Automatische evaluatie van de mate van darmmetaplasie met kunstmatige intelligentie
14 juli 2022 bijgewerkt door: Yanqing Li, Shandong University
Ontwikkeling en validatie van een kunstmatige-intelligentiesysteem voor automatische evaluatie van de mate van darmmetaplasie
Maag-darmmetaplasie (GIM) is een belangrijk stadium in de maagkanker (GC).
Met de technische vooruitgang van beeldverbeterde endoscopie (IEE), hebben onderzoeken aangetoond dat IEE een hoge nauwkeurigheid heeft voor de diagnose van GIM.
Het is aangetoond dat het endoscopische beoordelingssysteem (EGGIM), een nieuw endoscopisch risicoscoresysteem voor GC, een breed scala aan patiënten met GIM nauwkeurig identificeert.
De hoge diagnostische nauwkeurigheid van GIM met behulp van IEE- en EGGIM-evaluaties vereist echter veel ervaring, wat de toepassing van EGGIM beperkt.
De onderzoekers streven ernaar een computerondersteund diagnoseprogramma te ontwerpen met behulp van een diep neuraal netwerk om automatisch de mate van IM te evalueren en de EGGIM-scores te berekenen.
Studie Overzicht
Toestand
Werving
Gedetailleerde beschrijving
Wereldwijd is maagkanker de vijfde meest voorkomende maligniteit en de derde belangrijkste doodsoorzaak door kanker.
Maag-darmmetaplasie (GIM) is een intermediaire precancereuze maaglaesie in de maagkankercascade.
Studies hebben aangetoond dat de 5-jaars cumulatieve incidentie van maagkanker bij IM-patiënten varieert van 5,3% tot 9,8%.
Met de technische vooruitgang van beeldverbeterde endoscopie (IEE), hebben onderzoeken aangetoond dat IEE een hoge nauwkeurigheid heeft voor de diagnose van GIM.
Het is aangetoond dat het endoscopische beoordelingssysteem (EGGIM), een nieuw endoscopisch risicoscoresysteem voor GC, een breed scala aan patiënten met GIM nauwkeurig identificeert.
De hoge diagnostische nauwkeurigheid van GIM met behulp van IEE- en EGGIM-evaluaties vereist echter veel ervaring, wat de toepassing van EGGIM beperkt.
De onderzoekers streven ernaar een computerondersteund diagnoseprogramma te ontwerpen met behulp van een diep neuraal netwerk om automatisch de mate van IM te evalueren en de EGGIM-scores te berekenen.
Studietype
Observationeel
Inschrijving (Verwacht)
600
Contacten en locaties
In dit gedeelte vindt u de contactgegevens van degenen die het onderzoek uitvoeren en informatie over waar dit onderzoek wordt uitgevoerd.
Studie Locaties
-
-
Shandong
-
Jinan, Shandong, China, 250012
- Werving
- Department of Gastrology, QiLu Hospital, Shandong University
-
-
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 80 jaar (Volwassen, Oudere volwassene)
Accepteert gezonde vrijwilligers
Nee
Geslachten die in aanmerking komen voor studie
Allemaal
Bemonsteringsmethode
Niet-waarschijnlijkheidssteekproef
Studie Bevolking
Opeenvolgende patiënten die het IEE-onderzoek ondergaan en worden gescreend en die voldoen aan de geschiktheidscriteria in het Qilu Hospital, Shandong University, zullen worden ingeschreven voor de studie
Beschrijving
Inclusiecriteria:
- patiënten van 18-80 jaar die het IEE-onderzoek ondergaan
Uitsluitingscriteria:
- patiënten met ernstige hart-, hersen-, long- of nierdisfunctie of psychiatrische stoornissen die niet kunnen deelnemen aan gastroscopie
- patiënten met eerdere chirurgische ingrepen aan de maag
- patiënten die weigeren het toestemmingsformulier 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: Ander
- Tijdsperspectieven: Retrospectief
Cohorten en interventies
Groep / Cohort |
|---|
|
groep voor het trainen van het algoritme
Deze groep beelden wordt gebruikt voor het trainen van het algoritme van de kunstmatige intelligentie
|
|
groep voor het testen van het algoritme
Deze groep beelden wordt gebruikt om het algoritme van de kunstmatige intelligentie te testen
|
Wat meet het onderzoek?
Primaire uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
|---|---|---|
|
De specificiteit van een AI-model om de mate van darmmetaplasie in een endoscopisch beeld te beoordelen
Tijdsspanne: 2 jaar
|
De specificiteit van een AI-model om de mate van darmmetaplasie in een endoscopisch beeld te beoordelen
|
2 jaar
|
|
De nauwkeurigheid van het AI-model om de mate van darmmetaplasie in een endoscopisch beeld te beoordelen
Tijdsspanne: 2 jaar
|
De nauwkeurigheid van het AI-model om de mate van darmmetaplasie in een endoscopisch beeld te beoordelen
|
2 jaar
|
|
De gevoeligheid van het AI-model om de mate van darmmetaplasie in een endoscopisch beeld te beoordelen
Tijdsspanne: 2 jaar
|
De gevoeligheid van het AI-model om de mate van darmmetaplasie in een
|
2 jaar
|
Secundaire uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
|---|---|---|
|
Nauwkeurigheid van de ervaren endoscopisten om de mate van darmmetaplasie te beoordelen
Tijdsspanne: 2 jaar
|
Nauwkeurigheid van de ervaren endoscopisten om de mate van darmmetaplasie in een endoscopisch beeld te beoordelen
|
2 jaar
|
|
Nauwkeurigheid van de onervaren endoscopisten om de mate van darmmetaplasie te beoordelen
Tijdsspanne: 2 jaar
|
Nauwkeurigheid van de onervaren endoscopisten om de mate van darmmetaplasie in een endoscopisch beeld te beoordelen
|
2 jaar
|
|
Overeenstemming tussen waarnemers onder ervaren endoscopisten bij het identificeren van de mate van intestinale metaplasie
Tijdsspanne: 2 jaar
|
Overeenstemming tussen waarnemers onder ervaren endoscopisten bij het identificeren van de mate van darmmetaplasie in een endoscopisch beeld
|
2 jaar
|
|
Overeenstemming tussen waarnemers onder onervaren endoscopisten bij het identificeren van de mate van intestinale metaplasie
Tijdsspanne: 2 jaar
|
Overeenstemming tussen waarnemers onder onervaren endoscopisten bij het identificeren van de mate van darmmetaplasie in een endoscopisch beeld
|
2 jaar
|
Medewerkers en onderzoekers
Hier vindt u mensen en organisaties die betrokken zijn bij dit onderzoek.
Sponsor
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 juli 2022
Primaire voltooiing (Verwacht)
30 december 2023
Studie voltooiing (Verwacht)
30 december 2023
Studieregistratiedata
Eerst ingediend
8 juli 2022
Eerst ingediend dat voldeed aan de QC-criteria
14 juli 2022
Eerst geplaatst (Werkelijk)
15 juli 2022
Updates van studierecords
Laatste update geplaatst (Werkelijk)
15 juli 2022
Laatste update ingediend die voldeed aan QC-criteria
14 juli 2022
Laatst geverifieerd
1 juli 2022
Meer informatie
Termen gerelateerd aan deze studie
Aanvullende relevante MeSH-voorwaarden
Andere studie-ID-nummers
- 2022SDU-QILU-109
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
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 .