CT-pohjaisten diagnostisten mallien kehittäminen ja validointi, jotka käyttävät tekoälyä ohutsuolen tukkeuman havaitsemiseen (SMARTLOOP2)
Ohutsuolen tukos (SBO) on yleinen ei-traumaattinen kirurginen hätätilanne. Kaikissa ohjeissa suositellaan tietokonetomografiaa (CT) ensilinjan kuvantamistestiksi potilaille, joilla epäillään SBO:ta. TT:n tavoitteita on useita: (i) vahvistaa tai kumota maha-suolikanavan tukkeuman diagnoosi, joka määritellään ruoansulatuskanavan yli 25 mm:n venymäksi, ja kun SBO:ta esiintyy, (ii) vahvistaa mekanismi (mekaaninen vs. toiminnallinen), (iii) paikantamaan tukoskohta, eli siirtymäalue (TZ), (iv) tunnistamaan syy ja (v) etsimään komplikaatioita, kuten kuristumista tai perforaatiota, jotka vaikuttavat hallintaan.
Ottaen huomioon suoritettavien skannausten määrän räjähdysmäinen lisääntyminen, erityisesti hätätilanteiden hallinnassa, radiologin auttaminen olisi hyödyllistä:
- Lajittele suoritetut skannaukset mahdollistaen sellaisten skannausten analyysin priorisoinnin, joilla on suurempi patologian todennäköisyys (tapauksessamme okkluusio)
- Auta radiologia diagnosoimaan okkluusio ja sen tyyppi (toiminnallinen tai mekaaninen) sekä tunnistamaan vakavuuden merkit.
- Auttaa päivystyslääkäriä ja ruuansulatuskirurgia tekemään päätöksen sairauden hoidosta (kirurginen tai lääketieteellinen).
Koneoppiminen on kehittynyt nopeasti viime vuosikymmeninä ensin tiedontallennuskapasiteetin kasvun ansiosta, sitten graafisiin prosessointiyksiköihin perustuvien rinnakkaisten prosessointilaitteistojen ansiosta radiologisen diagnostisen avun yhteydessä. Tämän seurauksena lääketieteellisen kuvantamisen syviä hermoverkkoja koskevien tutkimusten määrä kasvaa nopeasti. Kuitenkin harvat joukkueet keskittyvät SBO:han. Ainoat julkaistut luokitusmallit on tuotettu tavallisille vatsan röntgenkuvaille. Yhdessäkään tutkimuksessa ei ole käytetty CT- tai 3D-malleja, lukuun ottamatta alustavaa ZT:tä koskevaa tutkimustamme huolimatta TT:n tunnustetuista eduista SBO:n diagnosoinnissa ja 3D-mallien todennäköisestä panoksesta, joka voi olla verrattavissa monitasoiseen rekonstruktioon kuvien analysoinnissa. useilla avaruuden tasoilla.
Tutkimuksen yleiskatsaus
Tila
Ehdot
Opintotyyppi
Ilmoittautuminen (Todellinen)
Yhteystiedot ja paikat
Opiskelupaikat
-
-
-
Gif-sur-Yvette, Ranska
- Central for Visual Computing - OPIS Inria group
-
Paris, Ranska, 75014
- Groupe Hospitalier Paris Saint-Joseph
-
-
Osallistumiskriteerit
Kelpoisuusvaatimukset
Opintokelpoiset iät
Hyväksyy terveitä vapaaehtoisia
Sukupuolet, jotka voivat opiskella
Näytteenottomenetelmä
Tutkimusväestö
Kuvaus
Sisällyttämiskriteerit:
- Potilas, jonka ikä on ≥ 18 vuotta
- Potilas, jolle on tehty CT-skannaus, jossa on vähintään yksi vatsa-lantion hankinta Saint Joseph Hospital Groupissa
- Raportti, joka sisältää termit "okkluusio" tai "okkluusio", "oksentelu" tai "ileus"
- Ranskankielinen potilas
Poissulkemiskriteerit:
- Kuvaus ei ole käyttökelpoinen
- Vatsa-lantion tilavuuden puuttuminen TT-kuvauksissa
- Potilas holhouksen tai huoltajan alaisuudessa
- Potilas riistetty vapaudesta
- Potilas oikeuden suojeluksessa
- Potilas vastustaa tietojensa käyttöä tässä tutkimuksessa
Opintosuunnitelma
Miten tutkimus on suunniteltu?
Suunnittelun yksityiskohdat
- Havaintomallit: Kohortti
- Aikanäkymät: Takautuva
Mitä tutkimuksessa mitataan?
Ensisijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
Ruoansulatuskanavan tukkeumien automaattinen havaitseminen
Aikaikkuna: Vuosi 1
|
Tämä tulos vastaa mallin kykyä tunnistaa tukosten olemassaolo tai puuttuminen: herkkyys, spesifisyys ja ennustavat arvot.
|
Vuosi 1
|
Toissijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
Toiminnallisten vs. mekaanisten okkluusioiden automaattinen erottelu
Aikaikkuna: Vuosi 1
|
Tämä tulos vastaa toiminnallisten vs. mekaanisten tukkeumien havaitsemista.
|
Vuosi 1
|
|
Algoritmi kirurgiselle indikaatiolle
Aikaikkuna: Vuosi 1
|
Tämä tulos vastaa kliinis-radiobiologisen algoritmin suorituskykyä leikkauksen ennustamiseksi.
|
Vuosi 1
|
|
Risteysalueiden analyysi radiomiikan avulla
Aikaikkuna: Vuosi 1
|
Tämä tulos vastaa mekaanisten ruoansulatuskanavan tukkeumien risteysalueiden radiomiikan avulla tehtyä analyysiä (liitosalueet ovat vyöhykkeitä, joissa dilataatio-litteä siirtymä sijaitsee, eli vyöhyke, jossa tukos sijaitsee):
|
Vuosi 1
|
|
Automaattinen risteysalueiden tunnistus
Aikaikkuna: Vuosi 1
|
Tämä tulos vastaa automaattisen havaitsemisen suorituskykyä mekaanisten ruoansulatushäiriöiden risteysalueiden tunnistamisessa.
|
Vuosi 1
|
Yhteistyökumppanit ja tutkijat
Tutkijat
- Päätutkija: Quentin Vanderbecq, MD, Groupe hospitalier Paris saint Joseph
Julkaisuja ja hyödyllisiä linkkejä
Yleiset julkaisut
- 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.
Opintojen ennätyspäivät
Opi tärkeimmät päivämäärät
Opiskelun aloitus (Todellinen)
Ensisijainen valmistuminen (Todellinen)
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
Muita asiaankuuluvia MeSH-ehtoja
Muut tutkimustunnusnumerot
- SMARTLOOP2
Lääke- ja laitetiedot, tutkimusasiakirjat
Tutkii yhdysvaltalaista FDA sääntelemää lääkevalmistetta
Tutkii yhdysvaltalaista FDA sääntelemää laitetuotetta
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 .