Kunstmatige intelligentie versus identificatie van endoscopisten in de normale anatomie van de EUS
Vergelijkende evaluatie van kunstmatige intelligentie en nauwkeurigheid van endoscopisten bij endoscopische echografie voor het identificeren van normale anatomische structuren: een multi-institutioneel, cross-sectioneel onderzoek
De visuele indruk van endoscopische echografie (EUS) is afhankelijk van de operator en kan de diagnostische nauwkeurigheid belemmeren, vooral bij minder ervaren endoscopisten. De implementatie van kunstmatige intelligentie kan mogelijk de afhankelijkheid van operators en de interpretatievariabiliteit verminderen, waardoor de algehele nauwkeurigheid wordt bevorderd of verbeterd.
De onderzoekers streven er daarom naar om de diagnostische nauwkeurigheid tussen op kunstmatige intelligentie (AI) gebaseerde modellen en de endoscopisten te vergelijken bij het identificeren van normale anatomische structuren in EUS-procedures.
Studie Overzicht
Toestand
Conditie
Interventie / Behandeling
Gedetailleerde beschrijving
EUS is een operatorafhankelijke procedure waarbij de nauwkeurigheid afhangt van ervaring en vaardigheden. Tegenwoordig kan EUS-training worden bereikt door een formele fellowship-training in een centrum gedurende 6-24 maanden of een informele training door middel van didactische sessies met een korte praktijkervaring. De parameters voor een correcte en volledige leerervaringsmeting moeten echter nog gedefinieerd worden. De implementatie van kunstmatige intelligentie op EUS kan mogelijk de operatorafhankelijke variabele verzachten en de diagnostische nauwkeurigheid verbeteren.
Daarom detectie van normale anatomische structuren op een afzonderlijke basis met behulp van een op AI gebaseerd model, deskundige en niet-deskundige endoscopisten om te bepalen waar de AI het meest nuttig zou zijn.
De onderzoekers willen de diagnostische nauwkeurigheid van het op AI gebaseerde model vergelijken met de identificatie door endoscopisten van normale anatomische structuren in EUS-procedures.
Studietype
Inschrijving (Werkelijk)
Contacten en locaties
Studie Locaties
-
-
Guayas
-
Guayaquil, Guayas, Ecuador, 090505
- IECED
-
-
Deelname Criteria
Geschiktheidscriteria
Leeftijden die in aanmerking komen voor studie
- Volwassen
- Oudere volwassene
Accepteert gezonde vrijwilligers
Bemonsteringsmethode
Studie Bevolking
Beschrijving
Inclusiecriteria:
- Deskundige gastro-intestinale EUS-endoscopisten.
- Niet-expert gastro-intestinale endoscopisten opleiding voor EUS.
- Patiënten met chronische dyspepsie zonder andere bevindingen.
- Patiënten met eerdere CT-beelden of endoscopie van het bovenste spijsverteringskanaal rapporteerden geen andere bevindingen.
- Patiënten die EUS nodig hebben voor surveillance vanwege familiegeschiedenis van pancreaskanker zonder bevindingen op MRI.
Uitsluitingscriteria:
- Internetverbinding minder dan 100 MB per seconde.
- Patiënten met abnormale structuren of met zichtbare laesies.
Studie plan
Hoe is de studie opgezet?
Ontwerpdetails
Cohorten en interventies
Groep / Cohort |
Interventie / Behandeling |
|---|---|
|
Op AI gebaseerd model
AIWorks-EUS Convolutional Neural Network versie 2 (CNNv2) (mdconsgroup, Guayaquil, Ecuador) toegepast op vooraf opgenomen video's voor de detectie van normale anatomische structuren.
|
Vooraf opgenomen video's, bijgesneden volgens de verschillende vensters (mediastinaal, maag, duodenaal) zullen door het AIWorks-EUS-model en endoscopisten op verschillende tijdstippen worden geanalyseerd om de verschillende normale anatomische structuren te herkennen.
|
|
Deskundige endoscopisten
Endoscopisten met >190 EUS-procedures per jaar, waaronder elk 75 stadiëringsprocedures voor pancreatobiliaire en mucosale kanker, 40 subepitheliale gevallen; en 50 gevallen van EUS-fijne naaldaspiratie (FNA) (waarvan 25 pancreasgevallen); volgens de aanbevelingen van de American Society for Gastrointestinal Endoscopie (ASGE).
|
Vooraf opgenomen video's, bijgesneden volgens de verschillende vensters (mediastinaal, maag, duodenaal) zullen door het AIWorks-EUS-model en endoscopisten op verschillende tijdstippen worden geanalyseerd om de verschillende normale anatomische structuren te herkennen.
|
|
Niet-deskundige endoscopisten
Endoscopisten met <190 EUS-procedures per jaar, waaronder elk 75 stadiëringsprocedures voor pancreatobiliaire en mucosale kanker, 40 subepitheliale gevallen; en 50 gevallen van EUS-FNA (waarvan 25 pancreasgevallen); volgens de aanbevelingen van de American Society for Gastrointestinal Endoscopie (ASGE).
|
Vooraf opgenomen video's, bijgesneden volgens de verschillende vensters (mediastinaal, maag, duodenaal) zullen door het AIWorks-EUS-model en endoscopisten op verschillende tijdstippen worden geanalyseerd om de verschillende normale anatomische structuren te herkennen.
|
Wat meet het onderzoek?
Primaire uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
|---|---|---|
|
Diagnostische nauwkeurigheid
Tijdsspanne: 5 maanden
|
Het echt positieve, echt negatieve, fout positieve en fout negatieve gebaseerd op detectie van anatomische structuren volgens de externe deskundige endoscopist als gouden standaard.
|
5 maanden
|
Secundaire uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
|---|---|---|
|
Overeenkomst tussen waarnemers
Tijdsspanne: 5 maanden
|
Vergelijking van diagnostische nauwkeurigheid tussen op kunstmatige intelligentie (AI) gebaseerde modellen en beide groepen (expert en niet-expert endoscopisten) met behulp van Fleiss Kappa.
|
5 maanden
|
Medewerkers en onderzoekers
Medewerkers
Onderzoekers
- Hoofdonderzoeker: Carlos Robles-Medranda, MD FASGE, Instituto Ecuatoriano de Enfermedades Digestivas (IECED)
Publicaties en nuttige links
Algemene publicaties
- Han C, Nie C, Shen X, Xu T, Liu J, Ding Z, Hou X. Exploration of an effective training system for the diagnosis of pancreatobiliary diseases with EUS: A prospective study. Endosc Ultrasound. 2020 Sep-Oct;9(5):308-318. doi: 10.4103/eus.eus_47_20.
- Cho CM. Training in Endoscopy: Endoscopic Ultrasound. Clin Endosc. 2017 Jul;50(4):340-344. doi: 10.5946/ce.2017.067. Epub 2017 Jul 31.
- Finocchiaro M, Cortegoso Valdivia P, Hernansanz A, Marino N, Amram D, Casals A, Menciassi A, Marlicz W, Ciuti G, Koulaouzidis A. Training Simulators for Gastrointestinal Endoscopy: Current and Future Perspectives. Cancers (Basel). 2021 Mar 20;13(6):1427. doi: 10.3390/cancers13061427.
- Robles-Medranda C, Baquerizo-Burgos J, Puga-Tejada M, Del Valle R, Mendez JC, Egas-Izquierdo M, Arevalo-Mora M, Cunto D, Alcivar-Vasquez J, Pitanga-Lukashok H, Tabacelia D. Development of convolutional neural network models that recognize normal anatomic structures during real-time radial-array and linear-array EUS (with videos). Gastrointest Endosc. 2024 Feb;99(2):271-279.e2. doi: 10.1016/j.gie.2023.10.028. Epub 2023 Oct 10.
Studie record data
Bestudeer belangrijke data
Studie start (Werkelijk)
Primaire voltooiing (Werkelijk)
Studie voltooiing (Werkelijk)
Studieregistratiedata
Eerst ingediend
Eerst ingediend dat voldeed aan de QC-criteria
Eerst geplaatst (Geschat)
Updates van studierecords
Laatste update geplaatst (Geschat)
Laatste update ingediend die voldeed aan QC-criteria
Laatst geverifieerd
Meer informatie
Termen gerelateerd aan deze studie
Trefwoorden
Aanvullende relevante MeSH-voorwaarden
Andere studie-ID-nummers
- IECED-12345
Plan Individuele Deelnemersgegevens (IPD)
Bent u van plan om gegevens van individuele deelnemers (IPD) te delen?
Informatie over medicijnen en apparaten, studiedocumenten
Bestudeert een door de Amerikaanse FDA gereguleerd geneesmiddel
Bestudeert een door de Amerikaanse FDA gereguleerd apparaatproduct
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 .