- ICH GCP
- Yhdysvaltain kliinisten tutkimusten rekisteri
- Kliininen tutkimus NCT05151939
Endoskooppinen ultraääni (EUS) tekoälymalli normaaleiden välikarsina- ja vatsalihasten arviointiin
Endoskooppinen ultraääni (EUS) normaaleiden välikarsina- ja vatsaelinten/anatomisten rajoitteiden arviointi uudella kehitetyllä tekoälymallilla
Tutkimuksen yleiskatsaus
Tila
Interventio / Hoito
- Diagnostinen testi: Välikarsina- ja vatsan elinten/anatomisten ahtaumien tunnistaminen tai vuodon visualisointi endoskooppisen ultraäänivideon (EUS) avulla asiantuntijan endoskopitin toimesta
- Diagnostinen testi: Välikarsina- ja vatsaelinten/anatomisten ahtaumien tunnistaminen endoskooppisen ultraäänivideon (EUS) avulla tekoälyä (AI) käyttäen
Yksityiskohtainen kuvaus
Endoskooppinen ultraääni (EUS) on korkeasti koulutettu toimenpide, jossa on rajoitettu määrä laitteita koulutusta varten. Siksi pätevyyden saavuttamiseksi tarvitaan suuri määrä menettelyjä. Tarkkailijoiden välinen sopimus vaihtelee kuitenkin suuresti. Tekoälyn (AI) avulla anatomisten rakenteiden tunnistaminen ja karakterisointi voi parantaa koulutusprosessia ja parantaa samalla tarkkailijoiden välistä sopimusta. Kehitettyjä EUS-AI-malleja on kuitenkin koulutettu eksplisiittisesti tai vain sairausnäytteillä tai vatsan anatomisten piirteiden havaitsemiseksi.
Muilla aloilla, kuten säteilyonkologiassa, kehitettyjä tekoälymalleja on käytetty laajalti. Heidän on tunnistettava yhdessä terveet ja sairaat ahtaumat missä tahansa ihmiskehon osassa ääriviivojen aikana. Se välttää normaalin kudoksen tarpeettoman säteilytyksen. EUS-AI-mallit, joita ei ole koulutettu terveillä näytteillä, voivat lisätä vääriä positiivisia tapauksia tosielämässä. Se tarkoittaa epänormaalien/sairauden ahtaumien mahdollista ylidiagnoosia. EUS-AI-malleja ei ole koulutettu ulkopuolisilla näytteillä
Käyttämällä automatisoitua koneoppimisohjelmistoa Robles-Medranda et al. ovat aiemmin kehittäneet konvoluutiohermosoluverkkojen (CNN) AI-mallin, joka tunnistaa anatomiset rakenteet lineaaristen ja radiaalisten EUS-arviointien aikana (AI Works, MD Consulting Group, Ecuador). Tietojemme mukaan tämä EUS-AI-malli on ensimmäinen, joka on koulutettu EUS-videoilla potilailta, joilla ei ole patologioita ja siten normaaleja välikarsina- ja vatsaelinten/anatomisia ahtaumaja. Tässä toisessa vaiheessa pyrimme suunnittelemaan ulkoisen validoinnin kehittämällemme tekoälymallillemme pitäen endoskoopin asiantuntijaa kultaisena standardina.
Opintotyyppi
Ilmoittautuminen (Odotettu)
Yhteystiedot ja paikat
Opiskeluyhteys
- Nimi: Carlos Robles-Medranda
- Puhelinnumero: +59342109180
- Sähköposti: carlosoakm@yahoo.es
Opiskelupaikat
-
-
Guayas
-
Guayaquil, Guayas, Ecuador, 090505
- Rekrytointi
- Ecuadorian Institute of Digestive Diseases
-
Ottaa yhteyttä:
- Carlos A Robles-Medranda, MD
- Puhelinnumero: +593989158865
- Sähköposti: carlosoakm@yahoo.es
-
Päätutkija:
- Carlos Robles-Medranda, MD FASGE
-
Alatutkija:
- Martha Arevalo-Mora, MD
-
Alatutkija:
- Daniel Calle, MD MSc
-
Alatutkija:
- Miguel Puga-Tejada, MD MSc
-
Alatutkija:
- Raquel Del Valle Zavala, MD
-
Alatutkija:
- Juan Alcivar-Vasquez, MD Msc
-
-
Osallistumiskriteerit
Kelpoisuusvaatimukset
Opintokelpoiset iät
Hyväksyy terveitä vapaaehtoisia
Sukupuolet, jotka voivat opiskella
Näytteenottomenetelmä
Tutkimusväestö
Kuvaus
Sisällyttämiskriteerit:
- Potilaat, joilla ei ole aiemmin ollut rintakehän tai vatsan poikkeavuuksia, jotka on vahvistettu terveydenhuoltotarkoituksiin viimeisten 12 kuukauden aikana tehdyllä kuvantamistestillä (esim. rintakehän röntgen ja vatsan ultraääni tai rintakehän ja vatsan TT)
- Potilaat, joille tehdään EUS-arviointi kroonisen dyspepsian vuoksi.
Poissulkemiskriteerit:
- Morfologinen muutos vähintään yhdessä välikarsina- ja vatsaelimen/anatomisessa ahtaumassa, joka on dokumentoitu millä tahansa kuvantamistestillä tai EUS:lla.
- Hallitsematon koagulopatia, munuaisten/maksan vajaatoiminta tai mikä tahansa samanaikainen sairaus, jolla on merkittävä vaikutus sydämen riskinarviointiin (NHYA III/IV);
- Kieltäytyä osallistumasta tutkimukseen tai allekirjoittamasta vastaavaa tietoon perustuvaa suostumusta.
Opintosuunnitelma
Miten tutkimus on suunniteltu?
Suunnittelun yksityiskohdat
- Havaintomallit: Vain tapaus
- Aikanäkymät: Poikkileikkaus
Kohortit ja interventiot
Ryhmä/Kohortti |
Interventio / Hoito |
---|---|
Potilaat, joilla on normaalit välikarsina- ja vatsaelinten/anatomiset ahtaumat
Aikuiset potilaat, joilla on normaalit välikarsina- ja vatsaelinten/anatomiset ahtaumat kuvantamistestin ja EUS-arvioinnin jälkeen kroonisen dyspepsian vuoksi.
|
Asiantunteva endoskopisti valitsee datajoukon välikarsina- ja vatsan alueen EUS-videoita (yksi potilasta kohti).
Asiantunteva endoskopisti tunnistaa tai poistaa visualisoinnin seuraavista elimistä oikein: aortta, selkäranka, aortan kaari, henkitorvi, AP-ikkuna, vasen munuainen, maksa, perna, haimarunko, haiman häntä, keliakiarunko, pernavaltimo, pernalaskimo, alempi onttolaskimo, lisämunuainen, oikea munuainen, sappirakko, yhteinen sappitie, Vaterin ampulla, porttilaskimo.
EUS-AI-malli tunnistaa seuraavat elimet: aortta, selkäranka, aortan kaari, henkitorvi, AP-ikkuna, vasen munuainen, maksa, perna, haimarunko, haiman häntä, keliakia käyttämällä samaa aikaisempaa mediastinaalisten ja vatsan EUS-videoiden tietojoukkoa. runko, pernavaltimo, pernan laskimo, alempi onttolaskimo, lisämunuainen, oikea munuainen, sappirakko, yhteinen sappitie, Vaterin ampulla, porttilaskimo.
Kun jokainen potilas (eikä datakehysvideoita) otetaan tutkimusyksikkönä, suunnitellaan valmiustaulukko kullekin välikarsina- ja vatsaelimen/anatomiselle ahtaumalle.
|
Mitä tutkimuksessa mitataan?
Ensisijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
---|---|---|
Endoskooppisen ultraäänen (EUS) tekoälymallin (AI) kokonaistarkkuus normaalien välikarsina- ja vatsaelinten/anatomisten ahtaumien tunnistamiseen
Aikaikkuna: Kolme kuukautta
|
Kokonaistarkkuusominaisuudet lasketaan: herkkyys, spesifisyys, positiivinen ennustearvo, negatiivinen ennustearvo, diagnostinen tarkkuus ja havaittu yksimielisyys. Lisäksi määritellään seuraavat todennäköisyydet:
|
Kolme kuukautta
|
Yhteistyökumppanit ja tutkijat
Tutkijat
- Päätutkija: Carlos Robles-Medranda, Ecuadorian Institute of Digestive Diseases
Julkaisuja ja hyödyllisiä linkkejä
Yleiset julkaisut
- 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.
Opintojen ennätyspäivät
Opi tärkeimmät päivämäärät
Opiskelun aloitus (Todellinen)
Ensisijainen valmistuminen (Odotettu)
Opintojen valmistuminen (Odotettu)
Opintoihin ilmoittautumispäivät
Ensimmäinen lähetetty
Ensimmäinen toimitettu, joka täytti QC-kriteerit
Ensimmäinen Lähetetty (Todellinen)
Tutkimustietojen päivitykset
Viimeisin päivitys julkaistu (Todellinen)
Viimeisin lähetetty päivitys, joka täytti QC-kriteerit
Viimeksi vahvistettu
Lisää tietoa
Tähän tutkimukseen liittyvät termit
Avainsanat
Muita asiaankuuluvia MeSH-ehtoja
Muut tutkimustunnusnumerot
- IECED-26112021
Yksittäisten osallistujien tietojen suunnitelma (IPD)
Aiotko jakaa yksittäisten osallistujien tietoja (IPD)?
Lääke- ja laitetiedot, tutkimusasiakirjat
Tutkii yhdysvaltalaista FDA sääntelemää lääkevalmistetta
Tutkii yhdysvaltalaista FDA sääntelemää laitetuotetta
Yhdysvalloissa valmistettu ja sieltä viety tuote
Nämä tiedot haettiin suoraan verkkosivustolta clinicaltrials.gov ilman muutoksia. Jos sinulla on pyyntöjä muuttaa, poistaa tai päivittää tutkimustietojasi, ota yhteyttä register@clinicaltrials.gov. Heti kun muutos on otettu käyttöön osoitteessa clinicaltrials.gov, se päivitetään automaattisesti myös verkkosivustollemme .