Prospektiv multisenterstudie av kunstig intelligens-assistert kvalitetsevalueringssystem for koloskopi

Koloskopi er en nøkkelteknikk for påvisning og diagnostisering av nedre gastrointestinale sykdommer. Endoskopi av høy kvalitet fører til bedre resultater, men ferdighetsnivået til forskjellige endoskopister er ganske forskjellig. Hyppigheten av ubesvarte diagnose av kolorektal ADENOMAS var 22 %, frekvensen av ubesvarte diagnose varierte fra 7,4 % til 52,5 %. En serie studier viste at 12,1 % av pasientene ikke hadde kreft under koloskopi, men ble diagnostisert med kolorektal kreft (post-koloskopi kolorektal kreft, PCCRC) innen 5 år, hvorav 71 %-86 % kunne tilskrives uaktsomhet av endoskopist 6, syv. Derfor er det svært viktig å forbedre kvaliteten på rutinemessig endoskopisk undersøkelse samtidig som den endoskopiske teknikken utvides.

Kvalitetskontrollindeksen til koloskop kan gjenspeile operasjonsnivået til endoskopileger, og det er et svært viktig verktøy for å sikre kvaliteten på koloskopet. Undersøkelsen og tilbakemeldingen av kvalitetskontrolldataene til endoskopisten kan effektivt forbedre deteksjonshastigheten av lesjoner og garantere det høye nivået av endoskopisk kvalitet. Det er nøkkelen til å garantere kvaliteten på enteroskopi å legge frem kvalitetskontrollindeksen som kan gjenspeile kvaliteten på endoskopioperasjonen. Barclay foreslo i 2006 at det var en signifikant korrelasjon mellom koloskopiavvenningstid og frekvensen av adenomer hos pasienter, og funnene deres ble publisert i The New England Journal of Medicine, med en påvirkningsfaktor på 70,67. Deretter var det 367 artikler om studiet av hastigheten på tilbaketrekning fra enteroskopi. Aslinia foretok en retrospektiv analyse av korrelasjonen mellom forekomsten av blindhet oppnådd ved enteroskopi og prognosen til pasienter, og foreslo forekomsten av blindhet som ble oppnådd som en kvalitetskontrollindeks for enteroskopi. Andre kvalitetskontrollindikatorer, som tarmrenslighet og polyppdeteksjonsrate, er publisert i internasjonalt kjente tidsskrifter og tatt med i retningslinjene for å regulere kvaliteten på det daglige arbeidet til endoskopiske leger, noe som har stor klinisk betydning.

Til tross for de ovennevnte kvalitetskontrollindikatorene er imidlertid de eksisterende endoskopiske kvalitetskontrollindikatorene alvorlig utilstrekkelige. I følge en multisenter klinisk studie reflekterer gjeldende kvalitetskontrollindikatorer bare omtrent 40 % av forskjellen i lesjonsdeteksjonsnivåer mellom endoskopiske leger. Eksistensen av dette fenomenet indikerte at flere kvalitetskontrollindekser er nødvendige for å fullt ut gjenspeile kvaliteten på endoskopiske prosedyrer. Som en kvalitetskontrollindeks som gjenspeiler tarmens forberedelse, er tarmrenslighet en dødelig defekt med sterk subjektivitet og dårlig konsistens blant observatører, derfor trenger den eksisterende koloskopien mer omfattende, objektive kvalitetskontrollindikatorer for å gjenspeile nivået til endoskopiske leger, for å sikre kvaliteten på koloskopi.

I løpet av det siste tiåret har kunstig intelligens (AI) gjort bemerkelsesverdige fremskritt innen det medisinske feltet. Andre Esteva brukte et dypt nevralt nettverk (DNN) for å klassifisere hudkreft med nøyaktighet på ekspertnivå. Innen fordøyelsesendoskopi har prosjektgruppen i begynnelsen gjort et stort gjennombrudd. I 2018 reduserte den kunstige intelligens-gastroskopi blindsoneovervåkingsmodellen utviklet av prosjektteamet endoskopi blindflekken betydelig i randomiserte kontrollerte kliniske studier, funnene ble publisert i tidsskriftet Gut med en impact factor på 17,94. I 2019 viste teamets kunstige intelligens-modell for å evaluere tarmens renslighet, publisert i tidsskriftet gastrotestinal endoscopy med en påvirkningsfaktor på 7,23, bedre bildenøyaktighet enn endoskopisten i konkurransen om menneskelig datamaskin. Samme år utviklet prosjektet en modell for koloskopi hastighetsovervåking basert på Hasche persepsjonsalgoritme og en modell for koloskopi lysbildespeilovervåking basert på bildeklassifisering, og gjennomførte randomiserte kontrollerte kliniske studier, modellen forbedret koloskopistenes evne til å oppdage lesjoner betydelig. , Studien ble publisert i The Lancet Gastroenterology 18 med en påvirkningsfaktor på 12,87.

Basert på det ovennevnte rike grunnlaget for tidlig arbeid, samt den nåværende store etterspørselen innen kvalitetskontroll av enteroskopi, har vi til hensikt å validere den kunstig intelligens-baserte enteroskopi-utgangshastigheten, tarmrensligheten og enteroskopi-slidemodellen utviklet av prosjektteamet gjennom en multisenter klinisk studie, for å evaluere gjennomførbarheten og nøyaktigheten av leges operasjonskvalitet som en kvalitetskontrollindeks.