Modelo de inteligencia artificial de ultrasonido endoscópico (EUS) para la evaluación de estenosis abdominales y mediastínicas normales
10 de diciembre de 2021 actualizado por: Instituto Ecuatoriano de Enfermedades Digestivas
Evaluación de ultrasonido endoscópico (EUS) de estenosis anatómicas/de órganos abdominales y mediastínicas normales utilizando un nuevo modelo de inteligencia artificial desarrollado
Por lo tanto, se necesita una gran cantidad de procedimientos para lograr la competencia de la USE, pero la concordancia entre observadores aún varía ampliamente.
El reconocimiento de estructuras anatómicas asistido por inteligencia artificial (IA) puede mejorar el proceso de entrenamiento y el acuerdo entre observadores.
Robles-Medranda et al. desarrolló un modelo de IA que reconoce estructuras anatómicas normales durante las evaluaciones de USE lineal y radial.
Perseguimos diseñar una validación externa de nuestro modelo de IA desarrollado, considerando un endoscopista experto como estándar de oro.
Descripción general del estudio
Estado
Reclutamiento
Condiciones
Intervención / Tratamiento
- Prueba de diagnóstico: Identificación o visualización de descarga de estenosis anatómicas/de órganos mediastínicas y abdominales a través de videos de ultrasonido endoscópico (EUS) por un endoscopista experto
- Prueba de diagnóstico: Reconocimiento de estenosis anatómicas/de órganos mediastínicas y abdominales a través de videos de ultrasonido endoscópico (EUS) usando inteligencia artificial (IA)
Descripción detallada
La ecografía endoscópica (EUS) es un procedimiento altamente especializado con un número limitado de instalaciones disponibles para la formación. Por lo tanto, es necesario un alto número de procedimientos para lograr la competencia. Sin embargo, el acuerdo entre los observadores varía ampliamente. El reconocimiento y la caracterización de estructuras anatómicas asistidos por inteligencia artificial (IA) pueden mejorar el proceso de entrenamiento al tiempo que mejoran el acuerdo entre los observadores. Sin embargo, los modelos EUS-AI desarrollados se han entrenado explícitamente o solo con muestras de enfermedades o para detectar características anatómicas abdominales.
En otros campos como la Oncología Radioterápica, los modelos de IA desarrollados han sido ampliamente utilizados. Deben reconocer al unísono las estenosis sanas y enfermas en cualquier parte del cuerpo humano durante el contorneado. Evita la irradiación innecesaria del tejido normal. Los modelos EUS-AI no entrenados con muestras sanas pueden causar un aumento de casos de falsos positivos durante la práctica de la vida real. Implica un sobrediagnóstico potencial de estenosis anormales/enfermedades. Modelos EUS-AI no entrenados con muestras externas
Usando un software de aprendizaje automático automatizado, Robles-Medranda et al. han desarrollado previamente un modelo de IA de redes neuronales convolucionales (CNN) que reconoce las estructuras anatómicas durante las evaluaciones de USE lineales y radiales (AI Works, MD Consulting group, Ecuador). Hasta donde sabemos, este modelo EUS-AI es el primero entrenado con videos EUS de pacientes sin patologías y, por lo tanto, con estenosis anatómicas/de órganos mediastínicas y abdominales normales. En esta segunda etapa, buscamos diseñar una validación externa de nuestro modelo de IA desarrollado, considerando como patrón oro a un experto endoscopista.
Tipo de estudio
De observación
Inscripción (Anticipado)
60
Contactos y Ubicaciones
Esta sección proporciona los datos de contacto de quienes realizan el estudio e información sobre dónde se lleva a cabo este estudio.
Estudio Contacto
- Nombre: Carlos Robles-Medranda
- Número de teléfono: +59342109180
- Correo electrónico: carlosoakm@yahoo.es
Ubicaciones de estudio
-
-
Guayas
-
Guayaquil, Guayas, Ecuador, 090505
- Reclutamiento
- Ecuadorian Institute of Digestive Diseases
-
Contacto:
- Carlos A Robles-Medranda, MD
- Número de teléfono: +593989158865
- Correo electrónico: carlosoakm@yahoo.es
-
Investigador principal:
- Carlos Robles-Medranda, MD FASGE
-
Sub-Investigador:
- Martha Arevalo-Mora, MD
-
Sub-Investigador:
- Daniel Calle, MD MSc
-
Sub-Investigador:
- Miguel Puga-Tejada, MD MSc
-
Sub-Investigador:
- Raquel Del Valle Zavala, MD
-
Sub-Investigador:
- Juan Alcivar-Vasquez, MD Msc
-
-
Criterios de participación
Los investigadores buscan personas que se ajusten a una determinada descripción, denominada criterio de elegibilidad. Algunos ejemplos de estos criterios son el estado de salud general de una persona o tratamientos previos.
Criterio de elegibilidad
Edades elegibles para estudiar
18 años a 79 años (Adulto, Adulto Mayor)
Acepta Voluntarios Saludables
No
Géneros elegibles para el estudio
Todos
Método de muestreo
Muestra de probabilidad
Población de estudio
Pacientes adultos con estenosis organo/anatómicas mediastínicas y abdominales normales tras prueba de imagen y valoración USE por dispepsia crónica.
Descripción
Criterios de inclusión:
- Pacientes sin antecedentes de anomalías de tórax y abdomen confirmadas mediante una prueba de imagen solicitada con fines asistenciales en los últimos doce meses (p. ej., radiografía de tórax y ecografía abdominal o TAC de tórax y abdomen)
- Pacientes que se someten a valoración por USE por dispepsia crónica.
Criterio de exclusión:
- Alteración morfológica en al menos un órgano mediastínico y abdominal/estenosis anatómica documentada mediante alguna prueba de imagen o USE.
- coagulopatía no controlada, insuficiencia renal/hepática o cualquier comorbilidad con un impacto significativo en la evaluación del riesgo cardíaco (NHYA III/IV);
- Negarse a participar en el estudio o a firmar el correspondiente consentimiento informado.
Plan de estudios
Esta sección proporciona detalles del plan de estudio, incluido cómo está diseñado el estudio y qué mide el estudio.
¿Cómo está diseñado el estudio?
Detalles de diseño
- Modelos observacionales: Solo caso
- Perspectivas temporales: Transversal
Cohortes e Intervenciones
Grupo / Cohorte |
Intervención / Tratamiento |
|---|---|
|
Pacientes con estenosis anatómicas/de órganos mediastínicas y abdominales normales
Pacientes adultos con estenosis organo/anatómicas mediastínicas y abdominales normales tras prueba de imagen y valoración USE por dispepsia crónica.
|
Un endoscopista experto seleccionará un conjunto de datos de videos EUS mediastínicos y abdominales (uno por paciente).
Un endoscopista experto identificará o descargará correctamente la visualización de los siguientes órganos: aorta, columna vertebral, arco aórtico, tráquea, ventana AP, riñón izquierdo, hígado, bazo, cuerpo del páncreas, cola del páncreas, tronco celíaco, arteria esplénica, vena esplénica, vena inferior vena cava, glándula suprarrenal, riñón derecho, vesícula biliar, colédoco, ampolla de Vater, vena porta.
Con el mismo conjunto de datos anterior de videos EUS mediastínicos y abdominales, el modelo EUS-AI reconocerá los siguientes órganos: aorta, columna vertebral, arco aórtico, tráquea, ventana AP, riñón izquierdo, hígado, bazo, cuerpo del páncreas, cola del páncreas, celíaco tronco, arteria esplénica, vena esplénica, vena cava inferior, glándula suprarrenal, riñón derecho, vesícula biliar, colédoco, ampolla de Vater, vena porta.
Tomando como unidad de estudio a cada paciente (y no a los videos de tramas de datos), se diseñará una tabla de contingencia por cada estenosis anatómica/órgano mediastinal y abdominal.
|
¿Qué mide el estudio?
Medidas de resultado primarias
Medida de resultado |
Medida Descripción |
Periodo de tiempo |
|---|---|---|
|
Precisión general del modelo de inteligencia artificial (IA) de ultrasonido endoscópico (EUS) para identificar estenosis anatómicas/de órganos mediastínicas y abdominales normales
Periodo de tiempo: Tres meses
|
Se calcularán las características generales de precisión: sensibilidad, especificidad, valor predictivo positivo, valor predictivo negativo, precisión diagnóstica y concordancia observada. Además, se definirán las siguientes probabilidades:
|
Tres meses
|
Colaboradores e Investigadores
Aquí es donde encontrará personas y organizaciones involucradas en este estudio.
Patrocinador
Investigadores
- Investigador principal: Carlos Robles-Medranda, Ecuadorian Institute of Digestive Diseases
Publicaciones y enlaces útiles
La persona responsable de ingresar información sobre el estudio proporciona voluntariamente estas publicaciones. Estos pueden ser sobre cualquier cosa relacionada con el estudio.
Publicaciones Generales
- Zhang J, Zhu L, Yao L, Ding X, Chen D, Wu H, Lu Z, Zhou W, Zhang L, An P, Xu B, Tan W, Hu S, Cheng F, Yu H. Deep learning-based pancreas segmentation and station recognition system in EUS: development and validation of a useful training tool (with video). Gastrointest Endosc. 2020 Oct;92(4):874-885.e3. doi: 10.1016/j.gie.2020.04.071. Epub 2020 May 6. Erratum In: Gastrointest Endosc. 2021 Mar;93(3):781.
- Kuwahara T, Hara K, Mizuno N, Haba S, Okuno N, Koda H, Miyano A, Fumihara D. Current status of artificial intelligence analysis for endoscopic ultrasonography. Dig Endosc. 2021 Jan;33(2):298-305. doi: 10.1111/den.13880. Epub 2020 Dec 5. Review.
- Robles-Medranda C, Oleas R, Del Valle R, Mendez JC, Alcívar-Vásquez JM, Puga-Tejada M, Lukashok H. Intelligence for real-time anatomical recognition during endoscopic ultrasound evaluation: a pilot study. Gastrointestinal Endoscopy. 2021; 93(6), AB221. https://doi.org/10.1016/J.GIE.2021.03.491
- Udriștoiu AL, Cazacu IM, Gruionu LG, Gruionu G, Iacob AV, Burtea DE, Ungureanu BS, Costache MI, Constantin A, Popescu CF, Udriștoiu Ș, Săftoiu A. Real-time computer-aided diagnosis of focal pancreatic masses from endoscopic ultrasound imaging based on a hybrid convolutional and long short-term memory neural network model. PLoS One. 2021 Jun 28;16(6):e0251701. doi: 10.1371/journal.pone.0251701. eCollection 2021.
- Yao L, Zhang J, Liu J, Zhu L, Ding X, Chen D, Wu H, Lu Z, Zhou W, Zhang L, Xu B, Hu S, Zheng B, Yang Y, Yu H. A deep learning-based system for bile duct annotation and station recognition in linear endoscopic ultrasound. EBioMedicine. 2021 Mar;65:103238. doi: 10.1016/j.ebiom.2021.103238. Epub 2021 Feb 24. Erratum in: EBioMedicine. 2021 Nov;73:103650.
- Tonozuka R, Mukai S, Itoi T. The Role of Artificial Intelligence in Endoscopic Ultrasound for Pancreatic Disorders. Diagnostics (Basel). 2020 Dec 24;11(1). pii: E18. doi: 10.3390/diagnostics11010018. Review.
- Marya NB, Powers PD, Chari ST, Gleeson FC, Leggett CL, Abu Dayyeh BK, Chandrasekhara V, Iyer PG, Majumder S, Pearson RK, Petersen BT, Rajan E, Sawas T, Storm AC, Vege SS, Chen S, Long Z, Hough DM, Mara K, Levy MJ. Utilisation of artificial intelligence for the development of an EUS-convolutional neural network model trained to enhance the diagnosis of autoimmune pancreatitis. Gut. 2021 Jul;70(7):1335-1344. doi: 10.1136/gutjnl-2020-322821. Epub 2020 Oct 7.
- Minoda Y, Ihara E, Komori K, Ogino H, Otsuka Y, Chinen T, Tsuda Y, Ando K, Yamamoto H, Ogawa Y. Efficacy of endoscopic ultrasound with artificial intelligence for the diagnosis of gastrointestinal stromal tumors. J Gastroenterol. 2020 Dec;55(12):1119-1126. doi: 10.1007/s00535-020-01725-4. Epub 2020 Sep 11.
- Cazacu IM, Udristoiu A, Gruionu LG, Iacob A, Gruionu G, Saftoiu A. Artificial intelligence in pancreatic cancer: Toward precision diagnosis. Endosc Ultrasound. 2019 Nov-Dec;8(6):357-359. doi: 10.4103/eus.eus_76_19.
Fechas de registro del estudio
Estas fechas rastrean el progreso del registro del estudio y los envíos de resultados resumidos a ClinicalTrials.gov. Los registros del estudio y los resultados informados son revisados por la Biblioteca Nacional de Medicina (NLM) para asegurarse de que cumplan con los estándares de control de calidad específicos antes de publicarlos en el sitio web público.
Fechas importantes del estudio
Inicio del estudio (Actual)
1 de octubre de 2021
Finalización primaria (Anticipado)
30 de marzo de 2022
Finalización del estudio (Anticipado)
30 de junio de 2022
Fechas de registro del estudio
Enviado por primera vez
26 de noviembre de 2021
Primero enviado que cumplió con los criterios de control de calidad
8 de diciembre de 2021
Publicado por primera vez (Actual)
9 de diciembre de 2021
Actualizaciones de registros de estudio
Última actualización publicada (Actual)
30 de diciembre de 2021
Última actualización enviada que cumplió con los criterios de control de calidad
10 de diciembre de 2021
Última verificación
1 de diciembre de 2021
Más información
Términos relacionados con este estudio
Palabras clave
Términos MeSH relevantes adicionales
Otros números de identificación del estudio
- IECED-26112021
Plan de datos de participantes individuales (IPD)
¿Planea compartir datos de participantes individuales (IPD)?
No
Información sobre medicamentos y dispositivos, documentos del estudio
Estudia un producto farmacéutico regulado por la FDA de EE. UU.
No
Estudia un producto de dispositivo regulado por la FDA de EE. UU.
No
producto fabricado y exportado desde los EE. UU.
No
Esta información se obtuvo directamente del sitio web clinicaltrials.gov sin cambios. Si tiene alguna solicitud para cambiar, eliminar o actualizar los detalles de su estudio, comuníquese con register@clinicaltrials.gov. Tan pronto como se implemente un cambio en clinicaltrials.gov, también se actualizará automáticamente en nuestro sitio web. .