Endoscopische echografie (EUS) kunstmatige-intelligentiemodel voor beoordeling van normale mediastinale en abdominale vernauwingen
10 december 2021 bijgewerkt door: Instituto Ecuatoriano de Enfermedades Digestivas
Endoscopische echografie (EUS) beoordeling van normale mediastinale en buikorganen/anatomische vernauwingen met behulp van een nieuw ontwikkeld kunstmatige-intelligentiemodel
Daarom is er een groot aantal procedures nodig om EUS-competentie te bereiken, maar de overeenstemming tussen de waarnemers loopt nog steeds sterk uiteen.
Door kunstmatige intelligentie (AI) ondersteunde herkenning van anatomische structuren kan het trainingsproces en de overeenstemming tussen waarnemers verbeteren.
Robles-Medranda et al. ontwikkelde een AI-model dat normale anatomische structuren herkent tijdens lineaire en radiale EUS-evaluaties.
We streven ernaar om een externe validatie van ons ontwikkelde AI-model te ontwerpen, waarbij we een endoscopistische expert als de gouden standaard beschouwen.
Studie Overzicht
Toestand
Werving
Interventie / Behandeling
- Diagnostische toets: Identificatie of ontlading visualisatie van mediastinale en buikorganen/anatomische vernauwingen door middel van endoscopische echografie (EUS) video's door een deskundige endoscopist
- Diagnostische toets: Herkenning van mediastinale en buikorganen/anatomische vernauwingen door middel van endoscopische echografie (EUS)-video's met behulp van kunstmatige intelligentie (AI)
Gedetailleerde beschrijving
Endoscopische echografie (EUS) is een hooggekwalificeerde procedure met een beperkt aantal beschikbare faciliteiten voor training. Daarom is een groot aantal procedures nodig om competentie te bereiken. De overeenstemming tussen waarnemers loopt echter sterk uiteen. Kunstmatige intelligentie (AI) ondersteunde herkenning en karakterisering van anatomische structuren kan het trainingsproces verbeteren en tegelijkertijd de overeenkomst tussen waarnemers verbeteren. De ontwikkelde EUS-AI-modellen zijn echter expliciet getraind of alleen met ziektemonsters of voor het detecteren van abdominale anatomische kenmerken.
Op andere gebieden, zoals bestralingsoncologie, worden ontwikkelde AI-modellen op grote schaal gebruikt. Ze moeten tijdens het contouren tegelijkertijd gezonde en ziektevernauwingen herkennen in elk deel van het menselijk lichaam. Het voorkomt onnodige bestraling van normaal weefsel. EUS-AI-modellen die niet zijn getraind met gezonde monsters, kunnen in de praktijk een toename van vals-positieve gevallen veroorzaken. Het impliceert een mogelijke overdiagnose van abnormale/ziektevernauwingen. EUS-AI-modellen niet getraind met externe monsters
Met behulp van geautomatiseerde machine learning-software hebben Robles-Medranda et al. hebben eerder een convolutionele neuronale netwerken (CNN) AI-model ontwikkeld dat de anatomische structuren herkent tijdens lineaire en radiale EUS-evaluaties (AI Works, MD Consulting group, Ecuador). Voor zover wij weten, is dit EUS-AI-model het eerste dat is getraind met EUS-video's van patiënten zonder pathologieën en dus met normale mediastinale en abdominale orgaan-/anatomische vernauwingen. In deze tweede fase streven we ernaar om een externe validatie van ons ontwikkelde AI-model te ontwerpen, waarbij we een endoscopistische expert als de gouden standaard beschouwen.
Studietype
Observationeel
Inschrijving (Verwacht)
60
Contacten en locaties
In dit gedeelte vindt u de contactgegevens van degenen die het onderzoek uitvoeren en informatie over waar dit onderzoek wordt uitgevoerd.
Studiecontact
- Naam: Carlos Robles-Medranda
- Telefoonnummer: +59342109180
- E-mail: carlosoakm@yahoo.es
Studie Locaties
-
-
Guayas
-
Guayaquil, Guayas, Ecuador, 090505
- Werving
- Ecuadorian Institute of Digestive Diseases
-
Contact:
- Carlos A Robles-Medranda, MD
- Telefoonnummer: +593989158865
- E-mail: carlosoakm@yahoo.es
-
Hoofdonderzoeker:
- Carlos Robles-Medranda, MD FASGE
-
Onderonderzoeker:
- Martha Arevalo-Mora, MD
-
Onderonderzoeker:
- Daniel Calle, MD MSc
-
Onderonderzoeker:
- Miguel Puga-Tejada, MD MSc
-
Onderonderzoeker:
- Raquel Del Valle Zavala, MD
-
Onderonderzoeker:
- Juan Alcivar-Vasquez, MD Msc
-
-
Deelname Criteria
Onderzoekers zoeken naar mensen die aan een bepaalde beschrijving voldoen, de zogenaamde geschiktheidscriteria. Enkele voorbeelden van deze criteria zijn iemands algemene gezondheidstoestand of eerdere behandelingen.
Geschiktheidscriteria
Leeftijden die in aanmerking komen voor studie
18 jaar tot 79 jaar (Volwassen, Oudere volwassene)
Accepteert gezonde vrijwilligers
Nee
Geslachten die in aanmerking komen voor studie
Allemaal
Bemonsteringsmethode
Kanssteekproef
Studie Bevolking
Volwassen patiënten met normale mediastinale en abdominale orgaan-/anatomische vernauwingen na beeldvormingstest en EUS-beoordeling als gevolg van chronische dyspepsie.
Beschrijving
Inclusiecriteria:
- Patiënten zonder voorgeschiedenis van thorax- en abdominale afwijkingen bevestigd door middel van een beeldvormingstest die in de afgelopen twaalf maanden is aangevraagd voor medische doeleinden (bijv. thoraxfoto en abdominale echografie of thorax en abdominale CT)
- Patiënten die een EUS-beoordeling ondergaan vanwege chronische dyspepsie.
Uitsluitingscriteria:
- Morfologische verandering op ten minste één mediastinaal en abdominaal orgaan/anatomische vernauwingen gedocumenteerd door middel van een beeldvormende test of EUS.
- Ongecontroleerde coagulopathie, nier-/leverfalen of andere comorbiditeit met een significante invloed op de beoordeling van het cardiale risico (NHYA III/IV);
- Weigeren om deel te nemen aan het onderzoek of om de bijbehorende geïnformeerde toestemming te ondertekenen.
Studie plan
Dit gedeelte bevat details van het studieplan, inclusief hoe de studie is opgezet en wat de studie meet.
Hoe is de studie opgezet?
Ontwerpdetails
- Observatiemodellen: Case-Alleen
- Tijdsperspectieven: Dwarsdoorsnede
Cohorten en interventies
Groep / Cohort |
Interventie / Behandeling |
|---|---|
|
Patiënten met normale mediastinale en abdominale orgaan/anatomische vernauwingen
Volwassen patiënten met normale mediastinale en abdominale orgaan-/anatomische vernauwingen na beeldvormingstest en EUS-beoordeling als gevolg van chronische dyspepsie.
|
Een deskundige endoscopist selecteert een dataset van mediastinale en abdominale EUS-video's (één per patiënt).
Een deskundige endoscopist zal de volgende organen correct identificeren of visualiseren: aorta, vertebrale wervelkolom, aortaboog, luchtpijp, AP-venster, linker nier, lever, milt, pancreaslichaam, pancreasstaart, coeliakiestam, miltslagader, miltader, inferieur vena cava, bijnier, rechter nier, galblaas, galkanaal, ampulla van Vater, poortader.
Door gebruik te maken van dezelfde eerdere dataset van mediastinale en abdominale EUS-video's, zal het EUS-AI-model de volgende organen herkennen: aorta, vertebrale wervelkolom, aortaboog, luchtpijp, AP-venster, linker nier, lever, milt, pancreaslichaam, pancreasstaart, coeliakie romp, miltslagader, miltader, inferieure vena cava, bijnier, rechter nier, galblaas, galkanaal, ampulla van Vater, poortader.
Elke patiënt (en geen dataframe-video's) als de studie-eenheid beschouwen, zal een contingentietabel per mediastinaal en abdominaal orgaan/anatomische vernauwing ontwerpen.
|
Wat meet het onderzoek?
Primaire uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
|---|---|---|
|
Algehele nauwkeurigheid van het kunstmatige-intelligentiemodel (AI) van endoscopische echografie (EUS) voor het identificeren van normale mediastinale en abdominale orgaan-/anatomische vernauwingen
Tijdsspanne: Drie maanden
|
Algehele nauwkeurigheidskenmerken worden berekend: sensitiviteit, specificiteit, positief voorspellende waarde, negatief voorspellende waarde, diagnostische nauwkeurigheid en waargenomen overeenstemming. Daarnaast worden de volgende kansen gedefinieerd:
|
Drie maanden
|
Medewerkers en onderzoekers
Hier vindt u mensen en organisaties die betrokken zijn bij dit onderzoek.
Onderzoekers
- Hoofdonderzoeker: Carlos Robles-Medranda, Ecuadorian Institute of Digestive Diseases
Publicaties en nuttige links
De persoon die verantwoordelijk is voor het invoeren van informatie over het onderzoek stelt deze publicaties vrijwillig ter beschikking. Dit kan gaan over alles wat met het onderzoek te maken heeft.
Algemene publicaties
- 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.
Studie record data
Deze datums volgen de voortgang van het onderzoeksdossier en de samenvatting van de ingediende resultaten bij ClinicalTrials.gov. Studieverslagen en gerapporteerde resultaten worden beoordeeld door de National Library of Medicine (NLM) om er zeker van te zijn dat ze voldoen aan specifieke kwaliteitscontrolenormen voordat ze op de openbare website worden geplaatst.
Bestudeer belangrijke data
Studie start (Werkelijk)
1 oktober 2021
Primaire voltooiing (Verwacht)
30 maart 2022
Studie voltooiing (Verwacht)
30 juni 2022
Studieregistratiedata
Eerst ingediend
26 november 2021
Eerst ingediend dat voldeed aan de QC-criteria
8 december 2021
Eerst geplaatst (Werkelijk)
9 december 2021
Updates van studierecords
Laatste update geplaatst (Werkelijk)
30 december 2021
Laatste update ingediend die voldeed aan QC-criteria
10 december 2021
Laatst geverifieerd
1 december 2021
Meer informatie
Termen gerelateerd aan deze studie
Trefwoorden
Aanvullende relevante MeSH-voorwaarden
Andere studie-ID-nummers
- IECED-26112021
Plan Individuele Deelnemersgegevens (IPD)
Bent u van plan om gegevens van individuele deelnemers (IPD) te delen?
Nee
Informatie over medicijnen en apparaten, studiedocumenten
Bestudeert een door de Amerikaanse FDA gereguleerd geneesmiddel
Nee
Bestudeert een door de Amerikaanse FDA gereguleerd apparaatproduct
Nee
product vervaardigd in en geëxporteerd uit de V.S.
Nee
Deze informatie is zonder wijzigingen rechtstreeks van de website clinicaltrials.gov gehaald. Als u verzoeken heeft om uw onderzoeksgegevens te wijzigen, te verwijderen of bij te werken, neem dan contact op met register@clinicaltrials.gov. Zodra er een wijziging wordt doorgevoerd op clinicaltrials.gov, wordt deze ook automatisch bijgewerkt op onze website .