Transferencia de aprendizaje de una red neuronal para evaluación quirúrgica robótica
24 de septiembre de 2024 actualizado por: Nasseh Hashemi, Aalborg University
Transferir el aprendizaje de una red neuronal preclínica previamente entrenada para la evaluación quirúrgica robótica sobre datos clínicos limitados
El objetivo de este estudio observacional es explorar cómo los modelos de inteligencia artificial (IA) previamente entrenados, entrenados con datos preclínicos, pueden mejorar la precisión del reconocimiento de acciones y la evaluación de habilidades en cirugía asistida por robot (RAS) en pacientes urológicos mediante el uso del aprendizaje por transferencia. . Las principales preguntas que pretende responder son:
- ¿Pueden los modelos de IA previamente entrenados evaluar con precisión el reconocimiento de acciones y la evaluación de habilidades en cirugías clínicas?
- ¿Cómo afectan los diferentes enfoques de capacitación del aprendizaje por transferencia al rendimiento de los modelos de IA? Un modelo de referencia desarrollado desde cero utilizando datos clínicos se comparará con modelos previamente entrenados que (1) se aplican directamente a los datos clínicos (2) se ajustan entrenando solo algunas capas del modelo de IA y (3) se vuelven a entrenar completamente para ver si Estos enfoques mejoran el rendimiento.
Los participantes que sean cirujanos robóticos podrán:
- Someterse a procedimientos RAS en pacientes, sin intervención, donde se recopilarán datos de video para su posterior reconocimiento de acciones y evaluación de habilidades.
- Contribuir a la formación y evaluación de modelos mediante la integración de conjuntos de datos clínicos.
Descripción general del estudio
Estado
Terminado
Condiciones
Intervención / Tratamiento
Tipo de estudio
De observación
Inscripción (Actual)
5
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.
Ubicaciones de estudio
-
-
North Jutland
-
Aalborg, North Jutland, Dinamarca, 9000
- Department of Urology, Aalborg University Hospital
-
-
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
- Adulto
- Adulto Mayor
Acepta Voluntarios Saludables
Sí
Método de muestreo
Muestra no probabilística
Población de estudio
La población de estudio estuvo formada por cirujanos robóticos experimentados o novatos (médicos especializados que realizaban una beca quirúrgica para convertirse en cirujanos robóticos).
Todos los procedimientos fueron asistidos por robots en pacientes que ingresaron para recibir tratamiento en el departamento de urología. Los pacientes también dieron su consentimiento para la recogida de datos. Sin embargo, los verdaderos participantes fueron los robots cirujanos.
Descripción
Criterios de inclusión:
- Cirujanos robóticos con experiencia en más de 100 casos.
- Becarios de cirugía robótica con menos de 100 casos.
- Cirujanos robóticos que trabajaron en el departamento de urología del Hospital Universitario de Aalborg.
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
Cohortes e Intervenciones
Grupo / Cohorte |
Intervención / Tratamiento |
|---|---|
|
Cirujanos robóticos experimentados
Cirujanos robóticos con 100 o más casos de cirugía robótica realizados.
|
Este fue un estudio observacional sin intervención.
|
|
Cirujanos robóticos novatos
Cirujanos robóticos con menos de 100 casos de cirugía robótica realizados.
|
Este fue un estudio observacional sin intervención.
|
¿Qué mide el estudio?
Medidas de resultado primarias
Medida de resultado |
Medida Descripción |
Periodo de tiempo |
|---|---|---|
|
Precisión en el reconocimiento de acciones utilizando datos clínicos desde cero.
Periodo de tiempo: De principio a fin de un procedimiento quirúrgico del robot que se evalúa en términos de reconocimiento de acciones.
|
Precisión del algoritmo de aprendizaje profundo para el reconocimiento de acciones, al entrenar el modelo desde cero utilizando datos clínicos de procedimientos quirúrgicos robóticos.
|
De principio a fin de un procedimiento quirúrgico del robot que se evalúa en términos de reconocimiento de acciones.
|
|
Precisión de la evaluación de habilidades utilizando datos clínicos desde cero.
Periodo de tiempo: De principio a fin de un procedimiento quirúrgico del robot que se evalúa en términos de reconocimiento de acciones.
|
Precisión del algoritmo de aprendizaje profundo para la evaluación de habilidades, al entrenar el modelo desde cero utilizando datos clínicos de procedimientos quirúrgicos robóticos.
|
De principio a fin de un procedimiento quirúrgico del robot que se evalúa en términos de reconocimiento de acciones.
|
|
Precisión del reconocimiento de acciones utilizando la red previamente entrenada directamente en datos clínicos
Periodo de tiempo: De principio a fin de un procedimiento quirúrgico del robot que se evalúa en términos de reconocimiento de acciones.
|
Precisión del algoritmo de aprendizaje profundo previamente entrenado para el reconocimiento de acciones, cuando se utiliza el modelo directamente en datos clínicos de procedimientos quirúrgicos robóticos.
|
De principio a fin de un procedimiento quirúrgico del robot que se evalúa en términos de reconocimiento de acciones.
|
|
Precisión de la evaluación de habilidades utilizando el modelo previamente entrenado directamente en datos clínicos
Periodo de tiempo: De principio a fin de un procedimiento quirúrgico del robot que se está evaluando en términos de evaluación de habilidades.
|
Precisión del algoritmo de aprendizaje profundo previamente entrenado para la evaluación de habilidades, cuando se utiliza el modelo directamente en datos clínicos de procedimientos quirúrgicos robóticos.
|
De principio a fin de un procedimiento quirúrgico del robot que se está evaluando en términos de evaluación de habilidades.
|
|
Exactitudes de K veces para el reconocimiento de acciones y la evaluación de habilidades para el reentrenamiento completo de la red previamente entrenada.
Periodo de tiempo: Desde el inicio hasta el final de los procedimientos clínicos.
|
K veces la precisión de la validación cruzada al volver a entrenar el modelo completo previamente entrenado en los datos clínicos tanto para el reconocimiento de acciones como para la evaluación de habilidades.
|
Desde el inicio hasta el final de los procedimientos clínicos.
|
|
Exactitudes de K veces para el reconocimiento de acciones y la evaluación de habilidades para el reentrenamiento parcial de la red previamente entrenada.
Periodo de tiempo: Desde el inicio hasta el final de los procedimientos clínicos.
|
Exactitudes de validación cruzada de K veces para el reconocimiento de acciones y la evaluación de habilidades para el reentrenamiento del LSTM y capas densas de la red previamente entrenada utilizando datos clínicos.
|
Desde el inicio hasta el final de los procedimientos clínicos.
|
Medidas de resultado secundarias
Medida de resultado |
Medida Descripción |
Periodo de tiempo |
|---|---|---|
|
Memoria/sensibilidad ponderada, precisión y puntuación F1 para el reconocimiento de acciones de la red clínica entrenada desde cero
Periodo de tiempo: De principio a fin de un procedimiento quirúrgico del robot que se evalúa en términos de reconocimiento de acciones.
|
Basado en la realización de reconocimiento de acciones de la red clínica capacitada desde cero.
|
De principio a fin de un procedimiento quirúrgico del robot que se evalúa en términos de reconocimiento de acciones.
|
|
Recuerdo ponderado/sensibilidad, precisión y puntuación F1 para la Evaluación de Habilidades de la red clínica entrenada desde cero
Periodo de tiempo: De principio a fin de un procedimiento quirúrgico del robot que se está evaluando en términos de evaluación de habilidades.
|
Basado en la realización de evaluación de habilidades de la red clínica capacitada desde cero.
|
De principio a fin de un procedimiento quirúrgico del robot que se está evaluando en términos de evaluación de habilidades.
|
|
Certeza predictiva del reconocimiento de acciones y evaluación de habilidades de la red formada desde cero sobre los datos clínicos.
Periodo de tiempo: Desde el inicio hasta el final de los procedimientos clínicos.
|
Certeza predictiva con media, mínimo y máximo generales y representada en gráficos de probabilidad para el reconocimiento de acciones y la evaluación de habilidades de la red entrenada desde cero con datos clínicos.
|
Desde el inicio hasta el final de los procedimientos clínicos.
|
|
Certeza predictiva de la acción, reconocimiento y evaluación de habilidades de la red parcialmente reentrenada.
Periodo de tiempo: Desde el inicio hasta el final de los procedimientos clínicos.
|
Certeza predictiva con media, mínimo y máximo generales y representada en gráficos de probabilidad para el reconocimiento de acciones y la evaluación de habilidades de la red parcialmente reentrenada, donde solo el LSTM y las capas profundas de la red se entrenaron con datos clínicos.
|
Desde el inicio hasta el final de los procedimientos clínicos.
|
Colaboradores e Investigadores
Aquí es donde encontrará personas y organizaciones involucradas en este estudio.
Patrocinador
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.
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)
22 de mayo de 2023
Finalización primaria (Actual)
26 de mayo de 2023
Finalización del estudio (Actual)
26 de mayo de 2023
Fechas de registro del estudio
Enviado por primera vez
22 de septiembre de 2024
Primero enviado que cumplió con los criterios de control de calidad
22 de septiembre de 2024
Publicado por primera vez (Actual)
25 de septiembre de 2024
Actualizaciones de registros de estudio
Última actualización publicada (Actual)
26 de septiembre de 2024
Última actualización enviada que cumplió con los criterios de control de calidad
24 de septiembre de 2024
Última verificación
1 de septiembre de 2024
Más información
Términos relacionados con este estudio
Otros números de identificación del estudio
- 2021-247
Plan de datos de participantes individuales (IPD)
¿Planea compartir datos de participantes individuales (IPD)?
SÍ
Descripción del plan IPD
La IPD se compartirá como datos anónimos y seguros según el RGPD en un sitio web de acceso abierto.
Los datos se compartirán como imágenes anónimas de los procedimientos quirúrgicos que realizaron los participantes.
Marco de tiempo para compartir IPD
La IPD y la información de respaldo estarán disponibles desde el momento de su envío a la revista y estarán disponibles por un período de tiempo ilimitado.
Criterios de acceso compartido de IPD
Todos los que tengan acceso al sitio web de código abierto de GitHub podrán acceder a los datos.
Y cualquiera que tenga acceso a la revista tendrá acceso a la información de respaldo.
Tipo de información de apoyo para compartir IPD
- PROTOCOLO DE ESTUDIO
- CÓDIGO_ANALÍTICO
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. .