Endoskopisk ultralyd (EUS) kunstig intelligensmodell for vurdering av normale mediastinale og abdominale strikturer
10. desember 2021 oppdatert av: Instituto Ecuatoriano de Enfermedades Digestivas
Endoskopisk ultralyd (EUS) vurdering av normale mediastinale og abdominale organ/anatomiske fortrengninger ved bruk av en nyutviklet kunstig intelligensmodell
Derfor er et stort antall prosedyrer nødvendig for å oppnå EUS-kompetanse, men interobservatøravtalen varierer fortsatt mye.
Kunstig intelligens (AI) hjulpet gjenkjennelse av anatomiske strukturer kan forbedre treningsprosessen og avtale mellom observatører.
Robles-Medranda et al. utviklet en AI-modell som gjenkjenner normale anatomiske strukturer under lineære og radielle EUS-evalueringer.
Vi prøver å designe en ekstern validering av vår utviklede AI-modell, og vurderer en endoskopekspert som gullstandarden.
Studieoversikt
Status
Rekruttering
Intervensjon / Behandling
- Diagnostisk test: Identifikasjon eller utflodsvisualisering av mediastinale og abdominale organ/anatomiske strikturer gjennom endoskopisk ultralyd (EUS) videoer av en ekspert endoskopist
- Diagnostisk test: Gjenkjenning av mediastinale og abdominale organ/anatomiske forsnævringer gjennom endoskopisk ultralyd (EUS) videoer ved bruk av kunstig intelligens (AI)
Detaljert beskrivelse
Endoskopisk ultralyd (EUS) er en prosedyre med høy kompetanse med et begrenset antall fasiliteter tilgjengelig for opplæring. Derfor er et stort antall prosedyrer nødvendig for å oppnå kompetanse. Enigheten mellom observatører varierer imidlertid mye. Kunstig intelligens (AI) hjulpet gjenkjennelse og karakterisering av anatomiske strukturer kan forbedre treningsprosessen og samtidig forbedre enigheten mellom observatører. Imidlertid har utviklet EUS-AI-modeller blitt eksplisitt trent eller bare med sykdomsprøver eller for å oppdage abdominale anatomiske egenskaper.
I andre felt som strålingsonkologi har utviklede AI-modeller blitt mye brukt. De må gjenkjenne i samklang sunne og sykdomsforsnævringer gjennom alle deler av menneskekroppen under kontureringen. Det unngår unødvendig bestråling av normalt vev. EUS-AI-modeller som ikke er trent med friske prøver kan forårsake en økning i falske positive tilfeller under praksis i det virkelige liv. Det innebærer potensiell overdiagnostisering av unormale/sykdomsforsnævringer. EUS-AI-modeller ikke trent med prøver utenfor
Ved å bruke en automatisert maskinlæringsprogramvare, Robles-Medranda et al. har tidligere utviklet en convolutional neuronal networks (CNN) AI-modell som gjenkjenner de anatomiske strukturene under lineære og radielle EUS-evalueringer (AI Works, MD Consulting group, Ecuador). Så vidt vi vet, er denne EUS-AI-modellen den første som er trent med EUS-videoer fra pasienter uten patologier og dermed med normale mediastinale og abdominale organ-/anatomiske strikturer. I denne andre fasen fortsetter vi å designe en ekstern validering av vår utviklede AI-modell, og vurderer en endoskopistekspert som gullstandarden.
Studietype
Observasjonsmessig
Registrering (Forventet)
60
Kontakter og plasseringer
Denne delen inneholder kontaktinformasjon for de som utfører studien, og informasjon om hvor denne studien blir utført.
Studiekontakt
- Navn: Carlos Robles-Medranda
- Telefonnummer: +59342109180
- E-post: carlosoakm@yahoo.es
Studiesteder
-
-
Guayas
-
Guayaquil, Guayas, Ecuador, 090505
- Rekruttering
- Ecuadorian Institute of Digestive Diseases
-
Ta kontakt med:
- Carlos A Robles-Medranda, MD
- Telefonnummer: +593989158865
- E-post: carlosoakm@yahoo.es
-
Hovedetterforsker:
- Carlos Robles-Medranda, MD FASGE
-
Underetterforsker:
- Martha Arevalo-Mora, MD
-
Underetterforsker:
- Daniel Calle, MD MSc
-
Underetterforsker:
- Miguel Puga-Tejada, MD MSc
-
Underetterforsker:
- Raquel Del Valle Zavala, MD
-
Underetterforsker:
- Juan Alcivar-Vasquez, MD Msc
-
-
Deltakelseskriterier
Forskere ser etter personer som passer til en bestemt beskrivelse, kalt kvalifikasjonskriterier. Noen eksempler på disse kriteriene er en persons generelle helsetilstand eller tidligere behandlinger.
Kvalifikasjonskriterier
Alder som er kvalifisert for studier
18 år til 79 år (Voksen, Eldre voksen)
Tar imot friske frivillige
Nei
Kjønn som er kvalifisert for studier
Alle
Prøvetakingsmetode
Sannsynlighetsprøve
Studiepopulasjon
Voksne pasienter med normale mediastinale og abdominale organ/anatomiske strikturer etter bildediagnostikk og EUS-vurdering på grunn av kronisk dyspepsi.
Beskrivelse
Inklusjonskriterier:
- Pasienter uten historie med thorax og abdominale abnormiteter bekreftet gjennom en bildediagnostisk test forespurt for helseformål i løpet av de siste tolv månedene (f.eks. thorax røntgen og abdominal ultralyd eller thorax og abdominal CT)
- Pasienter som gjennomgår EUS-vurdering på grunn av kronisk dyspepsi.
Ekskluderingskriterier:
- Morfologisk endring på minst ett mediastinalt og abdominalt organ/anatomiske forsnævringer dokumentert gjennom en hvilken som helst bildediagnostisk test eller EUS.
- Ukontrollert koagulopati, nyre-/leversvikt eller annen komorbiditet med en meningsfull innvirkning på hjerterisikovurdering (NHYA III/IV);
- Nekter å delta i studien eller signere tilsvarende informert samtykke.
Studieplan
Denne delen gir detaljer om studieplanen, inkludert hvordan studien er utformet og hva studien måler.
Hvordan er studiet utformet?
Designdetaljer
- Observasjonsmodeller: Bare etui
- Tidsperspektiver: Tverrsnitt
Kohorter og intervensjoner
Gruppe / Kohort |
Intervensjon / Behandling |
|---|---|
|
Pasienter med normale mediastinale og abdominale organ/anatomiske strikturer
Voksne pasienter med normale mediastinale og abdominale organ/anatomiske strikturer etter bildediagnostikk og EUS-vurdering på grunn av kronisk dyspepsi.
|
En ekspert endoskopist vil velge et datasett med mediastinale og abdominale EUS-videoer (én per pasient).
En ekspert endoskopist vil identifisere eller utlede visualisering av følgende organer på riktig måte: aorta, vertebral ryggrad, aortabue, luftrør, AP-vindu, venstre nyre, lever, milt, bukspyttkjertelkropp, bukspyttkjertelhale, cøliaki, miltarterie, miltvene, inferior vena cava, binyre, høyre nyre, galleblæren, vanlig gallegang, ampulla av Vater, portvenen.
Ved å bruke det samme tidligere datasettet av mediastinale og abdominale EUS-videoer, vil EUS-AI-modellen gjenkjenne følgende organer: aorta, vertebral ryggrad, aortabue, luftrør, AP-vindu, venstre nyre, lever, milt, bukspyttkjertelkropp, bukspyttkjertelhale, cøliaki stamme, miltarterie, miltvene, vena cava inferior, binyre, høyre nyre, galleblæren, vanlig gallegang, ampulla av Vater, portvene.
Med tanke på hver pasient (og ikke datarammevideoer) som studieenheten, vil det bli utformet en beredskapstabell for hver mediastinal og abdominal organ/anatomisk striktur.
|
Hva måler studien?
Primære resultatmål
Resultatmål |
Tiltaksbeskrivelse |
Tidsramme |
|---|---|---|
|
Samlet nøyaktighet av endoskopisk ultralyd (EUS) kunstig intelligens (AI) modell for identifisering av normale mediastinale og abdominale organ/anatomiske strikturer
Tidsramme: Tre måneder
|
Generelle nøyaktighetsegenskaper vil bli beregnet: sensitivitet, spesifisitet, positiv prediktiv verdi, negativ prediktiv verdi, diagnostisk nøyaktighet og observert samsvar. I tillegg vil det bli definert følgende sannsynligheter:
|
Tre måneder
|
Samarbeidspartnere og etterforskere
Det er her du vil finne personer og organisasjoner som er involvert i denne studien.
Etterforskere
- Hovedetterforsker: Carlos Robles-Medranda, Ecuadorian Institute of Digestive Diseases
Publikasjoner og nyttige lenker
Den som er ansvarlig for å legge inn informasjon om studien leverer frivillig disse publikasjonene. Disse kan handle om alt relatert til studiet.
Generelle publikasjoner
- Zhang J, Zhu L, Yao L, Ding X, Chen D, Wu H, Lu Z, Zhou W, Zhang L, An P, Xu B, Tan W, Hu S, Cheng F, Yu H. Deep learning-based pancreas segmentation and station recognition system in EUS: development and validation of a useful training tool (with video). Gastrointest Endosc. 2020 Oct;92(4):874-885.e3. doi: 10.1016/j.gie.2020.04.071. Epub 2020 May 6. Erratum In: Gastrointest Endosc. 2021 Mar;93(3):781.
- Kuwahara T, Hara K, Mizuno N, Haba S, Okuno N, Koda H, Miyano A, Fumihara D. Current status of artificial intelligence analysis for endoscopic ultrasonography. Dig Endosc. 2021 Jan;33(2):298-305. doi: 10.1111/den.13880. Epub 2020 Dec 5. Review.
- Robles-Medranda C, Oleas R, Del Valle R, Mendez JC, Alcívar-Vásquez JM, Puga-Tejada M, Lukashok H. Intelligence for real-time anatomical recognition during endoscopic ultrasound evaluation: a pilot study. Gastrointestinal Endoscopy. 2021; 93(6), AB221. https://doi.org/10.1016/J.GIE.2021.03.491
- Udriștoiu AL, Cazacu IM, Gruionu LG, Gruionu G, Iacob AV, Burtea DE, Ungureanu BS, Costache MI, Constantin A, Popescu CF, Udriștoiu Ș, Săftoiu A. Real-time computer-aided diagnosis of focal pancreatic masses from endoscopic ultrasound imaging based on a hybrid convolutional and long short-term memory neural network model. PLoS One. 2021 Jun 28;16(6):e0251701. doi: 10.1371/journal.pone.0251701. eCollection 2021.
- Yao L, Zhang J, Liu J, Zhu L, Ding X, Chen D, Wu H, Lu Z, Zhou W, Zhang L, Xu B, Hu S, Zheng B, Yang Y, Yu H. A deep learning-based system for bile duct annotation and station recognition in linear endoscopic ultrasound. EBioMedicine. 2021 Mar;65:103238. doi: 10.1016/j.ebiom.2021.103238. Epub 2021 Feb 24. Erratum in: EBioMedicine. 2021 Nov;73:103650.
- Tonozuka R, Mukai S, Itoi T. The Role of Artificial Intelligence in Endoscopic Ultrasound for Pancreatic Disorders. Diagnostics (Basel). 2020 Dec 24;11(1). pii: E18. doi: 10.3390/diagnostics11010018. Review.
- Marya NB, Powers PD, Chari ST, Gleeson FC, Leggett CL, Abu Dayyeh BK, Chandrasekhara V, Iyer PG, Majumder S, Pearson RK, Petersen BT, Rajan E, Sawas T, Storm AC, Vege SS, Chen S, Long Z, Hough DM, Mara K, Levy MJ. Utilisation of artificial intelligence for the development of an EUS-convolutional neural network model trained to enhance the diagnosis of autoimmune pancreatitis. Gut. 2021 Jul;70(7):1335-1344. doi: 10.1136/gutjnl-2020-322821. Epub 2020 Oct 7.
- Minoda Y, Ihara E, Komori K, Ogino H, Otsuka Y, Chinen T, Tsuda Y, Ando K, Yamamoto H, Ogawa Y. Efficacy of endoscopic ultrasound with artificial intelligence for the diagnosis of gastrointestinal stromal tumors. J Gastroenterol. 2020 Dec;55(12):1119-1126. doi: 10.1007/s00535-020-01725-4. Epub 2020 Sep 11.
- Cazacu IM, Udristoiu A, Gruionu LG, Iacob A, Gruionu G, Saftoiu A. Artificial intelligence in pancreatic cancer: Toward precision diagnosis. Endosc Ultrasound. 2019 Nov-Dec;8(6):357-359. doi: 10.4103/eus.eus_76_19.
Studierekorddatoer
Disse datoene sporer fremdriften for innsending av studieposter og sammendragsresultater til ClinicalTrials.gov. Studieposter og rapporterte resultater gjennomgås av National Library of Medicine (NLM) for å sikre at de oppfyller spesifikke kvalitetskontrollstandarder før de legges ut på det offentlige nettstedet.
Studer hoveddatoer
Studiestart (Faktiske)
1. oktober 2021
Primær fullføring (Forventet)
30. mars 2022
Studiet fullført (Forventet)
30. juni 2022
Datoer for studieregistrering
Først innsendt
26. november 2021
Først innsendt som oppfylte QC-kriteriene
8. desember 2021
Først lagt ut (Faktiske)
9. desember 2021
Oppdateringer av studieposter
Sist oppdatering lagt ut (Faktiske)
30. desember 2021
Siste oppdatering sendt inn som oppfylte QC-kriteriene
10. desember 2021
Sist bekreftet
1. desember 2021
Mer informasjon
Begreper knyttet til denne studien
Nøkkelord
Ytterligere relevante MeSH-vilkår
Andre studie-ID-numre
- IECED-26112021
Plan for individuelle deltakerdata (IPD)
Planlegger du å dele individuelle deltakerdata (IPD)?
Nei
Legemiddel- og utstyrsinformasjon, studiedokumenter
Studerer et amerikansk FDA-regulert medikamentprodukt
Nei
Studerer et amerikansk FDA-regulert enhetsprodukt
Nei
produkt produsert i og eksportert fra USA
Nei
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. .