Tämä sivu käännettiin automaattisesti, eikä käännösten tarkkuutta voida taata. Katso englanninkielinen versio lähdetekstiä varten.

Joint-AI:n validointi haiman kiinteiden leesioiden diagnosoinnissa

sunnuntai 22. joulukuuta 2024 päivittänyt: Bin Cheng, Huazhong University of Science and Technology

Multimodaalisen tekoälyn mallin validointi haiman kiinteiden leesioiden diagnosoinnissa: tuleva, monikeskus, satunnaistettu, kontrolloitu tutkimus

Tämän kliinisen tutkimuksen tarkoituksena on selvittää, voiko multimodaalinen tekoäly (AI) -malli parantaa haiman kiinteiden leesioiden diagnosointia. Tärkeimmät kysymykset, joihin se pyrkii vastaamaan, ovat:

  1. Parantaako tekoälymalli endoskoopin diagnostista suorituskykyä haiman kiinteiden leesioiden diagnosoinnissa?
  2. Parantaako tulkitavuusanalyysin lisääminen entisestään avustettujen endoskooppien diagnostista suorituskykyä? Tutkijat vertailevat endoskopistien diagnostista suorituskykyä tekoälymallin avulla tai ilman sitä.

Osallistujat:

  1. Heidän kliiniset tiedot kerätään tulevaisuuteen.
  2. Heidät satunnaistetaan AI-avustusryhmään ja perinteisen diagnoosin ryhmään.

Tutkimuksen yleiskatsaus

Tila

Ei vielä rekrytointia

Ehdot

Interventio / Hoito

Yksityiskohtainen kuvaus

Tutkijat ovat aiemmin kehittäneet endoskooppisiin ultraäänikuviin ja kliinisiin tietoihin perustuvan multimodaalisen AI-mallin (Joint-AI) haiman kiinteiden leesioiden diagnosoimiseksi. Tämän tutkimuksen tavoitteena on parantaa Joint-AI-mallin suorituskykyä prospektiivisesti kerätyllä tietojoukolla ja validoida se satunnaistetulla kontrolloidulla kliinisellä tutkimuksella.

Opintotyyppi

Interventio

Ilmoittautuminen (Arvioitu)

716

Vaihe

  • Ei sovellettavissa

Yhteystiedot ja paikat

Tässä osiossa on tutkimuksen suorittajien yhteystiedot ja tiedot siitä, missä tämä tutkimus suoritetaan.

Opiskeluyhteys

Opiskelupaikat

  • Kiina
    • Hubei
      • Wuhan, Hubei, Kiina, 430030
        • Tongji Hospital, Tongji Medical college, Huazhong University of Science and Technology
        • Ottaa yhteyttä:

Osallistumiskriteerit

Tutkijat etsivät ihmisiä, jotka sopivat tiettyyn kuvaukseen, jota kutsutaan kelpoisuuskriteereiksi. Joitakin esimerkkejä näistä kriteereistä ovat henkilön yleinen terveydentila tai aiemmat hoidot.

Kelpoisuusvaatimukset

Opintokelpoiset iät

  • Aikuinen
  • Vanhempi Aikuinen

Hyväksyy terveitä vapaaehtoisia

Ei

Kuvaus

Sisällön kriteerit:

  • Kuvaustutkimukset (MRI, TT, B-ultraääni) osoittavat kiinteää massaa haimassa, mikä edellyttää endoskooppista ultraääniohjattua hienoneulaaspiraatiota/biopsiaa (EUS-FNA/B) leesion luonteen selvittämiseksi potilailla.
  • Kirjallinen suostumus annettu

Poissulkemiskriteerit:

  • Ikäraja alle 18 vuotta

Opintosuunnitelma

Tässä osiossa on tietoja tutkimussuunnitelmasta, mukaan lukien kuinka tutkimus on suunniteltu ja mitä tutkimuksella mitataan.

Miten tutkimus on suunniteltu?

Suunnittelun yksityiskohdat

  • Ensisijainen käyttötarkoitus: Diagnostiikka
  • Jako: Satunnaistettu
  • Inventiomalli: Rinnakkaistehtävä
  • Naamiointi: Kaksinkertainen

Aseet ja interventiot

Osallistujaryhmä / Arm
Interventio / Hoito
Ei väliintuloa: Perinteinen diagnoosi
Endoskopistit diagnosoivat haiman kiinteät vauriot endoskooppisten ultraäänikuvien ja kliinisten tietojen perusteella.
Kokeellinen: Joint-AI-avusteinen diagnoosi
Endoskopistit diagnosoivat haiman kiinteät leesiot endoskooppisten ultraäänikuvien, kliinisten tietojen ja Joint-AI-mallin ennusteiden perusteella.
Diagnostinen testi: Joint-AI-mallin apu
Joint-AI-mallin antamat ennusteet toimitetaan endoskopistille diagnoosin aikana
Kokeellinen: Tulkittava nivel-AI-avusteinen diagnoosi
Endoskopistit diagnosoivat haiman kiinteät leesiot endoskooppisten ultraäänikuvien, kliinisten tietojen, Joint-AI:n antamien ennusteiden ja tulkittavuusanalyysitulosten perusteella, joita käytetään parantamaan Joint-AI-mallin päätöksentekoprosessin läpinäkyvyyttä.
Diagnostinen testi: Tulkittavan Joint-AI-mallin apu
Joint-AI-mallin antamat ennusteet ja tulkittavuusanalyysin tulokset toimitetaan endoskopistille diagnoosin aikana

Mitä tutkimuksessa mitataan?

Ensisijaiset tulostoimenpiteet

Tulosmittaus
Toimenpiteen kuvaus
Aikaikkuna
Oikean diagnostisen luokituksen nopeus Joint-AI-mallin avulla
Aikaikkuna: Opintojen suorittamisen kautta keskimäärin 1 vuosi
Oikeiden diagnoosien prosenttiosuus haimasyövän erottamisessa muista ei-syöpäleesioista, määritetty vertaamalla Joint-AI-mallin apuna endoskooppidiagnoosia lopulliseen histopatologiseen diagnoosiin (vertailustandardi).
Opintojen suorittamisen kautta keskimäärin 1 vuosi
Oikean diagnostisen luokituksen nopeus tulkittavan yhteisen AI-mallin avulla
Aikaikkuna: Opintojen suorittamisen kautta keskimäärin 1 vuosi
Oikeiden diagnoosien prosenttiosuus haimasyövän erottamisessa muista ei-syöpäleesioista, määritetty vertaamalla tulkittavalla nivel-AI-mallilla autettuja endoskoopin arviointeja lopulliseen histopatologiseen diagnoosiin (vertailustandardi)
Opintojen suorittamisen kautta keskimäärin 1 vuosi

Toissijaiset tulostoimenpiteet

Tulosmittaus
Toimenpiteen kuvaus
Aikaikkuna
Joint-AI-mallin ja tulkittavissa olevan Joint-AI-mallin oikean diagnostisen luokituksen nopeus
Aikaikkuna: Opintojen suorittamisen kautta keskimäärin 1 vuosi
Tekoälymallien diagnostinen tarkkuus tässä tulevassa kerätyssä tietojoukossa.
Opintojen suorittamisen kautta keskimäärin 1 vuosi
Endoskooppilääkärin ilmoittama luottamuspiste diagnosoinnissa tekoälyn avulla (pistemäärä on asteikolla 0–100 %, jossa 0 tarkoittaa "en ole ollenkaan varma" ja 100 "täysin varma")
Aikaikkuna: Opintojen suorittamisen kautta keskimäärin 1 vuosi
Endoskooppilääkärin ilmoittama luottamus diagnoosiin mitataan asteikolla 0-100, jossa 0 tarkoittaa "ei ole ollenkaan varma" ja 100 "täysin varma". Korkeammat pisteet osoittavat parempaa diagnostista luottamusta. Luottamuspisteet arvioidaan erikseen Joint-AI-mallilla ja tulkittavissa olevalla Joint-AI-mallilla tehdyille diagnooseille.
Opintojen suorittamisen kautta keskimäärin 1 vuosi
Endoskopistien oikean diagnostisen luokituksen määrä ilman tekoälyn apua
Aikaikkuna: Opintojen suorittamisen kautta keskimäärin 1 vuosi
Opintojen suorittamisen kautta keskimäärin 1 vuosi

Yhteistyökumppanit ja tutkijat

Täältä löydät tähän tutkimukseen osallistuvat ihmiset ja organisaatiot.

Sponsori

Huazhong University of Science and Technology

Yhteistyökumppanit

Beijing Friendship Hospital
Qilu Hospital of Shandong University
Sir Run Run Shaw Hospital
Shanghai Longhua Hospital
Beijing Union Hosptial
Affiliated Drum Tower Hospital of Nanjing University Medical School

Opintojen ennätyspäivät

Nämä päivämäärät seuraavat ClinicalTrials.gov-sivustolle lähetettyjen tutkimustietueiden ja yhteenvetojen edistymistä. National Library of Medicine (NLM) tarkistaa tutkimustiedot ja raportoidut tulokset varmistaakseen, että ne täyttävät tietyt laadunvalvontastandardit, ennen kuin ne julkaistaan ​​julkisella verkkosivustolla.

Opi tärkeimmät päivämäärät

Opiskelun aloitus (Arvioitu)

Keskiviikko 1. tammikuuta 2025

Ensisijainen valmistuminen (Arvioitu)

Torstai 1. tammikuuta 2026

Opintojen valmistuminen (Arvioitu)

Torstai 1. tammikuuta 2026

Opintoihin ilmoittautumispäivät

Ensimmäinen lähetetty

Tiistai 17. joulukuuta 2024

Ensimmäinen toimitettu, joka täytti QC-kriteerit

Sunnuntai 22. joulukuuta 2024

Ensimmäinen Lähetetty (Todellinen)

Tiistai 25. maaliskuuta 2025

Tutkimustietojen päivitykset

Viimeisin päivitys julkaistu (Todellinen)

Tiistai 25. maaliskuuta 2025

Viimeisin lähetetty päivitys, joka täytti QC-kriteerit

Sunnuntai 22. joulukuuta 2024

Viimeksi vahvistettu

Sunnuntai 1. joulukuuta 2024

Lisää tietoa

Tähän tutkimukseen liittyvät termit

Avainsanat

Muita asiaankuuluvia MeSH-ehtoja

Muut tutkimustunnusnumerot

  • Joint-AI 2024

Lääke- ja laitetiedot, tutkimusasiakirjat

Tutkii yhdysvaltalaista FDA sääntelemää lääkevalmistetta

Ei

Tutkii yhdysvaltalaista FDA sääntelemää laitetuotetta

Ei

Yhdysvalloissa valmistettu ja sieltä viety tuote

Ei

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 .

Tilaa