Op diepgaand leren gebaseerde kunstmatige intelligentie voor de diagnose van dunne darmobstructie
Studie met behulp van op deep learning gebaseerde kunstmatige intelligentie voor de diagnose van dunne darmobstructie
Studie Overzicht
Toestand
Conditie
Interventie / Behandeling
Gedetailleerde beschrijving
DESIGN: Dit is een diagnostisch onderzoek. SNELHEID: We hebben een op deep learning gebaseerde AI-technologie ontwikkeld om automatisch het darmkanaal uit CT-beelden te extraheren met behulp van 5.200 CT-beelden van 158 patiënten. De CT-beelden van patiënten die tussen 6 juni en 26 juli 2018 de afdeling spoedeisende hulp bezochten en verdacht werden van dunnedarmobstructie, werden verkregen van twee tertiaire verwijzingscentra, die als testmonsters werden gebruikt. De data-analyse werd in december 2023 voltooid.
DEELNEMERS: Bewoners en chirurgen namen deel aan het onderzoek. INTERVENTIES: Bewoners en chirurgen werden in twee groepen verdeeld: de ene groep las met behulp van de AI-technologie, en de andere groep las zonder de AI-technologie.
BELANGRIJKSTE UITKOMSTEN EN MAATREGELEN: Deelnemers gaven aan of er al dan niet sprake was van obstructie van de dunne darm en de locatie van de obstructie. De tijd voor diagnose werd ook verzameld. We hebben een hiërarchisch Bayesiaans model toegepast.
Studietype
Inschrijving (Werkelijk)
Contacten en locaties
Studie Locaties
-
-
Aichi
-
Nagoya, Aichi, Japan, 4668560
- Nagoya University Graduate School of Medicine
-
-
Deelname Criteria
Geschiktheidscriteria
Leeftijden die in aanmerking komen voor studie
- Kind
- Volwassen
- Oudere volwassene
Accepteert gezonde vrijwilligers
Bemonsteringsmethode
Studie Bevolking
Beschrijving
Inclusiecriteria:
- Personen met gedocumenteerde toestemming
Uitsluitingscriteria:
- Personen zonder gedocumenteerde toestemming
Studie plan
Hoe is de studie opgezet?
Ontwerpdetails
Cohorten en interventies
Groep / Cohort |
Interventie / Behandeling |
|---|---|
|
AI-groep
Deelnemers lezen CT-beelden met AI.
|
AI extraheert het darmgebied en reconstrueert het in 3D-beeld.
|
|
Handmatige groep
Deelnemers lezen CT-beelden zonder AI
|
Wat meet het onderzoek?
Primaire uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
|---|---|---|
|
De diagnose van de obstructieplaats
Tijdsspanne: September 2024
|
Nauwkeurigheid van de diagnose van de obstructieplaats
|
September 2024
|
Medewerkers en onderzoekers
Sponsor
Onderzoekers
- Studie stoel: Hieoo Uchida, PhD., Nagoya University Graduate School of Medicine, Pediatric Surgery
Studie record data
Bestudeer belangrijke data
Studie start (Werkelijk)
Primaire voltooiing (Werkelijk)
Studie voltooiing (Geschat)
Studieregistratiedata
Eerst ingediend
Eerst ingediend dat voldeed aan de QC-criteria
Eerst geplaatst (Werkelijk)
Updates van studierecords
Laatste update geplaatst (Werkelijk)
Laatste update ingediend die voldeed aan QC-criteria
Laatst geverifieerd
Meer informatie
Termen gerelateerd aan deze studie
Aanvullende relevante MeSH-voorwaarden
Andere studie-ID-nummers
- 2022-0188
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 .