- ICH GCP
- US Clinical Trials Registry
- Klinisk utprøving NCT04384575
Studie om effektiviteten av gastroskopoperasjon Kvalitetskontroll basert på kunstig intelligensteknologi
Studieoversikt
Detaljert beskrivelse
Gastroskopi spiller en viktig rolle i påvisning og diagnostisering av øvre gastrointestinale sykdommer. Det er nødvendig for endoskopister å operere gastroskop i henhold til den standardiserte prosessen, for å unngå manglende tidlige lesjoner. Men med den raske økningen i antall endoskopier, øker arbeidsmengden til endoskoper ytterligere. Høy arbeidsbelastning reduserer kvaliteten på endoskopi, noe som resulterer i ufullstendig observasjon av anatomiske deler som er lett å gå glipp av i prosessen med gastroskopi. Det er betydelige forskjeller i operasjonsnivået til ulike endoskopister. Gjennomføring av kunstig intelligensmetoder har derfor god akademisk forskning og praktisk verdi for å forbedre kvaliteten på endoskopisk diagnostikk og behandling.
Apparater med kunstig intelligens trenger å bruke et stort antall endoskopiske bilder, basert på dette har vi til hensikt å samle inn endoskopiske bildedata fra våre sykehus for opplæring og validering av modellen.
Studietype
Registrering (Faktiske)
Kontakter og plasseringer
Studiesteder
-
-
Haidian
-
Beijing, Haidian, Kina, 100142
- Beijing Cancer Hospital
-
-
Deltakelseskriterier
Kvalifikasjonskriterier
Alder som er kvalifisert for studier
Tar imot friske frivillige
Prøvetakingsmetode
Studiepopulasjon
Beskrivelse
Inklusjonskriterier:
- Pasienter i alderen 18 år eller eldre som gjennomgår gastroskopi;
- Kunne lese, forstå og signere informert samtykke;
Ekskluderingskriterier:
- Pasienter med absolutte kontraindikasjoner for endoskopiundersøkelse;
- gravide kvinner;
- tidligere historie med magekirurgi;
- forskeren vurderer at emnet ikke er egnet for klinisk utprøving.
Studieplan
Hvordan er studiet utformet?
Designdetaljer
Hva måler studien?
Primære resultatmål
Resultatmål |
Tiltaksbeskrivelse |
Tidsramme |
|---|---|---|
|
Nøyaktighet
Tidsramme: 2020.2.22-2020.7.1
|
Beregn nøyaktigheten av AIs vurdering på bilder
|
2020.2.22-2020.7.1
|
|
Følsomhet
Tidsramme: 2020.2.22-2020.7.1
|
antall bilder der AI korrekt diagnostiserte positive/alle bilder med positive
|
2020.2.22-2020.7.1
|
|
Spesifisitet
Tidsramme: 2020.2.22-2020.7.1
|
antall bilder der AI korrekt diagnostiserte negative/alle bilder negative
|
2020.2.22-2020.7.1
|
Samarbeidspartnere og etterforskere
Sponsor
Etterforskere
- Studiestol: Qi Wu, MD., Peking University Cancer Hospital & Institute
Studierekorddatoer
Studer hoveddatoer
Studiestart (Faktiske)
Primær fullføring (Faktiske)
Studiet fullført (Faktiske)
Datoer for studieregistrering
Først innsendt
Først innsendt som oppfylte QC-kriteriene
Først lagt ut (Faktiske)
Oppdateringer av studieposter
Sist oppdatering lagt ut (Faktiske)
Siste oppdatering sendt inn som oppfylte QC-kriteriene
Sist bekreftet
Mer informasjon
Begreper knyttet til denne studien
Nøkkelord
Ytterligere relevante MeSH-vilkår
Andre studie-ID-numre
- PX2020047
Legemiddel- og utstyrsinformasjon, studiedokumenter
Studerer et amerikansk FDA-regulert medikamentprodukt
Studerer et amerikansk FDA-regulert enhetsprodukt
Denne informasjonen ble hentet direkte fra nettstedet clinicaltrials.gov uten noen endringer. Hvis du har noen forespørsler om å endre, fjerne eller oppdatere studiedetaljene dine, vennligst kontakt register@clinicaltrials.gov. Så snart en endring er implementert på clinicaltrials.gov, vil denne også bli oppdatert automatisk på nettstedet vårt. .