Auf Deep Learning basierende künstliche Intelligenz zur Diagnose von Dünndarmverschluss
Studie mit Deep-Learning-basierter künstlicher Intelligenz zur Diagnose von Dünndarmverschluss
Studienübersicht
Status
Bedingungen
Intervention / Behandlung
Detaillierte Beschreibung
DESIGN: Dies ist eine diagnostische Studie. EINSTELLUNG: Wir haben eine auf Deep Learning basierende KI-Technologie entwickelt, um anhand von 5.200 CT-Bildern von 158 Patienten automatisch den Darmtrakt aus CT-Bildern zu extrahieren. Die CT-Bilder von Patienten, die zwischen dem 6. Juni und dem 26. Juli 2018 die Notaufnahme aufsuchten und bei denen der Verdacht auf einen Dünndarmverschluss bestand, wurden von zwei tertiären Überweisungszentren erhalten und als Testproben verwendet. Die Datenanalyse wurde im Dezember 2023 abgeschlossen.
TEILNEHMER: An der Studie nahmen Assistenzärzte und Chirurgen teil. INTERVENTIONEN: Assistenzärzte und Chirurgen wurden in zwei Gruppen eingeteilt: Eine Gruppe las mit der KI-Technologie, die andere Gruppe las ohne die KI-Technologie.
WICHTIGSTE ERGEBNISSE UND MASSNAHMEN: Die Teilnehmer gaben an, ob ein Dünndarmverschluss vorliegt oder nicht, sowie den Ort des Verschlusses. Auch die Diagnosezeit wurde erfasst. Wir haben ein hierarchisches Bayesianisches Modell angewendet.
Studientyp
Einschreibung (Tatsächlich)
Kontakte und Standorte
Studienorte
-
-
Aichi
-
Nagoya, Aichi, Japan, 4668560
- Nagoya University Graduate School of Medicine
-
-
Teilnahmekriterien
Zulassungskriterien
Studienberechtigtes Alter
- Kind
- Erwachsene
- Älterer Erwachsener
Akzeptiert gesunde Freiwillige
Probenahmeverfahren
Studienpopulation
Beschreibung
Einschlusskriterien:
- Personen mit dokumentierter Einwilligung
Ausschlusskriterien:
- Personen ohne dokumentierte Einwilligung
Studienplan
Wie ist die Studie aufgebaut?
Designdetails
Kohorten und Interventionen
Gruppe / Kohorte |
Intervention / Behandlung |
|---|---|
|
KI-Gruppe
Die Teilnehmer lesen CT-Bilder mit KI.
|
KI extrahiert den Darmbereich und rekonstruiert ihn in ein 3D-Bild.
|
|
Manuelle Gruppe
Die Teilnehmer lesen CT-Bilder ohne KI
|
Was misst die Studie?
Primäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Die Diagnose der Obstruktionsstelle
Zeitfenster: September 2024
|
Genauigkeit der Diagnose der Obstruktionsstelle
|
September 2024
|
Mitarbeiter und Ermittler
Sponsor
Ermittler
- Studienstuhl: Hieoo Uchida, PhD., Nagoya University Graduate School of Medicine, Pediatric Surgery
Studienaufzeichnungsdaten
Haupttermine studieren
Studienbeginn (Tatsächlich)
Primärer Abschluss (Tatsächlich)
Studienabschluss (Geschätzt)
Studienanmeldedaten
Zuerst eingereicht
Zuerst eingereicht, das die QC-Kriterien erfüllt hat
Zuerst gepostet (Tatsächlich)
Studienaufzeichnungsaktualisierungen
Letztes Update gepostet (Tatsächlich)
Letztes eingereichtes Update, das die QC-Kriterien erfüllt
Zuletzt verifiziert
Mehr Informationen
Begriffe im Zusammenhang mit dieser Studie
Zusätzliche relevante MeSH-Bedingungen
Andere Studien-ID-Nummern
- 2022-0188
Plan für individuelle Teilnehmerdaten (IPD)
Planen Sie, individuelle Teilnehmerdaten (IPD) zu teilen?
Arzneimittel- und Geräteinformationen, Studienunterlagen
Studiert ein von der US-amerikanischen FDA reguliertes Arzneimittelprodukt
Studiert ein von der US-amerikanischen FDA reguliertes Geräteprodukt
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 .