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

Transferlernen eines neuronalen Netzwerks für die robotergestützte chirurgische Beurteilung

24. September 2024 aktualisiert von: Nasseh Hashemi, Aalborg University

Transferlernen eines vortrainierten präklinischen neuronalen Netzwerks zur robotergestützten chirurgischen Beurteilung anhand begrenzter klinischer Daten

Das Ziel dieser Beobachtungsstudie besteht darin, zu untersuchen, wie vorab trainierte Modelle der künstlichen Intelligenz (KI), die auf präklinischen Daten trainiert werden, die Genauigkeit der Aktionserkennung und Fähigkeitsbewertung in der roboterassistierten Chirurgie (RAS) bei urologischen Patienten durch den Einsatz von Transferlernen verbessern können . Die wichtigsten Fragen, die beantwortet werden sollen, sind:

  • Können vorab trainierte KI-Modelle die Handlungserkennung und Fähigkeitsbewertung in klinischen Praxen genau beurteilen?
  • Wie wirken sich unterschiedliche Trainingsansätze des Transferlernens auf die Leistung der KI-Modelle aus? Ein von Grund auf unter Verwendung klinischer Daten entwickeltes Basismodell wird mit vorab trainierten Modellen verglichen, die (1) direkt auf klinische Daten angewendet werden, (2) durch das Training nur einiger Schichten des KI-Modells verfeinert und (3) vollständig neu trainiert werden, um festzustellen, ob Diese Ansätze verbessern die Leistung.

Teilnehmer, die Roboterchirurgen sind, werden:

  • Unterziehen Sie sich RAS-Verfahren an Patienten ohne Intervention, wobei Videodaten für die spätere Handlungserkennung und Fähigkeitsbewertung gesammelt werden.
  • Tragen Sie durch die Integration klinischer Datensätze zum Modelltraining und zur Modellbewertung bei.

Studienübersicht

Status

Abgeschlossen

Bedingungen

Intervention / Behandlung

Studientyp

Beobachtungs

Einschreibung (Tatsächlich)

5

Kontakte und Standorte

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

Studienorte

  • Dänemark
    • North Jutland
      • Aalborg, North Jutland, Dänemark, 9000
        • Department of Urology, Aalborg University Hospital

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

Die Studienpopulation bestand aus Roboterchirurgen, die entweder Erfahrung oder Anfänger waren (spezialisierte Ärzte, die ein chirurgisches Stipendium absolvierten, um Roboterchirurgen zu werden).

Bei allen Eingriffen handelte es sich um robotergestützte Eingriffe an Patienten, die zur Behandlung in der urologischen Abteilung aufgenommen wurden. Die Patienten gaben auch ihr Einverständnis zur Datenerhebung. Der eigentliche Teilnehmer waren jedoch die Roboterchirurgen.

Beschreibung

Einschlusskriterien:

  • Roboterchirurgen, die Erfahrung mit mehr als 100 Fällen haben.
  • Roboterchirurgische Kollegen mit weniger als 100 Fällen.
  • Roboterchirurgen, die in der urologischen Abteilung des Universitätskrankenhauses Aalborg arbeiteten.

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
Erfahrene Roboterchirurgen
Roboterchirurgen mit 100 oder mehr durchgeführten roboterchirurgischen Fällen.
Sonstiges: Beobachtungsstudie
Es handelte sich um eine Beobachtungsstudie ohne Intervention.
Anfänger in der Roboterchirurgie
Roboterchirurgen mit weniger als 100 durchgeführten roboterchirurgischen Fällen.
Sonstiges: Beobachtungsstudie
Es handelte sich um eine Beobachtungsstudie ohne Intervention.

Was misst die Studie?

Primäre Ergebnismessungen

Ergebnis Maßnahme
Maßnahmenbeschreibung
Zeitfenster
Genauigkeit der Aktionserkennung anhand klinischer Daten von Grund auf
Zeitfenster: Vom Anfang bis zum Ende eines roboterchirurgischen Eingriffs, der im Hinblick auf die Aktionserkennung bewertet wird.
Genauigkeit des Deep-Learning-Algorithmus zur Aktionserkennung, wenn das Modell von Grund auf mit klinischen Daten aus roboterchirurgischen Eingriffen trainiert wird.
Vom Anfang bis zum Ende eines roboterchirurgischen Eingriffs, der im Hinblick auf die Aktionserkennung bewertet wird.
Genauigkeit der Kompetenzbewertung anhand klinischer Daten von Grund auf
Zeitfenster: Vom Anfang bis zum Ende eines roboterchirurgischen Eingriffs, der im Hinblick auf die Aktionserkennung bewertet wird.
Genauigkeit des Deep-Learning-Algorithmus zur Kompetenzbewertung, wenn das Modell von Grund auf mit klinischen Daten aus roboterchirurgischen Eingriffen trainiert wird.
Vom Anfang bis zum Ende eines roboterchirurgischen Eingriffs, der im Hinblick auf die Aktionserkennung bewertet wird.
Genauigkeit der Aktionserkennung mithilfe des vorab trainierten Netzwerks direkt anhand klinischer Daten
Zeitfenster: Vom Anfang bis zum Ende eines roboterchirurgischen Eingriffs, der im Hinblick auf die Aktionserkennung bewertet wird.
Genauigkeit des vorab trainierten Deep-Learning-Algorithmus zur Aktionserkennung, wenn das Modell direkt auf klinischen Daten aus roboterchirurgischen Eingriffen verwendet wird.
Vom Anfang bis zum Ende eines roboterchirurgischen Eingriffs, der im Hinblick auf die Aktionserkennung bewertet wird.
Genauigkeit der Kompetenzbewertung mithilfe des vorab trainierten Modells direkt anhand klinischer Daten
Zeitfenster: Vom Anfang bis zum Ende des roboterchirurgischen Eingriffs, der im Hinblick auf die Beurteilung der Fähigkeiten beurteilt wird.
Genauigkeit des vorab trainierten Deep-Learning-Algorithmus zur Kompetenzbewertung, wenn das Modell direkt auf klinischen Daten aus roboterchirurgischen Eingriffen verwendet wird.
Vom Anfang bis zum Ende des roboterchirurgischen Eingriffs, der im Hinblick auf die Beurteilung der Fähigkeiten beurteilt wird.
K-fache Genauigkeiten für die Aktionserkennung und Fähigkeitsbewertung für die vollständige Neuschulung des vorab trainierten Netzwerks.
Zeitfenster: Vom Anfang bis zum Ende der klinischen Verfahren.
K-fache Kreuzvalidierungsgenauigkeiten beim Neutraining des kompletten vorab trainierten Modells anhand der klinischen Daten sowohl für die Handlungserkennung als auch für die Kompetenzbewertung.
Vom Anfang bis zum Ende der klinischen Verfahren.
K-fache Genauigkeiten für die Aktionserkennung und Fähigkeitsbewertung für die teilweise Umschulung des vorab trainierten Netzwerks.
Zeitfenster: Vom Anfang bis zum Ende der klinischen Verfahren.
K-fache Kreuzvalidierungsgenauigkeiten für die Aktionserkennung und Fähigkeitsbewertung für das Neutraining des LSTM und dichter Schichten des vorab trainierten Netzwerks unter Verwendung klinischer Daten.
Vom Anfang bis zum Ende der klinischen Verfahren.

Sekundäre Ergebnismessungen

Ergebnis Maßnahme
Maßnahmenbeschreibung
Zeitfenster
Gewichteter Rückruf/Empfindlichkeit, Präzision und F1-Score für die Aktionserkennung des von Grund auf trainierten klinischen Netzwerks
Zeitfenster: Vom Anfang bis zum Ende eines roboterchirurgischen Eingriffs, der im Hinblick auf die Aktionserkennung bewertet wird.
Basierend auf der Leistung der Aktionserkennung aus dem von Grund auf trainierten klinischen Netzwerk.
Vom Anfang bis zum Ende eines roboterchirurgischen Eingriffs, der im Hinblick auf die Aktionserkennung bewertet wird.
Gewichteter Rückruf/Empfindlichkeit, Präzision und F1-Score zur Kompetenzbewertung des von Grund auf trainierten klinischen Netzwerks
Zeitfenster: Vom Anfang bis zum Ende des roboterchirurgischen Eingriffs, der im Hinblick auf die Beurteilung der Fähigkeiten beurteilt wird.
Basierend auf der Leistungsbewertung des klinischen Netzwerks, das von Grund auf geschult wurde.
Vom Anfang bis zum Ende des roboterchirurgischen Eingriffs, der im Hinblick auf die Beurteilung der Fähigkeiten beurteilt wird.
Prädiktive Sicherheit der Handlungserkennung und Fähigkeitsbewertung des Netzwerks, das von Grund auf anhand der klinischen Daten trainiert wurde.
Zeitfenster: Vom Anfang bis zum Ende der klinischen Verfahren.
Vorhersagesicherheit mit Gesamtmittelwert, -minimum und -maximum und dargestellt in Wahrscheinlichkeitsdiagrammen zur Handlungserkennung und Fähigkeitsbewertung des Netzwerks, das von Grund auf anhand klinischer Daten trainiert wurde.
Vom Anfang bis zum Ende der klinischen Verfahren.
Vorhersagesicherheit der Aktionserkennung und Fähigkeitsbewertung des teilweise umgeschulten Netzwerks.
Zeitfenster: Vom Anfang bis zum Ende der klinischen Verfahren.
Vorhersagesicherheit mit Gesamtmittelwert, -minimum und -maximum und dargestellt in Wahrscheinlichkeitsdiagrammen zur Handlungserkennung und Fähigkeitsbewertung des teilweise umgeschulten Netzwerks, wobei nur das LSTM und die tiefen Schichten des Netzwerks anhand klinischer Daten trainiert wurden.
Vom Anfang bis zum Ende der klinischen Verfahren.

Mitarbeiter und Ermittler

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

Sponsor

Aalborg University

Publikationen und hilfreiche Links

Die Bereitstellung dieser Publikationen erfolgt freiwillig durch die für die Eingabe von Informationen über die Studie verantwortliche Person. Diese können sich auf alles beziehen, was mit dem Studium zu tun hat.

Nützliche Links

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)

22. Mai 2023

Primärer Abschluss (Tatsächlich)

26. Mai 2023

Studienabschluss (Tatsächlich)

26. Mai 2023

Studienanmeldedaten

Zuerst eingereicht

22. September 2024

Zuerst eingereicht, das die QC-Kriterien erfüllt hat

22. September 2024

Zuerst gepostet (Tatsächlich)

25. September 2024

Studienaufzeichnungsaktualisierungen

Letztes Update gepostet (Tatsächlich)

26. September 2024

Letztes eingereichtes Update, das die QC-Kriterien erfüllt

24. September 2024

Zuletzt verifiziert

1. September 2024

Mehr Informationen

Begriffe im Zusammenhang mit dieser Studie

Schlüsselwörter

Andere Studien-ID-Nummern

  • 2021-247

Plan für individuelle Teilnehmerdaten (IPD)

Planen Sie, individuelle Teilnehmerdaten (IPD) zu teilen?

JA

Beschreibung des IPD-Plans

Die IPD wird als anonyme und DSGVO-sichere Daten auf einer Open-Access-Website geteilt.

Die Daten werden als anonymisiertes Filmmaterial der von den Teilnehmern durchgeführten chirurgischen Eingriffe weitergegeben.

IPD-Sharing-Zeitrahmen

Das IPD und die unterstützenden Informationen sind ab dem Zeitpunkt der Einreichung bei der Zeitschrift verfügbar und zeitlich unbegrenzt verfügbar.

IPD-Sharing-Zugriffskriterien

Jeder, der Zugriff auf die Open-Source-Website von GitHub hat, kann auf die Daten zugreifen. Und jeder, der Zugriff auf die Zeitschrift hat, hat Zugriff auf die unterstützenden Informationen.

Art der unterstützenden IPD-Freigabeinformationen

  • STUDIENPROTOKOLL
  • ANALYTIC_CODE

Arzneimittel- und Geräteinformationen, Studienunterlagen

Studiert ein von der US-amerikanischen FDA reguliertes Arzneimittelprodukt

Nein

Studiert ein von der US-amerikanischen FDA reguliertes Geräteprodukt

Nein

Produkt, das in den USA hergestellt und aus den USA exportiert wird

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