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

Die Rolle der künstlichen Intelligenz bei der endoskopischen Diagnose des Adenokarzinoms der ösophagogastrischen Junktion: Eine diagnostische Fall-Kontroll-Studie an einem einzigen Zentrum

15. November 2023 aktualisiert von: Qilu Hospital of Shandong University
Dies ist eine diagnostische Fall-Kontroll-Studie mit einem einzigen Zentrum. Das Ziel dieser Studie ist es, mithilfe von Deep-Learning-Methoden die Bilddaten der Magen-Darm-Endoskopie im Qilu-Krankenhaus retrospektiv zu analysieren und ein Modell der künstlichen Intelligenz basierend auf endoskopischen Bildern zur Erkennung und zu erstellen Bestimmung der Invasionstiefe des Adenokarzinoms der ösophagogastrischen Junktion. In dieser Studie wird auch das etablierte KI-Modell mit den diagnostischen Ergebnissen von Endoskopikern verglichen, um den klinischen Hilfswert des Modells für Endoskopiker zu bewerten. Die Forschung umfasst Phasen wie Datenerfassung und -vorverarbeitung, künstliche Intelligenz Modellentwicklung, Modelltest und Evaluation. Der von diesem Forschungsinstitut erstellte Gastroskopie-Bilddatensatz umfasst hauptsächlich drei Modi der endoskopischen Bildgebung: Weißlicht-Endoskopie, optische Verstärkungsendoskopie (OE) und Schmalband-Bildgebungsendoskopie (NBI).

Studienübersicht

Status

Noch keine Rekrutierung

Bedingungen

Intervention / Behandlung

Studientyp

Beobachtungs

Einschreibung (Geschätzt)

200

Kontakte und Standorte

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

Studienkontakt

  • Name: Miaomiao Ma, Bachelor
  • Telefonnummer: +8617657686098
  • E-Mail: mmiao6098@163.com

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

  • Erwachsene
  • Älterer Erwachsener

Akzeptiert gesunde Freiwillige

Ja

Probenahmeverfahren

Nicht-Wahrscheinlichkeitsprobe

Studienpopulation

Diese Studie umfasste endoskopische Bilder des ösophagealen Magenübergangs, die vom Endoskopiezentrum des Qilu-Krankenhauses zum Trainieren und Testen des Modells abgerufen wurden. Die Studienpopulation wurde einer pathologischen Untersuchung unterzogen, und die pathologischen Ergebnisse wurden als Goldstandard verwendet.

Beschreibung

Einschlusskriterien:

  • Diese Studie umfasste endoskopische Bilder von Patienten ab 18 Jahren, die sich einer endoskopischen Untersuchung oder Behandlung unterzogen
  • Alle Patienten in der Fallgruppe müssen pathologisch als Adenokarzinom des ösophagealen Magenübergangs bestätigt werden, und ein Pathologe hat eine standardisierte pathologische Bewertung der Tumorklassifikation der Läsion durchgeführt, einschließlich des Gesamterscheinungsbildes, der Größe, des Differenzierungstyps, der Infiltrationstiefe, des Vorhandenseins oder Fehlen einer lymphatischen/vaskulären Invasion, Zustand des Operationsrandes usw.
  • Die endoskopischen Bilder der Patienten der Kontrollgruppe müssen durch eine Biopsie-Pathologie oder mindestens zwei erfahrene Endoskopiker (mit Operationserfahrung > 5000 Fälle) bestätigt werden, um gemeinsam zu bestätigen, dass sie eindeutige gutartige Manifestationen haben

Ausschlusskriterien:

  • Der Patient hat eine Vorgeschichte einer endoskopischen Behandlung oder Operation für den ösophagealen Magenübergang.
  • Notwendige klinische Informationen können während des Forschungsprozesses nicht bereitgestellt werden (Patientenalter, Geschlecht, Läsionsmerkmale, endoskopische Manifestationen, endoskopische Bilder usw.)
  • Endoskopische Bilder von geringer Qualität, z. B. solche, die stark von Blutungen, Apertur, Unschärfe, Defokussierung, Artefakten oder übermäßigem Schleim nach der Biopsie betroffen sind.

Studienplan

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

Wie ist die Studie aufgebaut?

Designdetails

Kohorten und Interventionen

Gruppe / Kohorte
Intervention / Behandlung
Trainingsset
Diagnosetest: Ein intelligentes endoskopisches Diagnosesystem, das auf der Grundlage von Deep Learning entwickelt und verifiziert wurde
Diese Studie wird das etablierte KI-Modell mit den diagnostischen Ergebnissen von Endoskopikern vergleichen, um den klinischen Hilfswert des Modells für Endoskopiker zu bewerten.
Test-Set
Diagnosetest: Ein intelligentes endoskopisches Diagnosesystem, das auf der Grundlage von Deep Learning entwickelt und verifiziert wurde
Diese Studie wird das etablierte KI-Modell mit den diagnostischen Ergebnissen von Endoskopikern vergleichen, um den klinischen Hilfswert des Modells für Endoskopiker zu bewerten.
Überprüfungssatz
Diagnosetest: Ein intelligentes endoskopisches Diagnosesystem, das auf der Grundlage von Deep Learning entwickelt und verifiziert wurde
Diese Studie wird das etablierte KI-Modell mit den diagnostischen Ergebnissen von Endoskopikern vergleichen, um den klinischen Hilfswert des Modells für Endoskopiker zu bewerten.

Was misst die Studie?

Primäre Ergebnismessungen

Ergebnis Maßnahme
Maßnahmenbeschreibung
Zeitfenster
Empfindlichkeit
Zeitfenster: 36 Monate
Die Forscher berechneten die Sensitivität des etablierten KI-Modells und verglichen es mit Endoskopikern unterschiedlicher Stufen.
36 Monate
Spezifität
Zeitfenster: 36 Monate
Die Forscher berechneten die Spezifität des etablierten KI-Modells und verglichen es mit Endoskopikern verschiedener Ebenen.
36 Monate
Negativer Vorhersagewert
Zeitfenster: 36 Monate
Die Forscher berechneten den negativen Vorhersagewert des etablierten KI-Modells und verglichen ihn mit Endoskopikern unterschiedlicher Stufen.
36 Monate
Positiv vorhergesagter Wert
Zeitfenster: 36 Monate
Die Forscher berechneten den positiven Vorhersagewert des etablierten KI-Modells und verglichen ihn mit Endoskopikern unterschiedlicher Stufen.
36 Monate
Genauigkeit
Zeitfenster: 36 Monate
Die Forscher berechneten die Genauigkeit des positiven Vorhersagewerts des etablierten KI-Modells und verglichen es mit Endoskopikern unterschiedlicher Ebenen.
36 Monate

Mitarbeiter und Ermittler

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

Sponsor

Qilu Hospital of 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 (Geschätzt)

1. Dezember 2023

Primärer Abschluss (Geschätzt)

1. April 2025

Studienabschluss (Geschätzt)

1. April 2026

Studienanmeldedaten

Zuerst eingereicht

6. April 2023

Zuerst eingereicht, das die QC-Kriterien erfüllt hat

6. April 2023

Zuerst gepostet (Tatsächlich)

19. April 2023

Studienaufzeichnungsaktualisierungen

Letztes Update gepostet (Geschätzt)

16. November 2023

Letztes eingereichtes Update, das die QC-Kriterien erfüllt

15. November 2023

Zuletzt verifiziert

1. April 2023

Mehr Informationen

Begriffe im Zusammenhang mit dieser Studie

Zusätzliche relevante MeSH-Bedingungen

Andere Studien-ID-Nummern

  • 2023SDU-QILU-1

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