Algoritmo di Deep Learning per il riconoscimento dei segmenti del colon.
11 settembre 2019 aggiornato da: Xiuli Zuo, Shandong University
Sviluppo e validazione di un algoritmo di deep learning per il riconoscimento in tempo reale dei segmenti del colon.
Lo scopo di questo studio è sviluppare e convalidare un algoritmo di apprendimento profondo per realizzare il riconoscimento automatico dei segmenti del colon sotto la colonscopia convenzionale.
Quindi, valutare l'accuratezza di questo nuovo sistema di riconoscimento assistito da intelligenza artificiale (AI) nella pratica clinica.
Panoramica dello studio
Stato
Sconosciuto
Condizioni
Intervento / Trattamento
Descrizione dettagliata
La colonscopia è raccomandata come esame di routine per lo screening del cancro colorettale.
L'ispezione completa di tutti i segmenti del colon è la base del controllo di qualità della colonscopia e inoltre migliora i tassi di rilevamento dei piccoli adenomi.
Recentemente, l'algoritmo di deep learning basato su reti neurali centrali (CNN) ha mostrato molteplici potenzialità nel rilevamento assistito da computer e nella diagnosi assistita da computer delle lesioni gastrointestinali.
Tuttavia, c'è ancora un vuoto nel riconoscimento dei siti anatomici, che limita la realizzazione del rilevamento delle lesioni assistito dall'IA e il punteggio della gravità della malattia.
Questo studio ha lo scopo di addestrare un algoritmo per riconoscere i segmenti chiave del colon e testimoniare l'accuratezza del riconoscimento di ciascun segmento rispetto ai medici endoscopici.
Tipo di studio
Interventistico
Iscrizione (Anticipato)
60
Fase
- Non applicabile
Criteri di partecipazione
I ricercatori cercano persone che corrispondano a una certa descrizione, chiamata criteri di ammissibilità. Alcuni esempi di questi criteri sono le condizioni generali di salute di una persona o trattamenti precedenti.
Criteri di ammissibilità
Età idonea allo studio
Da 18 anni a 70 anni (ADULTO, ANZIANO_ADULTO)
Accetta volontari sani
No
Sessi ammissibili allo studio
Tutto
Descrizione
Criterio di inclusione:
- Pazienti di età compresa tra 18 e 70 anni sottoposti a colonscopia convenzionale
Criteri di esclusione:
- Ostruzione, stenosi o perforazione intestinale nota o sospetta
- Riflesso di deglutizione compromesso o stato mentale
- Grave insufficienza renale cronica (clearance della creatinina < 30 ml/min)
- Insufficienza cardiaca congestizia grave (classe III o IV della New York Heart Association)
- Ipertensione incontrollata (pressione arteriosa sistolica > 170 mm Hg, pressione arteriosa diastolica > 100 mm Hg)
- Disidratazione
- Violazione di elettroliti
- Gravidanza o allattamento
- Emodinamicamente instabile
- Impossibile dare il consenso informato
Piano di studio
Questa sezione fornisce i dettagli del piano di studio, compreso il modo in cui lo studio è progettato e ciò che lo studio sta misurando.
Come è strutturato lo studio?
Dettagli di progettazione
- Scopo principale: HEALTH_SERVICES_RESEARCH
- Assegnazione: N / A
- Modello interventistico: SINGOLO_GRUPPO
- Mascheramento: NESSUNO
Armi e interventi
Gruppo di partecipanti / Arm |
Intervento / Trattamento |
|---|---|
|
SPERIMENTALE: Colonscopia di monitoraggio AI
I pazienti di questo gruppo passano attraverso la colonscopia sotto il dispositivo di monitoraggio AI.
|
Dopo aver ricevuto il regime di preparazione intestinale standard, i pazienti vengono sottoposti a colonscopia sotto il dispositivo di monitoraggio AI.
L'intero processo di prelievo è monitorato dal sistema di riconoscimento associato all'IA.
I segmenti chiave del colon includono la valvola ileocecale, il colon ascendente, il colon trasverso, il colon discendente, il colon sigmoideo e il retto.
Quando vengono rilevati siti anatomici tipici, il dispositivo AI acquisirà automaticamente le immagini pertinenti e riporterà il nome di ciascun segmento sullo schermo.
L'esperto di endoscopia operativa darà la risposta finale e giudicherà le prestazioni dell'IA, che è fissato come standard d'oro.
Quindi tutte le immagini catturate dall'intelligenza artificiale verranno esaminate da un gruppo umano, composto da tre a cinque medici endoscopici esperti.
|
Cosa sta misurando lo studio?
Misure di risultato primarie
Misura del risultato |
Misura Descrizione |
Lasso di tempo |
|---|---|---|
|
L'accuratezza del riconoscimento in tempo reale di ogni segmento del colon con l'algoritmo di deep learning.
Lasso di tempo: 3 mesi.
|
L'accuratezza del riconoscimento segmentale è la proporzione di segmenti riconosciuti correttamente divisa per il numero di pazienti coinvolti.
Il tasso di accuratezza della valvola ileocecale, del colon ascendente, del colon trasverso, del colon discendente, del colon sigmoideo e del retto sarà calcolato separatamente.
|
3 mesi.
|
Misure di risultato secondarie
Misura del risultato |
Misura Descrizione |
Lasso di tempo |
|---|---|---|
|
L'accuratezza del riconoscimento totale dei segmenti del colon con l'algoritmo di deep learning rispetto al gruppo di esperti endoscopici.
Lasso di tempo: 3 mesi.
|
L'accuratezza del riconoscimento totale è la proporzione di immagini riconosciute correttamente divisa per il numero di immagini acquisite dall'IA.
Quindi tutte le immagini catturate dall'intelligenza artificiale verranno esaminate da un gruppo di esperti per fornire un tasso di valutazione umana.
Due tassi saranno confrontati dal test t dello studente per analizzare la differenza.
|
3 mesi.
|
Collaboratori e investigatori
Qui è dove troverai le persone e le organizzazioni coinvolte in questo studio.
Sponsor
Studiare le date dei record
Queste date tengono traccia dell'avanzamento della registrazione dello studio e dell'invio dei risultati di sintesi a ClinicalTrials.gov. I record degli studi e i risultati riportati vengono esaminati dalla National Library of Medicine (NLM) per assicurarsi che soddisfino specifici standard di controllo della qualità prima di essere pubblicati sul sito Web pubblico.
Studia le date principali
Inizio studio (ANTICIPATO)
15 settembre 2019
Completamento primario (ANTICIPATO)
15 novembre 2019
Completamento dello studio (ANTICIPATO)
15 dicembre 2019
Date di iscrizione allo studio
Primo inviato
11 settembre 2019
Primo inviato che soddisfa i criteri di controllo qualità
11 settembre 2019
Primo Inserito (EFFETTIVO)
12 settembre 2019
Aggiornamenti dei record di studio
Ultimo aggiornamento pubblicato (EFFETTIVO)
12 settembre 2019
Ultimo aggiornamento inviato che soddisfa i criteri QC
11 settembre 2019
Ultimo verificato
1 settembre 2019
Maggiori informazioni
Termini relativi a questo studio
Parole chiave
Termini MeSH pertinenti aggiuntivi
Altri numeri di identificazione dello studio
- 2019SDU-QILU-G003
Informazioni su farmaci e dispositivi, documenti di studio
Studia un prodotto farmaceutico regolamentato dalla FDA degli Stati Uniti
No
Studia un dispositivo regolamentato dalla FDA degli Stati Uniti
No
Queste informazioni sono state recuperate direttamente dal sito web clinicaltrials.gov senza alcuna modifica. In caso di richieste di modifica, rimozione o aggiornamento dei dettagli dello studio, contattare register@clinicaltrials.gov. Non appena verrà implementata una modifica su clinicaltrials.gov, questa verrà aggiornata automaticamente anche sul nostro sito web .