Diese Seite wurde automatisch übersetzt und die Genauigkeit der Übersetzung wird nicht garantiert. Bitte wende dich an die englische Version für einen Quelltext.

Automatische Bewertung des Ausmaßes der Darmmetaplasie mit künstlicher Intelligenz

14. Juli 2022 aktualisiert von: Yanqing Li, Shandong University

Entwicklung und Validierung eines Systems der künstlichen Intelligenz zur automatischen Bewertung des Ausmaßes der intestinalen Metaplasie

Magen-Darm-Metaplasie (GIM) ist ein wichtiges Stadium bei Magenkrebs (GC). Mit dem technischen Fortschritt der bildverstärkten Endoskopie (IEE) haben Studien gezeigt, dass die IEE eine hohe Genauigkeit für die Diagnose von GIM hat. Das endoskopische Einstufungssystem (EGGIM), ein neues endoskopisches Risikobewertungssystem für GC, hat gezeigt, dass es ein breites Spektrum von Patienten mit GIM genau identifiziert. Die hohe diagnostische Genauigkeit von GIM unter Verwendung von IEE- und EGGIM-Bewertungen erfordert jedoch viel Erfahrung, was die Anwendung von EGGIM einschränkt. Die Forscher wollen ein computergestütztes Diagnoseprogramm entwerfen, das ein tiefes neuronales Netzwerk verwendet, um das Ausmaß von IM automatisch zu bewerten und die EGGIM-Scores zu berechnen.

Studienübersicht

Status

Rekrutierung

Bedingungen

Detaillierte Beschreibung

Magenkrebs ist weltweit die fünfthäufigste bösartige Erkrankung und die dritthäufigste Krebstodesursache. Magen-Darm-Metaplasie (GIM) ist eine intermediäre Magenkrebsvorstufe in der Kaskade von Magenkrebs. Studien haben gezeigt, dass die kumulative 5-Jahres-Inzidenz von Magenkrebs bei IM-Patienten zwischen 5,3 % und 9,8 % liegt. Mit dem technischen Fortschritt der bildverstärkten Endoskopie (IEE) haben Studien gezeigt, dass die IEE eine hohe Genauigkeit für die Diagnose von GIM hat. Das endoskopische Einstufungssystem (EGGIM), ein neues endoskopisches Risikobewertungssystem für GC, hat gezeigt, dass es ein breites Spektrum von Patienten mit GIM genau identifiziert. Die hohe diagnostische Genauigkeit von GIM unter Verwendung von IEE- und EGGIM-Bewertungen erfordert jedoch viel Erfahrung, was die Anwendung von EGGIM einschränkt. Die Forscher wollen ein computergestütztes Diagnoseprogramm entwerfen, das ein tiefes neuronales Netzwerk verwendet, um das Ausmaß von IM automatisch zu bewerten und die EGGIM-Scores zu berechnen.

Studientyp

Beobachtungs

Einschreibung (Voraussichtlich)

600

Kontakte und Standorte

Dieser Abschnitt enthält die Kontaktdaten derjenigen, die die Studie durchführen, und Informationen darüber, wo diese Studie durchgeführt wird.

Studienorte

  • China
    • Shandong
      • Jinan, Shandong, China, 250012
        • Rekrutierung
        • Department of Gastrology, QiLu Hospital, Shandong University

Teilnahmekriterien

Forscher suchen nach Personen, die einer bestimmten Beschreibung entsprechen, die als Auswahlkriterien bezeichnet werden. Einige Beispiele für diese Kriterien sind der allgemeine Gesundheitszustand einer Person oder frühere Behandlungen.

Zulassungskriterien

Studienberechtigtes Alter

18 Jahre bis 80 Jahre (Erwachsene, Älterer Erwachsener)

Akzeptiert gesunde Freiwillige

Nein

Studienberechtigte Geschlechter

Alle

Probenahmeverfahren

Nicht-Wahrscheinlichkeitsprobe

Studienpopulation

Konsekutivpatienten, die die IEE-Untersuchung erhalten und gescreent werden und die Zulassungskriterien am Qilu Hospital der Shandong University erfüllen, werden in die Studie aufgenommen

Beschreibung

Einschlusskriterien:

  • Patienten im Alter von 18-80 Jahren, die sich der IEE-Untersuchung unterziehen

Ausschlusskriterien:

  • Patienten mit schwerer kardialer, zerebraler, pulmonaler oder renaler Dysfunktion oder psychiatrischen Erkrankungen, die nicht an einer Gastroskopie teilnehmen können
  • Patienten mit vorangegangenen chirurgischen Eingriffen am Magen
  • Patienten, die sich weigern, die Einwilligungserklärung zu unterschreiben

Studienplan

Dieser Abschnitt enthält Einzelheiten zum Studienplan, einschließlich des Studiendesigns und der Messung der Studieninhalte.

Wie ist die Studie aufgebaut?

Designdetails

  • Beobachtungsmodelle: Sonstiges
  • Zeitperspektiven: Retrospektive

Kohorten und Interventionen

Gruppe / Kohorte
Gruppe zum Trainieren des Algorithmus
Diese Gruppe von Bildern wird zum Trainieren des Algorithmus der künstlichen Intelligenz verwendet
Gruppe zum Testen des Algorithmus
Diese Gruppe von Bildern wird zum Testen des Algorithmus der künstlichen Intelligenz verwendet

Was misst die Studie?

Primäre Ergebnismessungen

Ergebnis Maßnahme
Maßnahmenbeschreibung
Zeitfenster
Die Spezifität des AI-Modells zur Beurteilung des Grades der intestinalen Metaplasie in einem endoskopischen Bild
Zeitfenster: 2 Jahre
Die Spezifität des AI-Modells zur Beurteilung des Grades der intestinalen Metaplasie in einem endoskopischen Bild
2 Jahre
Die Genauigkeit des KI-Modells zur Beurteilung des Grades der intestinalen Metaplasie in einem endoskopischen Bild
Zeitfenster: 2 Jahre
Die Genauigkeit des KI-Modells zur Beurteilung des Grades der intestinalen Metaplasie in einem endoskopischen Bild
2 Jahre
Die Empfindlichkeit des AI-Modells zur Beurteilung des Grades der intestinalen Metaplasie in einem endoskopischen Bild
Zeitfenster: 2 Jahre
Die Sensitivität des AI-Modells zur Beurteilung des Grades der intestinalen Metaplasie in einem
2 Jahre

Sekundäre Ergebnismessungen

Ergebnis Maßnahme
Maßnahmenbeschreibung
Zeitfenster
Genauigkeit der erfahrenen Endoskopiker, um den Grad der Darmmetaplasie zu beurteilen
Zeitfenster: Zwei Jahre
Genauigkeit des erfahrenen Endoskopikers, um den Grad der intestinalen Metaplasie in einem endoskopischen Bild zu beurteilen
Zwei Jahre
Genauigkeit des unerfahrenen Endoskopikers zur Beurteilung des Grades der intestinalen Metaplasie
Zeitfenster: 2 Jahre
Genauigkeit des unerfahrenen Endoskopikers, um den Grad der intestinalen Metaplasie in einem endoskopischen Bild zu beurteilen
2 Jahre
Beobachterübereinstimmung unter erfahrenen Endoskopikern bei der Bestimmung des Grades der intestinalen Metaplasie
Zeitfenster: 2 Jahre
Beobachterübereinstimmung unter erfahrenen Endoskopikern bei der Bestimmung des Grades der intestinalen Metaplasie in einem endoskopischen Bild
2 Jahre
Inter-Observer-Übereinstimmung unter unerfahrenen Endoskopikern bei der Bestimmung des Grads der intestinalen Metaplasie
Zeitfenster: 2 Jahre
Inter-Observer-Übereinstimmung unter unerfahrenen Endoskopikern bei der Identifizierung des Grades der intestinalen Metaplasie in einem endoskopischen Bild
2 Jahre

Mitarbeiter und Ermittler

Hier finden Sie Personen und Organisationen, die an dieser Studie beteiligt sind.

Sponsor

Shandong University

Studienaufzeichnungsdaten

Diese Daten verfolgen den Fortschritt der Übermittlung von Studienaufzeichnungen und zusammenfassenden Ergebnissen an ClinicalTrials.gov. Studienaufzeichnungen und gemeldete Ergebnisse werden von der National Library of Medicine (NLM) überprüft, um sicherzustellen, dass sie bestimmten Qualitätskontrollstandards entsprechen, bevor sie auf der öffentlichen Website veröffentlicht werden.

Haupttermine studieren

Studienbeginn (Tatsächlich)

1. Juli 2022

Primärer Abschluss (Voraussichtlich)

30. Dezember 2023

Studienabschluss (Voraussichtlich)

30. Dezember 2023

Studienanmeldedaten

Zuerst eingereicht

8. Juli 2022

Zuerst eingereicht, das die QC-Kriterien erfüllt hat

14. Juli 2022

Zuerst gepostet (Tatsächlich)

15. Juli 2022

Studienaufzeichnungsaktualisierungen

Letztes Update gepostet (Tatsächlich)

15. Juli 2022

Letztes eingereichtes Update, das die QC-Kriterien erfüllt

14. Juli 2022

Zuletzt verifiziert

1. Juli 2022

Mehr Informationen

Begriffe im Zusammenhang mit dieser Studie

Zusätzliche relevante MeSH-Bedingungen

Andere Studien-ID-Nummern

  • 2022SDU-QILU-109

Plan für individuelle Teilnehmerdaten (IPD)

Planen Sie, individuelle Teilnehmerdaten (IPD) zu teilen?

Nein

Arzneimittel- und Geräteinformationen, Studienunterlagen

Studiert ein von der US-amerikanischen FDA reguliertes Arzneimittelprodukt

Nein

Studiert ein von der US-amerikanischen FDA reguliertes Geräteprodukt

Nein

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 .

Abonnieren