Trasferimento dell'apprendimento di una rete neurale per la valutazione chirurgica robotica
24 settembre 2024 aggiornato da: Nasseh Hashemi, Aalborg University
Trasferimento dell'apprendimento di una rete neurale preclinica preaddestrata per la valutazione chirurgica robotica su dati clinici limitati
L'obiettivo di questo studio osservazionale è esplorare come modelli di intelligenza artificiale (AI) preaddestrati, addestrati su dati preclinici, possano migliorare l'accuratezza del riconoscimento delle azioni e della valutazione delle competenze nella chirurgia assistita da robot (RAS) in pazienti urologici mediante l'uso del trasferimento di apprendimento . Le principali domande a cui si propone di rispondere sono:
- I modelli di intelligenza artificiale preaddestrati possono valutare accuratamente il riconoscimento delle azioni e la valutazione delle competenze negli interventi clinici?
- In che modo i diversi approcci formativi di transfer learning influiscono sulle prestazioni dei modelli di intelligenza artificiale? Un modello di base sviluppato da zero utilizzando dati clinici verrà confrontato con modelli preaddestrati che sono (1) applicati direttamente ai dati clinici (2) perfezionati addestrando solo alcuni livelli del modello AI e (3) completamente riqualificati per vedere se questi approcci migliorano le prestazioni.
I partecipanti che sono chirurghi robot:
- Sottoporsi a procedure RAS sui pazienti, senza intervento, in cui verranno raccolti dati video per il successivo riconoscimento delle azioni e valutazione delle competenze.
- Contribuire alla formazione e alla valutazione dei modelli attraverso l'integrazione dei set di dati clinici.
Panoramica dello studio
Stato
Completato
Condizioni
Intervento / Trattamento
Tipo di studio
Osservativo
Iscrizione (Effettivo)
5
Contatti e Sedi
Questa sezione fornisce i recapiti di coloro che conducono lo studio e informazioni su dove viene condotto lo studio.
Luoghi di studio
-
-
North Jutland
-
Aalborg, North Jutland, Danimarca, 9000
- Department of Urology, Aalborg University Hospital
-
-
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
- Adulto
- Adulto più anziano
Accetta volontari sani
Sì
Metodo di campionamento
Campione non probabilistico
Popolazione di studio
La popolazione dello studio era composta da chirurghi robot esperti o principianti (essendo medici specializzati in corso di borsa di studio chirurgico per diventare chirurghi robot).
Tutte le procedure in cui le procedure assistite da robot vengono eseguite su pazienti ricoverati per cure presso il reparto urologico. I pazienti hanno anche dato il loro consenso alla raccolta dei dati. Tuttavia, il vero partecipante sono i chirurghi robot.
Descrizione
Criteri di inclusione:
- Chirurghi robot con esperienza in più di 100 casi.
- Amici chirurgici robot con meno di 100 casi.
- Chirurghi robot che lavoravano presso il dipartimento urologico dell'ospedale universitario di Aalborg.
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
Coorti e interventi
Gruppo / Coorte |
Intervento / Trattamento |
|---|---|
|
Chirurghi robot esperti
Chirurghi robot con 100 o più casi chirurgici robot eseguiti.
|
Questo è stato uno studio osservazionale senza intervento.
|
|
Chirurghi robot principianti
Chirurghi robot con meno di 100 casi chirurgici robot eseguiti.
|
Questo è stato uno studio osservazionale senza intervento.
|
Cosa sta misurando lo studio?
Misure di risultato primarie
Misura del risultato |
Misura Descrizione |
Lasso di tempo |
|---|---|---|
|
Precisione del riconoscimento delle azioni utilizzando dati clinici partendo da zero
Lasso di tempo: Dall'inizio alla fine di una procedura chirurgica del robot che viene valutata in termini di riconoscimento dell'azione.
|
Precisione dell'algoritmo di deep learning per il riconoscimento dell'azione, durante l'addestramento del modello da zero utilizzando dati clinici provenienti da procedure chirurgiche robotiche.
|
Dall'inizio alla fine di una procedura chirurgica del robot che viene valutata in termini di riconoscimento dell'azione.
|
|
Accuratezza della valutazione delle competenze utilizzando dati clinici da zero
Lasso di tempo: Dall'inizio alla fine di una procedura chirurgica del robot che viene valutata in termini di riconoscimento dell'azione.
|
Precisione dell'algoritmo di deep learning per la valutazione delle competenze, durante l'addestramento del modello da zero utilizzando dati clinici provenienti da procedure chirurgiche robotiche.
|
Dall'inizio alla fine di una procedura chirurgica del robot che viene valutata in termini di riconoscimento dell'azione.
|
|
Precisione del riconoscimento delle azioni utilizzando la rete preaddestrata direttamente sui dati clinici
Lasso di tempo: Dall'inizio alla fine di una procedura chirurgica del robot che viene valutata in termini di riconoscimento dell'azione.
|
Precisione dell'algoritmo di deep learning preaddestrato per il riconoscimento dell'azione, quando si utilizza il modello direttamente sui dati clinici derivanti dalle procedure chirurgiche dei robot.
|
Dall'inizio alla fine di una procedura chirurgica del robot che viene valutata in termini di riconoscimento dell'azione.
|
|
Accuratezza della valutazione delle competenze utilizzando il modello preaddestrato direttamente sui dati clinici
Lasso di tempo: Dall'inizio alla fine di una procedura chirurgica robotica che viene valutata in termini di valutazione delle competenze.
|
Precisione dell'algoritmo di deep learning preaddestrato per la valutazione delle competenze, quando si utilizza il modello direttamente su dati clinici provenienti da procedure chirurgiche robotizzate.
|
Dall'inizio alla fine di una procedura chirurgica robotica che viene valutata in termini di valutazione delle competenze.
|
|
Precisioni Kfold per il riconoscimento delle azioni e la valutazione delle competenze per la completa riqualificazione della rete preaddestrata.
Lasso di tempo: Dall'inizio alla fine delle procedure cliniche.
|
K volte l'accuratezza della convalida incrociata durante la riqualificazione del modello preaddestrato completo sui dati clinici sia per il riconoscimento delle azioni che per la valutazione delle competenze.
|
Dall'inizio alla fine delle procedure cliniche.
|
|
Precisioni Kfold per il riconoscimento delle azioni e la valutazione delle competenze per la parziale riqualificazione della rete preaddestrata.
Lasso di tempo: Dall'inizio alla fine delle procedure cliniche.
|
Precisioni di validazione incrociata K fold per il riconoscimento delle azioni e la valutazione delle competenze per la riqualificazione dell'LSTM e degli strati densi della rete preaddestrata utilizzando dati clinici.
|
Dall'inizio alla fine delle procedure cliniche.
|
Misure di risultato secondarie
Misura del risultato |
Misura Descrizione |
Lasso di tempo |
|---|---|---|
|
Richiamo/sensibilità ponderata, precisione e punteggio F1 per il riconoscimento dell'azione della rete clinica addestrata da zero
Lasso di tempo: Dall'inizio alla fine di una procedura chirurgica del robot che viene valutata in termini di riconoscimento dell'azione.
|
Basato sulle prestazioni di riconoscimento delle azioni da parte della rete clinica formata da zero.
|
Dall'inizio alla fine di una procedura chirurgica del robot che viene valutata in termini di riconoscimento dell'azione.
|
|
Richiamo/sensibilità ponderata, precisione e punteggio F1 per la valutazione delle competenze della rete clinica formata da zero
Lasso di tempo: Dall'inizio alla fine di una procedura chirurgica robotica che viene valutata in termini di valutazione delle competenze..
|
Basato sull'esecuzione della valutazione delle competenze da parte della rete clinica formata da zero.
|
Dall'inizio alla fine di una procedura chirurgica robotica che viene valutata in termini di valutazione delle competenze..
|
|
Certezza predittiva del riconoscimento dell'azione e della valutazione delle competenze della rete formata ex novo sui dati clinici.
Lasso di tempo: Dall'inizio alla fine delle procedure cliniche.
|
Certezza predittiva con media complessiva, minimo e massimo e rappresentata in grafici di probabilità per il riconoscimento delle azioni e la valutazione delle competenze della rete addestrata da zero sui dati clinici.
|
Dall'inizio alla fine delle procedure cliniche.
|
|
Certezza predittiva del riconoscimento dell'azione e della valutazione delle competenze della rete parzialmente riqualificata.
Lasso di tempo: Dall'inizio alla fine delle procedure cliniche.
|
Certezza predittiva con media complessiva, minimo e massimo e rappresentata in grafici di probabilità per il riconoscimento delle azioni e la valutazione delle competenze della rete parzialmente riqualificata, dove solo l'LSTM e gli strati profondi della rete sono stati addestrati sui dati clinici.
|
Dall'inizio alla fine delle procedure cliniche.
|
Collaboratori e investigatori
Qui è dove troverai le persone e le organizzazioni coinvolte in questo studio.
Sponsor
Pubblicazioni e link utili
La persona responsabile dell'inserimento delle informazioni sullo studio fornisce volontariamente queste pubblicazioni. Questi possono riguardare qualsiasi cosa relativa allo studio.
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 (Effettivo)
22 maggio 2023
Completamento primario (Effettivo)
26 maggio 2023
Completamento dello studio (Effettivo)
26 maggio 2023
Date di iscrizione allo studio
Primo inviato
22 settembre 2024
Primo inviato che soddisfa i criteri di controllo qualità
22 settembre 2024
Primo Inserito (Effettivo)
25 settembre 2024
Aggiornamenti dei record di studio
Ultimo aggiornamento pubblicato (Effettivo)
26 settembre 2024
Ultimo aggiornamento inviato che soddisfa i criteri QC
24 settembre 2024
Ultimo verificato
1 settembre 2024
Maggiori informazioni
Termini relativi a questo studio
Parole chiave
Altri numeri di identificazione dello studio
- 2021-247
Piano per i dati dei singoli partecipanti (IPD)
Hai intenzione di condividere i dati dei singoli partecipanti (IPD)?
SÌ
Descrizione del piano IPD
Gli IPD saranno condivisi come dati anonimi e sicuri secondo il GDPR su un sito web ad accesso aperto.
I dati verranno condivisi come filmati anonimizzati delle procedure chirurgiche effettuate dai partecipanti.
Periodo di condivisione IPD
L'IPD e le informazioni di supporto saranno disponibili dal momento dell'invio alla rivista e saranno disponibili per un periodo di tempo illimitato.
Criteri di accesso alla condivisione IPD
Chiunque abbia accesso al sito Web open source di GitHub potrà accedere ai dati.
E chiunque avrà accesso al diario avrà accesso alle informazioni di supporto.
Tipo di informazioni di supporto alla condivisione IPD
- STUDIO_PROTOCOLLO
- CODICE_ANALITICO
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
prodotto fabbricato ed esportato dagli 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 .