GastroBot: Künstliche Intelligenz zur Darmvorbereitung

Hintergrund Darmkrebs (CRC) ist der dritthäufigste Tumor, der häufigste Magen-Darm-Tumor und die zweithäufigste krebsbedingte Todesursache. (1) In mehr als 80–90 % der Fälle hat CRC eine Vorläuferläsion, einen adenomatösen Polypen oder ein Adenom, das sich langsam zu CRC entwickelt. Die Koloskopie gilt als Goldstandard in ihrer Prävention, da sie die Erkennung und Behandlung ihrer ursprünglichen Form ermöglicht. (2) Um dies zu berücksichtigen, wurden mehrere Qualitätsindikatoren für die Koloskopie beschrieben, wie z. B. die zökale Intubationsrate, die Entnahmezeit und die Adenom-/Polypenerkennungsrate (ADR), wobei letzterer der wichtigste Indikator ist, der mit dem CRC-Risiko korreliert. (3)

Um die Inzidenz von CRC zu reduzieren, müssen wir uns daher auf die Verbesserung der UAW konzentrieren. Zu diesem Zweck wurden viele Techniken beschrieben, wie z Künstliche Intelligenz. (2, 4) Allen diesen Techniken gemeinsam ist jedoch die Notwendigkeit einer optimalen Visualisierung der Darmschleimhaut, und diese Tatsache hängt von der Darmreinigung ab. (3,4)

Problem Es wird geschätzt, dass etwa 20 % der Koloskopien unzureichend vorbereitet sind. (5) Dies ist mit langwierigen Verfahren und einer geringeren Erkennung von Adenomen verbunden, verringert die Screening-Intervalle und erhöht die Kosten und Risiken von Komplikationen. Dies führt bei Patienten und Ärzten zu Frustration bei medizinisch-rechtlichen Konflikten. (6) Die ideale Reinigungsmethode muss sicher, gut verträglich und wirksam sein, aber keine der aktuellen Optionen erfüllt diese Eigenschaften. Die Hauptursache für eine unsachgemäße Reinigung (80 % der Fälle) ist die Nichtbefolgung der Zubereitungsanweisungen und meistens eine Unverträglichkeit der Lösung zum Einnehmen. (7,8)

Es wurden mehrere Strategien vorgeschlagen, um die Qualität der Darmvorbereitung zu verbessern. Wie in anderen Bereichen wurden mobile Gesundheits-Apps entwickelt, um die Einhaltung von Darmvorbereitungsmitteln zu erhöhen und die Qualität der Darmvorbereitung zu verbessern. Aber auch die Adhärenz zu mobilen Gesundheits-Apps ist ein Qualitätskriterium und ein anstehendes Problem, das es mit dieser neuen Technologie zu lösen gilt. Außerdem müssen mobile Gesundheits-Apps, wie jede mobile App, mit bestimmten Geräten kompatibel sein. GastroBot ist eine neue Technologie, die auf künstlicher Intelligenz basiert und es ermöglicht, über einen Software-Bot eine personalisierte Nachsorge der Darmreinigung des Patienten durchzuführen und den Patienten zu beraten, mit der Vorbereitung verbundene Eventualitäten zu überwinden, die unter anderen Umständen dazu führen könnten das Scheitern davon.

Ziel Das primäre Ziel dieser Studie ist es, die Verbesserung der Darmvorbereitung nach GastroBot-Unterstützung im Vergleich zur traditionellen Erklärung zu bestimmen. Als sekundäres Ziel verfolgt diese Studie auch die Bestimmung der Adenom- und Polypenerkennungsraten (ADR bzw. PDR), der Verträglichkeit von Darmvorbereitungsmitteln und der GastroBot-Funktionalität.

MATERIALEN UND METHODEN

Studiendesign Studientyp. Das Folgende ist eine einfach verblindete und monozentrisch kontrollierte randomisierte Querschnittsstudie. Es werden zwei Gruppen gebildet: die GastroBot-assistierte Darmvorbereitungsgruppe (GB-Gruppe) und die konventionell assistierte Darmvorbereitungsgruppe (C-Gruppe).

Einstellung. Es wird bei aufeinanderfolgenden Patienten mit Indikation zur Darmvorbereitung durchgeführt, bevor sie sich einer Koloskopie mit Blinddarmintubation im Instituto de Gastroenterología y Endoscopía de Avanzada (IGEA), Hospital de la Asociación Médica (HAM) „Dr. Felipe Glasman", Bahía Blanca, Provinz Buenos Aires, Argentinien. Das Studienprotokoll und die Einverständniserklärung wurden vom Institutional Review Board (IRB) genehmigt und werden gemäß der Deklaration von Helsinki durchgeführt. Die Patienten unterschreiben eine Einverständniserklärung.

Intervention Ein klinischer Koordinator ist für die Randomisierung der Patienten verantwortlich. Patienten aus beiden Studiengruppen erhalten die gleiche Art von Präparat mit Polyethylenglykol in geteilter Dosis, wobei die Einnahmezeit nach drei Zeitabschnitten (8-11 Uhr, 11-14 Uhr, 14-16 Uhr) festgelegt wird. Die C-Gruppe erhält die Weisungen ohne vorherige persönliche Beratung schriftlich. Die GB-Gruppe erhält die Anweisungen über die WhatsApp-Anwendung und wird vom Software-Bot mit mehreren und personalisierten alternativen Anweisungen entsprechend den Ergebnissen geführt. Der Endoskopiker führt die Endoskopie durch, indem er die primären und sekundären Endpunkte bewertet, verblindet für die Studiengruppe des Patienten.

Stichprobengröße Unter Berücksichtigung des Anteils unzureichender BBPS (<6) in der App-Gruppe (7,7 %) vs. Kontrollen (16,9 %) beschrieben von Walter B. et al. (2021), haben wir eine Stichprobengröße von 194 Fällen pro Studiengruppe berechnet, um einen zweiseitigen Unterschied bei BBPS zwischen der GB-Gruppe und der C-Gruppe mit einer statistischen Aussagekraft von 80 % zu bestimmen.

Statistische Analyse Baseline-Charakteristika werden zwischen der Fall- und der Kontrollgruppe unter Verwendung des Chi-Quadrat- oder Fisher-Tests für kategoriale Variablen verglichen, und für fortlaufende Variablen wird der Mann-Whitney-Test verwendet. Ein P-Wert von weniger als 0,05 wird als statistisch signifikant angesehen. Alle statistischen Analysen werden mit der neuesten verfügbaren Version des Statistikprogramms R (R Foundation for Statistical Computing; Wien, Österreich) durchgeführt.

Einschränkungen Das Protokoll wird nur in einem Zentrum und von sechs Endoskopikern durchgeführt. Es ist eine einfache Blindstudie. Die Patienten werden wissen, dass sie ein neuartiges Instrument verwenden (oder nicht), um die Qualität der Darmvorbereitung zu verbessern.