Künstliche Intelligenz und Darmreinigungsqualität (CALPER2)

Die Patientenwahrnehmung des letzten Stuhlgangs vor der Koloskopie hat sich als starker Prädiktor für die während der Koloskopie bewertete Darmreinigung erwiesen. Eine große Studie mit 1011 Patienten, verteilt auf eine Ableitungskohorte (633 Patienten) und eine Validierungskohorte (378 Patienten), unter Verwendung eines Satzes von 4 Bildern, die Darmreinigungsqualitäten ähneln, zeigte eine moderate Übereinstimmung mit der BBPS. Außerdem zeigte sich eine gute Übereinstimmung beim Vergleich der Personalwahrnehmung und der Patientenwahrnehmung des letzten Stuhlgangs. Diese Befunde bieten eine hervorragende Gelegenheit, am Tag der Untersuchung vor der Koloskopie Rettungsmaßnahmen zur Reinigung zu testen.

In den letzten zwei Jahren haben Anwendungen künstlicher Intelligenz in mehreren Disziplinen, einschließlich der Endoskopie, einen wesentlichen Durchbruch erzielt. Machine Learning und seine fortgeschrittenere Form Deep Learning bezieht sich auf die Entwicklung von Algorithmen (Convolutional Neural Networks) mit der Fähigkeit, bestimmte Aufgaben zu lernen und auszuführen. Im Bereich der Endoskopie wurden Computer-Vision-Anwendungen als Forschungsschwerpunkt benannt. Basierend auf all diesen Erfahrungen war das Ziel dieser Studie, ein konvolutionelles neuronales Netzwerk zu entwerfen und zu validieren, das in der Lage ist, die Qualität der häuslichen Reinigung des Patienten nach der Einnahme der Darmreinigungslösung und vor der Teilnahme an der Darmspiegelung automatisch vorherzusagen. Das andere Ziel bestand darin, prospektiv in einer Patientenkohorte die Übereinstimmung zwischen dem Ergebnis der letzten vom Convolutional Neural Network bewerteten Qualität des rektalen Abflusses und der während der Koloskopie bewerteten Reinigungsqualität anhand einer validierten Skala (Boston Bowel Preparation Scale, BBPS) zu bewerten. Diese Studie ist eingebettet in eine prospektive Beobachtungsstudie, die zwischen Februar 2021 und Mai 2021 in der Open-Access-Endoskopie-Einheit des Hospital Universitario de Canarias durchgeführt wurde (NCT04702646). An dieser Studie nahmen insgesamt 633 konsekutive ambulante Patienten mit einer geplanten Koloskopie teil (insgesamt 266 Patienten (42 %) schickten mindestens ein Bild). Nach dieser Studie wurden Patienten, bei denen eine ambulante Koloskopie gewünscht wurde, gebeten, Bilder ihrer Ausscheidungen während der Einnahme von Darmpräparaten zur Verfügung zu stellen. Eine Untergruppe dieser Bilder wird vom Personal unserer Einheit als angemessen und unzureichend klassifiziert und zum Trainieren des Convolutional Neural Network verwendet. Ein weiterer Satz von Bildern wird verwendet, um das Convolutional Neural Network zu validieren. Darüber hinaus werden die Forscher das Convolutional Neural Network in-vivo validieren, indem sie seine Klassifizierung der Ausflussqualität mit einer validierten Darmreinigungsskala während der Koloskopie vergleichen.