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

Entwicklung künstlicher Intelligenz für die Diagnose kolorektaler Polypen

5. Juni 2024 aktualisiert von: King's College Hospital NHS Trust

Entwicklung eines neuartigen computergestützten Echtzeit-Koloskopie-Diagnosetools für kolorektale Polypen: Läsionsdiagnose und personalisiertes Patientenmanagement

Eine genaue Klassifizierung der bei der Koloskopie festgestellten Wucherungen im Dickdarm (Polypen) ist unerlässlich, um das Risiko für Darmkrebs zu ermitteln. Die zuverlässige Identifizierung des Krebsrisikos einzelner Polypen hilft dabei, die beste Behandlungsoption für den erkannten Polypen zu bestimmen und die geeigneten Intervallanforderungen für eine zukünftige Koloskopie zu bestimmen, um die Entnahmestelle und weitere Polypen an anderer Stelle im Darm zu überprüfen.

Aktuelle fortgeschrittene endoskopische Bildgebungstechniken erfordern spezielle Fähigkeiten und Fachwissen, was eine lange Lernkurve und eine längere Eingriffszeit mit sich bringt. Aus diesen Gründen sind solche Techniken trotz ihrer Einführung in die klinische Praxis begrenzt und die derzeitigen Methoden zur Polypenrisikostratifizierung während der Koloskopie ohne künstliche Intelligenz (KI) sind suboptimal. Ungefähr 25 % der Darmpolypen, die durch größere chirurgische Eingriffe entfernt werden, werden analysiert und später als nicht krebsartige Polypen befunden, die mittels Endoskopie hätten entfernt werden können, wodurch anatomisch veränderte chirurgische Eingriffe und die damit verbundenen Risiken vermieden werden konnten. Mit einer genauen Polypendiagnose und Risikostratifizierung in Echtzeit mithilfe von KI hätten solche Polypen nicht-chirurgisch (endoskopisch) entfernt werden können. Aktuelle Plattformen für die computergestützte Diagnose (CADx, eine Form der KI) unterscheiden nur zwischen krebsartigen und nicht krebsartigen Polypen, was für die Bereitstellung eines personalisierten Patientenrisikos für Darmkrebs nur von begrenztem Wert ist. Die Entwicklung eines Mehrklassenalgorithmus ist komplexer als eine binäre Klassifizierung und erfordert größere Trainings- und Validierungsdatensätze. Ein robuster CADx-Algorithmus sollte auch global trainierbare Daten umfassen, um die Einführung von Verzerrungen zu minimieren. Aus diesen Gründen handelt es sich um eine geplante internationale multizentrische Studie.

Ziel der Forscher ist es, ein neuartiges AI-Tool zur Vorhersage von Pathologierisiken in fünf Klassen zu entwickeln, das zuverlässige Informationen zur Identifizierung des Krebsrisikos unabhängig von den Fähigkeiten des Endoskopikers liefert.

Diese 5 Kategorien wurden ausgewählt, da die Behandlungsmöglichkeiten je nach Polypentyp unterschiedlich sind und zukünftige Leitlinien zur Kontrollkoloskopie diese Kategorien erfordern

Studienübersicht

Status

Rekrutierung

Intervention / Behandlung

Detaillierte Beschreibung

Der Einsatz künstlicher Intelligenz bei der computergestützten Erkennung (CADe) zur Erkennung von Polypen (vorkanzerösen Wucherungen) während der Koloskopie gewinnt zunehmend an Interesse und Akzeptanz, da bereits mehrere Geräte auf dem Mainstream-Markt erhältlich sind. Der Forscher weiß bereits aus Arbeiten in anderen Ländern, dass die Erkennung von mehr Polypen zu einem geringeren Darmkrebsrisiko für den Patienten führt, der sich dem Eingriff unterzieht, und zwar in den Jahren nach der Koloskopie (d. h. präkanzeröse Wucherungen wurden erkannt und entfernt). Dies bildete die Grundlage für nationale Darmkrebs-Früherkennungsprogramme. Mit zunehmender Erkennung kolorektaler Polypen besteht ein wachsender Bedarf, die Art des Polypen korrekt zu identifizieren, um das Risiko von Darmkrebs bei erkanntem Polypen und auch das potenzielle zukünftige Risiko für den Patienten zu ermitteln. Eine genaue Polypendiagnose ist auch erforderlich, um den richtigen Modus oder die richtige Entfernung zu bestimmen – ob diese überhaupt entfernt werden muss (was in einem schwierigen aktuellen Umfeld zu Kosten- und Ressourceneinsparungen führt), ob eine endoskopische Entfernung möglich ist und wenn ja, durch welches Verfahren, ob eine Operation ist erforderlich.

Veröffentlichte Daten zeigen, dass etwa ein Viertel der chirurgisch entfernten kolorektalen Polypen bei Patienten, die sich einer größeren Operation unterzogen, gutartig waren und daher eine größere Operation hätte vermieden werden können, wenn diese Polypen endoskopisch entfernt worden wären, was das Komplikationsrisiko und den Organerhalt für den Patienten verringert hätte.

Aktuelle Polypendiagnosetechniken erfordern die Verwendung und Interpretation spezieller Farbstoffe und Vergrößerungsendoskope, die mit dem Erwerb von Fachwissen, einer damit verbundenen Lernkurve und einer längeren Eingriffszeit einhergehen. Aus diesen Gründen sind solche Techniken trotz ihrer Einführung in die klinische Praxis begrenzt und die derzeitigen Methoden zur Polypenrisikostratifizierung während der Koloskopie ohne KI sind nicht optimal.

Aktuelle KI-Algorithmen (CADx) für die Polypendiagnose sind auf eine kleinere Klassifizierung beschränkt. Aktuelle CADx-Plattformen unterscheiden zwischen krebsartigen und nicht krebsartigen Polypen, was für die Bereitstellung eines personalisierten Patientenrisikos für Darmkrebs nur von begrenztem Wert ist. Die Entwicklung eines Mehrklassenalgorithmus ist komplexer als eine binäre Klassifizierung und erfordert größere Trainings- und Validierungsdatensätze. Ein robuster CADx-Algorithmus sollte auch global trainierbare Daten umfassen, um die Einführung von Verzerrungen zu minimieren. Aus diesen Gründen handelt es sich um eine geplante internationale multizentrische Studie

Prospektive Datenerhebung:

Diese Studie wird parallel zur üblichen Patientenversorgung durchgeführt, erfordert jedoch, dass das Forschungspersonal Daten in ein sicheres webbasiertes Berichtsformular (REDCAP-Datenbank) eingibt. Dies bedeutet, dass die Teilnehmer genau das gleiche Verfahren durchlaufen, ohne Unterschiede und ohne zusätzliche Besuche oder Daten, als dies sonst der Fall gewesen wäre. Teilnehmer sind diejenigen Patienten, bei denen aus den üblichen Gründen eine Koloskopie geplant ist. Die Patienten werden wie gewohnt zur Koloskopie eingeladen.

Das PIS kann ihnen – soweit möglich – mit dem Terminschreiben zugesandt werden (bis zu 6 Wochen im Voraus). Bei ihrer Ankunft in der Endoskopieabteilung werden sie von einem Mitglied des Forschungsteams angesprochen und erhalten eine Kopie des PIS zum Lesen – bis zu einer Stunde vor dem Eingriff. Vor der schriftlichen Zustimmung zur Erfassung ihrer Daten in der Datenbank erhalten sie persönliche Informationen und Erläuterungen. Da für die Studie keine Änderungen oder zusätzlichen Verfahren erforderlich sind, ist der Prüfer der Ansicht, dass ein erster Kontakt bei der Ankunft in der Endoskopieeinheit ausreichend Zeit für die Einwilligung bietet, auch wenn das PIS nicht im Voraus gelesen wurde (obwohl es verschickt wird). wenn möglich). Die einzige zusätzliche Überlegung ist die Zustimmung zur Aufzeichnung des Videos (im Rahmen dieses Aspekts werden keine patientenidentifizierbaren Daten übertragen).

Sobald die Koloskopie abgeschlossen ist, finden keine weiteren Besuche mehr statt.

Studientyp

Beobachtungs

Einschreibung (Geschätzt)

4000

Kontakte und Standorte

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

Studienkontakt

Studieren Sie die Kontaktsicherung

Studienorte

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

N/A

Probenahmeverfahren

Nicht-Wahrscheinlichkeitsprobe

Studienpopulation

Alle Erwachsenen (über 18 Jahre), die sich zur Vorsorgeuntersuchung oder symptomatischen Koloskopie vorstellen

Beschreibung

Einschlusskriterien:

- Über 18 Jahre bei Aufnahme. Symptomatische oder Screening-Koloskopie

Ausschlusskriterien:

  • Es kann keine Einverständniserklärung abgegeben werden.
  • Kolitis-assoziierte Dysplasie
  • Polypen an chirurgischen Anastomosestellen
  • Schwangerschaft

Studienplan

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

Wie ist die Studie aufgebaut?

Designdetails

Was misst die Studie?

Primäre Ergebnismessungen

Ergebnis Maßnahme
Maßnahmenbeschreibung
Zeitfenster
Ziel ist es, eine Gesamtgenauigkeit von 85 % für den Läsionsvorhersagealgorithmus mit fünf Klassifizierungen zu erreichen.
Zeitfenster: 24 Monate
Sensitivität und Spezifität
24 Monate
Positiver und negativer vorhergesagter Wert
Zeitfenster: 24 Monate
Bewerten Sie die Genauigkeit des trainierten Geräts
24 Monate

Sekundäre Ergebnismessungen

Ergebnis Maßnahme
Maßnahmenbeschreibung
Zeitfenster
Interobserver-Übereinstimmung der Endoskopiker zur Vorhersage der Histologie von Polypen während des Annotationsprozesses.
Zeitfenster: 36 Monate
Wir werden die histologische Vereinbarung zwischen dem fortgeschrittenen Endoskopiker analysieren und berechnen
36 Monate
Die Unteranalyse der Polypenmerkmale konzentrierte sich auf unterschiedliche Geschlechter und ethnische Zugehörigkeit.
Zeitfenster: 36 Monate
Um zu beurteilen, ob die Vorhersage des Geschlechts, der ethnischen Zugehörigkeit und des Alters des Patienten mithilfe des entwickelten CADx-Modells möglich ist.
36 Monate
Dies wird eine Teilanalyse eines KI-Algorithmus sein, der darauf trainiert ist, die Polypenhistologie anhand der prospektiven Datenkohorte vorherzusagen.
Zeitfenster: 36 Monate
Außerdem wird ein multidisziplinäres Gremium eine qualitative Analyse falscher CADx-Diagnosen durchführen, um mögliche Auswirkungen zu bewerten
36 Monate
Erlernte Auswirkungen der KI-gestützten Endoskopie auf die optische Diagnose des Endoskopikers
Zeitfenster: 36 Monate
Wir werden bewerten, ob der Einsatz von KI während der Koloskopie ein Lernwerkzeug für Endoskopiker sein kann
36 Monate

Mitarbeiter und Ermittler

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

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)

4. Mai 2024

Primärer Abschluss (Geschätzt)

1. Juni 2025

Studienabschluss (Geschätzt)

30. Mai 2026

Studienanmeldedaten

Zuerst eingereicht

7. Mai 2024

Zuerst eingereicht, das die QC-Kriterien erfüllt hat

5. Juni 2024

Zuerst gepostet (Tatsächlich)

6. Juni 2024

Studienaufzeichnungsaktualisierungen

Letztes Update gepostet (Tatsächlich)

6. Juni 2024

Letztes eingereichtes Update, das die QC-Kriterien erfüllt

5. Juni 2024

Zuletzt verifiziert

1. Juni 2024

Mehr Informationen

Begriffe im Zusammenhang mit dieser Studie

Plan für individuelle Teilnehmerdaten (IPD)

Planen Sie, individuelle Teilnehmerdaten (IPD) zu teilen?

UNENTSCHIEDEN

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