Inteligencia artificial versus identificación de endoscopistas en la anatomía normal de la USE
Evaluación comparativa de la inteligencia artificial y la precisión de los endoscopistas en la ecografía endoscópica para identificar estructuras anatómicas normales: un estudio transversal multiinstitucional
La impresión visual de la ecografía endoscópica (USE) depende del operador y puede dificultar la precisión del diagnóstico, especialmente en endoscopistas menos experimentados. La implementación de inteligencia artificial puede mitigar potencialmente la dependencia del operador y la variabilidad de interpretación, ayudando o mejorando la precisión general.
Por tanto, los investigadores pretenden comparar la precisión diagnóstica entre el modelo basado en inteligencia artificial (IA) y los endoscopistas al identificar estructuras anatómicas normales en procedimientos de USE.
Descripción general del estudio
Estado
Condiciones
Intervención / Tratamiento
Descripción detallada
EUS es un procedimiento dependiente del operador donde la precisión depende de la experiencia y las habilidades. Hoy en día, la formación en EUS se puede lograr mediante una beca de formación formal en un centro durante 6 a 24 meses o una formación informal a través de sesiones didácticas con una breve experiencia práctica. Sin embargo, aún están por definirse los parámetros para una correcta y completa medición de la experiencia de aprendizaje. La implementación de inteligencia artificial en EUS puede potencialmente mitigar la variable dependiente del operador y mejorar la precisión del diagnóstico.
Por lo tanto, la detección de estructuras anatómicas normales por separado utilizando un modelo basado en IA, endoscopistas expertos y no expertos para determinar dónde sería más útil la IA.
Los investigadores tienen como objetivo comparar la precisión diagnóstica del modelo basado en IA con la identificación de estructuras anatómicas normales por parte de los endoscopistas en procedimientos de USE.
Tipo de estudio
Inscripción (Actual)
Contactos y Ubicaciones
Ubicaciones de estudio
-
-
Guayas
-
Guayaquil, Guayas, Ecuador, 090505
- IECED
-
-
Criterios de participación
Criterio de elegibilidad
Edades elegibles para estudiar
- Adulto
- Adulto Mayor
Acepta Voluntarios Saludables
Método de muestreo
Población de estudio
Descripción
Criterios de inclusión:
- Expertos enendoscopistas USE gastrointestinales.
- Formación de endoscopistas gastrointestinales no expertos en USE.
- Pacientes con dispepsia crónica sin otros hallazgos.
- Pacientes con imágenes previas de TC o endoscopia digestiva alta que no reportan otros hallazgos.
- Pacientes que requieren USE para vigilancia debido a antecedentes familiares de cáncer de páncreas sin hallazgos en la resonancia magnética.
Criterio de exclusión:
- Conexión a Internet inferior a 100 MBs por segundo.
- Pacientes con estructuras anormales o con lesiones visibles.
Plan de estudios
¿Cómo está diseñado el estudio?
Detalles de diseño
Cohortes e Intervenciones
Grupo / Cohorte |
Intervención / Tratamiento |
|---|---|
|
Modelo basado en IA
AIWorks-EUS Convolutional Neural Network versión 2 (CNNv2) (mdconsgroup, Guayaquil, Ecuador) aplicada sobre videos pregrabados para la detección de estructuras anatómicas normales.
|
El modelo AIWorks-EUS y los endoscopistas analizarán vídeos pregrabados, recortados según las diferentes ventanas (mediastínica, gástrica, duodenal) en diferentes momentos para el reconocimiento de las diferentes estructuras anatómicas normales.
|
|
Endoscopistas expertos
Endoscopistas con >190 procedimientos de USE por año, incluidos 75 procedimientos de estadificación del cáncer pancreatobiliar y de mucosas cada uno, 40 casos subepiteliales; y 50 casos de USE-aspiración con aguja fina (PAAF) (25 de ellos casos pancreáticos); siguiendo las recomendaciones de la Sociedad Americana de Endoscopia Gastrointestinal (ASGE).
|
El modelo AIWorks-EUS y los endoscopistas analizarán vídeos pregrabados, recortados según las diferentes ventanas (mediastínica, gástrica, duodenal) en diferentes momentos para el reconocimiento de las diferentes estructuras anatómicas normales.
|
|
Endoscopistas no expertos
Endoscopistas con <190 procedimientos de USE por año, incluidos 75 procedimientos de estadificación del cáncer pancreatobiliar y de mucosas cada uno, 40 casos subepiteliales; y 50 casos de USE-PAAF (25 de ellos pancreáticos); siguiendo las recomendaciones de la Sociedad Americana de Endoscopia Gastrointestinal (ASGE).
|
El modelo AIWorks-EUS y los endoscopistas analizarán vídeos pregrabados, recortados según las diferentes ventanas (mediastínica, gástrica, duodenal) en diferentes momentos para el reconocimiento de las diferentes estructuras anatómicas normales.
|
¿Qué mide el estudio?
Medidas de resultado primarias
Medida de resultado |
Medida Descripción |
Periodo de tiempo |
|---|---|---|
|
Precisión diagnóstica
Periodo de tiempo: 5 meses
|
El verdadero positivo, el verdadero negativo, el falso positivo y el falso negativo se basan en la detección de estructuras anatómicas según el estándar de oro de un endoscopista experto externo.
|
5 meses
|
Medidas de resultado secundarias
Medida de resultado |
Medida Descripción |
Periodo de tiempo |
|---|---|---|
|
Acuerdo interobservador
Periodo de tiempo: 5 meses
|
Comparación de la precisión diagnóstica entre el modelo basado en inteligencia artificial (IA) y ambos grupos (endoscopistas expertos y no expertos) que utilizan Fleiss Kappa.
|
5 meses
|
Colaboradores e Investigadores
Patrocinador
Colaboradores
Investigadores
- Investigador principal: Carlos Robles-Medranda, MD FASGE, Instituto Ecuatoriano de Enfermedades Digestivas (IECED)
Publicaciones y enlaces útiles
Publicaciones Generales
- Han C, Nie C, Shen X, Xu T, Liu J, Ding Z, Hou X. Exploration of an effective training system for the diagnosis of pancreatobiliary diseases with EUS: A prospective study. Endosc Ultrasound. 2020 Sep-Oct;9(5):308-318. doi: 10.4103/eus.eus_47_20.
- Cho CM. Training in Endoscopy: Endoscopic Ultrasound. Clin Endosc. 2017 Jul;50(4):340-344. doi: 10.5946/ce.2017.067. Epub 2017 Jul 31.
- Finocchiaro M, Cortegoso Valdivia P, Hernansanz A, Marino N, Amram D, Casals A, Menciassi A, Marlicz W, Ciuti G, Koulaouzidis A. Training Simulators for Gastrointestinal Endoscopy: Current and Future Perspectives. Cancers (Basel). 2021 Mar 20;13(6):1427. doi: 10.3390/cancers13061427.
- Robles-Medranda C, Baquerizo-Burgos J, Puga-Tejada M, Del Valle R, Mendez JC, Egas-Izquierdo M, Arevalo-Mora M, Cunto D, Alcivar-Vasquez J, Pitanga-Lukashok H, Tabacelia D. Development of convolutional neural network models that recognize normal anatomic structures during real-time radial-array and linear-array EUS (with videos). Gastrointest Endosc. 2024 Feb;99(2):271-279.e2. doi: 10.1016/j.gie.2023.10.028. Epub 2023 Oct 10.
Fechas de registro del estudio
Fechas importantes del estudio
Inicio del estudio (Actual)
Finalización primaria (Actual)
Finalización del estudio (Actual)
Fechas de registro del estudio
Enviado por primera vez
Primero enviado que cumplió con los criterios de control de calidad
Publicado por primera vez (Estimado)
Actualizaciones de registros de estudio
Última actualización publicada (Estimado)
Última actualización enviada que cumplió con los criterios de control de calidad
Última verificación
Más información
Términos relacionados con este estudio
Palabras clave
Términos MeSH relevantes adicionales
Otros números de identificación del estudio
- IECED-12345
Plan de datos de participantes individuales (IPD)
¿Planea compartir datos de participantes individuales (IPD)?
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. .