Desarrollo y validación de modelos de diagnóstico basados en TC utilizando inteligencia artificial para la detección de obstrucción del intestino delgado (SMARTLOOP2)
La obstrucción del intestino delgado (SBO) es una emergencia quirúrgica no traumática común. Todas las guías recomiendan la tomografía computarizada (TC) como la prueba de imagen de primera línea para pacientes con sospecha de SBO. Los objetivos de la TC son múltiples: (i) confirmar o refutar el diagnóstico de obstrucción GI, definida como distensión de los tractos digestivos mayor de 25 mm y, cuando está presente SBO, (ii) confirmar el mecanismo (mecánico vs. funcional), (iii) para localizar el sitio de la obstrucción, es decir, la zona de transición (ZT), (iv) para identificar la causa, y (v) para buscar complicaciones como estrangulación o perforación, lo que influye en el manejo.
Dado el aumento exponencial en el número de exploraciones que se realizan, especialmente en el contexto de la gestión de emergencias, los métodos para ayudar al radiólogo serían útiles para:
- Ordenar los escaneos realizados, permitiendo priorizar el análisis de los escaneos con mayor probabilidad de patología (oclusión en nuestro caso)
- Ayuda al radiólogo a diagnosticar la oclusión y su tipo (funcional o mecánica), ya identificar signos de gravedad.
- Ayudar al médico de urgencias y al cirujano digestivo a tomar una decisión sobre el manejo de la enfermedad (quirúrgico o médico).
El aprendizaje automático se ha desarrollado rápidamente en las últimas décadas, primero gracias al aumento de las capacidades de almacenamiento de datos, luego gracias a la llegada del hardware de procesamiento paralelo basado en unidades de procesamiento gráfico, en el contexto de la asistencia diagnóstica radiológica. En consecuencia, el número de estudios sobre redes neuronales profundas en imágenes médicas está aumentando rápidamente. Sin embargo, pocos equipos se enfocan en SBO. Los únicos modelos de clasificación publicados se han producido para radiografías abdominales estándar. Ningún estudio ha utilizado TC o modelos 3D, aparte de nuestro estudio preliminar sobre ZT, a pesar de las reconocidas ventajas de la TC para el diagnóstico de SBO y la probable contribución de los modelos 3D, que pueden ser comparables a la reconstrucción multiplanar para el análisis de imágenes. en múltiples planos del espacio.
Descripción general del estudio
Estado
Condiciones
Tipo de estudio
Inscripción (Actual)
Contactos y Ubicaciones
Ubicaciones de estudio
-
-
-
Gif-sur-Yvette, Francia
- Central for Visual Computing - OPIS Inria group
-
Paris, Francia, 75014
- Groupe Hospitalier Paris Saint-Joseph
-
-
Criterios de participación
Criterio de elegibilidad
Edades elegibles para estudiar
Acepta Voluntarios Saludables
Géneros elegibles para el estudio
Método de muestreo
Población de estudio
Descripción
Criterios de inclusión:
- Paciente cuya edad ≥ 18 años
- Paciente al que se le ha realizado una tomografía computarizada con al menos una adquisición abdominopélvica realizada dentro del Grupo Hospitalario Saint Joseph
- Informe que contiene los términos "oclusión" u "oclusivo", "vómitos" o "íleo"
- paciente de habla francesa
Criterio de exclusión:
- Imágenes no utilizables
- Ausencia de volumen abdomino-pélvico en adquisiciones de TC
- Paciente bajo tutela o curatela
- Paciente privado de libertad
- Paciente bajo tutela judicial
- Paciente que se opone al uso de sus datos para esta investigación
Plan de estudios
¿Cómo está diseñado el estudio?
Detalles de diseño
- Modelos observacionales: Grupo
- Perspectivas temporales: Retrospectivo
¿Qué mide el estudio?
Medidas de resultado primarias
Medida de resultado |
Medida Descripción |
Periodo de tiempo |
|---|---|---|
|
Detección automatizada de oclusiones digestivas
Periodo de tiempo: Año 1
|
Este resultado corresponde a la capacidad del modelo para identificar la presencia o ausencia de oclusión: sensibilidad, especificidad y valores predictivos.
|
Año 1
|
Medidas de resultado secundarias
Medida de resultado |
Medida Descripción |
Periodo de tiempo |
|---|---|---|
|
Diferenciación automática de oclusiones funcionales frente a mecánicas
Periodo de tiempo: Año 1
|
Este resultado corresponde a la detección de oclusiones funcionales versus mecánicas.
|
Año 1
|
|
Algoritmo para indicación quirúrgica
Periodo de tiempo: Año 1
|
Este resultado corresponde al desempeño del algoritmo clínico-radiobiológico de predicción de cirugía.
|
Año 1
|
|
Análisis vía radiómica de zonas de unión
Periodo de tiempo: Año 1
|
Este resultado corresponde al análisis vía radiómica de las zonas de unión de las oclusiones digestivas mecánicas (las zonas de unión son las zonas donde se ubica la transición dilatación-plana, por lo tanto la zona donde se ubica la obstrucción):
|
Año 1
|
|
Detección automatizada de áreas de unión
Periodo de tiempo: Año 1
|
Este resultado corresponde a la actuación de la detección automática en la identificación de las zonas de unión de las obstrucciones digestivas mecánicas.
|
Año 1
|
Colaboradores e Investigadores
Patrocinador
Investigadores
- Investigador principal: Quentin Vanderbecq, MD, Groupe Hospitalier Paris Saint Joseph
Publicaciones y enlaces útiles
Publicaciones Generales
- Ten Broek RPG, Krielen P, Di Saverio S, Coccolini F, Biffl WL, Ansaloni L, Velmahos GC, Sartelli M, Fraga GP, Kelly MD, Moore FA, Peitzman AB, Leppaniemi A, Moore EE, Jeekel J, Kluger Y, Sugrue M, Balogh ZJ, Bendinelli C, Civil I, Coimbra R, De Moya M, Ferrada P, Inaba K, Ivatury R, Latifi R, Kashuk JL, Kirkpatrick AW, Maier R, Rizoli S, Sakakushev B, Scalea T, Soreide K, Weber D, Wani I, Abu-Zidan FM, De'Angelis N, Piscioneri F, Galante JM, Catena F, van Goor H. Bologna guidelines for diagnosis and management of adhesive small bowel obstruction (ASBO): 2017 update of the evidence-based guidelines from the world society of emergency surgery ASBO working group. World J Emerg Surg. 2018 Jun 19;13:24. doi: 10.1186/s13017-018-0185-2. eCollection 2018.
- Expert Panel on Gastrointestinal Imaging, Chang KJ, Marin D, Kim DH, Fowler KJ, Camacho MA, Cash BD, Garcia EM, Hatten BW, Kambadakone AR, Levy AD, Liu PS, Moreno C, Peterson CM, Pietryga JA, Siegel A, Weinstein S, Carucci LR. ACR Appropriateness Criteria(R) Suspected Small-Bowel Obstruction. J Am Coll Radiol. 2020 May;17(5S):S305-S314. doi: 10.1016/j.jacr.2020.01.025.
- Frager D, Medwid SW, Baer JW, Mollinelli B, Friedman M. CT of small-bowel obstruction: value in establishing the diagnosis and determining the degree and cause. AJR Am J Roentgenol. 1994 Jan;162(1):37-41. doi: 10.2214/ajr.162.1.8273686.
- Montagnon E, Cerny M, Cadrin-Chenevert A, Hamilton V, Derennes T, Ilinca A, Vandenbroucke-Menu F, Turcotte S, Kadoury S, Tang A. Deep learning workflow in radiology: a primer. Insights Imaging. 2020 Feb 10;11(1):22. doi: 10.1186/s13244-019-0832-5.
- Cheng PM, Tejura TK, Tran KN, Whang G. Detection of high-grade small bowel obstruction on conventional radiography with convolutional neural networks. Abdom Radiol (NY). 2018 May;43(5):1120-1127. doi: 10.1007/s00261-017-1294-1.
- Kim DH, Wit H, Thurston M, Long M, Maskell GF, Strugnell MJ, Shetty D, Smith IM, Hollings NP. An artificial intelligence deep learning model for identification of small bowel obstruction on plain abdominal radiographs. Br J Radiol. 2021 Jun 1;94(1122):20201407. doi: 10.1259/bjr.20201407. Epub 2021 Apr 27.
- Vanderbecq Q, Ardon R, De Reviers A, Ruppli C, Dallongeville A, Boulay-Coletta I, D'Assignies G, Zins M. Adhesion-related small bowel obstruction: deep learning for automatic transition-zone detection by CT. Insights Imaging. 2022 Jan 24;13(1):13. doi: 10.1186/s13244-021-01150-y.
- Hodel J, Zins M, Desmottes L, Boulay-Coletta I, Julles MC, Nakache JP, Rodallec M. Location of the transition zone in CT of small-bowel obstruction: added value of multiplanar reformations. Abdom Imaging. 2009 Jan-Feb;34(1):35-41. doi: 10.1007/s00261-007-9348-4.
Fechas de registro del estudio
Fechas importantes del estudio
Inicio del estudio (Actual)
Finalización primaria (Actual)
Finalización del estudio (Anticipado)
Fechas de registro del estudio
Enviado por primera vez
Primero enviado que cumplió con los criterios de control de calidad
Publicado por primera vez (Actual)
Actualizaciones de registros de estudio
Última actualización publicada (Actual)
Última actualización enviada que cumplió con los criterios de control de calidad
Última verificación
Más información
Términos relacionados con este estudio
Términos MeSH relevantes adicionales
Otros números de identificación del estudio
- SMARTLOOP2
Información sobre medicamentos y dispositivos, documentos del estudio
Estudia un producto farmacéutico regulado por la FDA de EE. UU.
Estudia un producto de dispositivo regulado por la FDA de EE. UU.
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. .