die der Prüfarzt für ungeeignet für die Teilnahme an der klinischen Studie hält.
Studienplan
Wie ist die Studie aufgebaut?
Designdetails
- Hauptzweck: Diagnose
- Zuteilung: Zufällig
- Interventionsmodell: Parallele Zuordnung
- Maskierung: Single
Waffen und Interventionen
Teilnehmergruppe / Arm |
Intervention / Behandlung |
|---|---|
|
Experimental: Anfänger mit KI-unterstütztem System
Die unerfahrenen Ärzte werden bei der Koloskopie mit einem künstlichen Intelligenzsystem unterstützt, das abnormale Läsionen und die Geschwindigkeit des Entzugs in Echtzeit anzeigen kann, sowie Feedback zum Prozentsatz der Übergeschwindigkeit gibt.
|
Das Assistenzsystem mit künstlicher Intelligenz kann abnormale Läsionen und die Abzugsgeschwindigkeit in Echtzeit anzeigen und den Übergeschwindigkeitsprozentsatz zurückmelden.
|
|
Kein Eingriff: Experten ohne KI-gestütztes System
Die erfahrenen Ärzte führen routinemäßig Darmspiegelungen ohne künstliche Intelligenz und ohne spezielle Tipps durch
|
|
|
Kein Eingriff: Anfänger ohne KI-unterstütztes System
Die unerfahrenen Ärzte führen routinemäßige Darmspiegelungen ohne künstliche Intelligenz und ohne spezielle Tipps durch
|
Was misst die Studie?
Primäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Fehldiagnoserate von Adenomen
Zeitfenster: Ein Monat
|
Die Anzahl der neu entdeckten Adenome in der zweiten Untersuchung dividiert durch die Gesamtzahl der in beiden Untersuchungen entdeckten Adenome
|
Ein Monat
|
Sekundäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Erkennungsrate von Adenomen
Zeitfenster: Ein Monat
|
Der Zähler ist die Anzahl der Patienten, bei denen Adenome diagnostiziert wurden, und der Nenner ist die Gesamtzahl der Patienten, die sich einer Koloskopie unterziehen.
|
Ein Monat
|
|
Erkennungsrate fortgeschrittener Adenome
Zeitfenster: Ein Monat
|
Der Zähler ist die Anzahl der Patienten, bei denen fortgeschrittene Adenome diagnostiziert wurden, und der Nenner ist die Gesamtzahl der Patienten, die sich einer Koloskopie unterziehen.
Fortgeschrittenes Adenom wurde definiert als > 10 mm, villöses Adenom, tubuläres villöses Adenom, hochgradige intraepitheliale Neoplasie und Karzinom.
|
Ein Monat
|
|
Polypenerkennungsrate
Zeitfenster: Ein Monat
|
Der Zähler ist die Anzahl der Patienten mit durch Koloskopie entdeckten Polypen, und der Nenner ist die Gesamtzahl der Patienten, die sich einer Koloskopie unterzogen haben
|
Ein Monat
|
|
Durchschnittliche Anzahl erkannter Adenome pro Patient
Zeitfenster: Ein Monat
|
Der Zähler ist die Gesamtzahl der bei der Koloskopie entdeckten Adenome, und der Nenner ist die Gesamtzahl der Patienten, die sich einer Koloskopie unterziehen.
|
Ein Monat
|
|
Die Erkennungsrate von großen, kleinen und Mikropolypen
Zeitfenster: Ein Monat
|
Der Zähler ist die Anzahl der Patienten mit großen (≥10 mm), kleinen (6-9 mm) und mikrokleinen (≤5 mm) Polypen, die durch die Koloskopie entdeckt wurden, und der Nenner ist die Gesamtzahl der Patienten, die eine Koloskopie erhalten.
|
Ein Monat
|
|
Die durchschnittliche Anzahl erkannter großer, kleiner und Mikropolypen
Zeitfenster: Ein Monat
|
Der Zähler ist die Gesamtzahl der großen (≥10 mm), kleinen (6-9 mm) und mikrokleinen (≤5 mm) Polypen, die durch die Koloskopie entdeckt wurden, und der Nenner ist die Gesamtzahl der Patienten, die sich einer Koloskopie unterziehen.
|
Ein Monat
|
|
Die Erkennungsrate von großen, kleinen und Mikroadenomen
Zeitfenster: Ein Monat
|
Der Zähler ist die Anzahl der Patienten mit großen (≥10 mm), kleinen (6-9 mm) und mikrokleinen (≤5 mm) Adenomen, die durch die Koloskopie entdeckt wurden, und der Nenner ist die Gesamtzahl der Patienten, die eine Koloskopie erhalten.
|
Ein Monat
|
|
Die durchschnittliche Anzahl erkannter großer, kleiner und Mikroadenome
Zeitfenster: Ein Monat
|
Der Zähler ist die Gesamtzahl der großen (≥10 mm), kleinen (6-9 mm) und mikrokleinen (≤5 mm) Adenome, die durch die Koloskopie entdeckt wurden, und der Nenner ist die Gesamtzahl der Patienten, die sich einer Koloskopie unterziehen.
|
Ein Monat
|
|
Die Erkennungsrate von Adenomen an verschiedenen Stellen
Zeitfenster: Ein Monat
|
Der Zähler ist die Anzahl der Patienten mit Adenomen, die im Rektum, Sigma, Colon descendens, Colon transversum, Colon ascendens, in der Ileozökalregion und an anderen Stellen während der Koloskopie entdeckt wurden, und der Nenner ist die Gesamtzahl der Patienten, die eine Koloskopie erhalten.
|
Ein Monat
|
|
Die durchschnittliche Anzahl von Adenomen, die an verschiedenen Stellen entdeckt wurden
Zeitfenster: Ein Monat
|
Der Zähler ist die Gesamtzahl der Adenome, die während der Koloskopie im Rektum, Sigmoidkolon, Colon descendens, Colon transversum, Colon ascendens, der Ileozökalregion und anderen Stellen entdeckt wurden, und der Nenner ist die Gesamtzahl der Patienten, die sich einer Koloskopie unterziehen.
|
Ein Monat
|
Mitarbeiter und Ermittler
Ermittler
- Hauptermittler: Yu Honggang, Doctor, Renmin Hospital of Wuhan University
Studienaufzeichnungsdaten
Haupttermine studieren
Studienbeginn (Tatsächlich)
Primärer Abschluss (Tatsächlich)
Studienabschluss (Tatsächlich)
Studienanmeldedaten
Zuerst eingereicht
Zuerst eingereicht, das die QC-Kriterien erfüllt hat
Zuerst gepostet (Tatsächlich)
Studienaufzeichnungsaktualisierungen
Letztes Update gepostet (Tatsächlich)
Letztes eingereichtes Update, das die QC-Kriterien erfüllt
Zuletzt verifiziert
Mehr Informationen
Begriffe im Zusammenhang mit dieser Studie
Zusätzliche relevante MeSH-Bedingungen
Andere Studien-ID-Nummern
- EA-22-002
Arzneimittel- und Geräteinformationen, Studienunterlagen
Studiert ein von der US-amerikanischen FDA reguliertes Arzneimittelprodukt
Studiert ein von der US-amerikanischen FDA reguliertes Geräteprodukt
Produkt, das in den USA hergestellt und aus den USA exportiert wird
Diese Informationen wurden ohne Änderungen direkt von der Website clinicaltrials.gov abgerufen. Wenn Sie Ihre Studiendaten ändern, entfernen oder aktualisieren möchten, wenden Sie sich bitte an register@clinicaltrials.gov. Sobald eine Änderung auf clinicaltrials.gov implementiert wird, wird diese automatisch auch auf unserer Website aktualisiert .