Denne siden ble automatisk oversatt og nøyaktigheten av oversettelsen er ikke garantert. Vennligst referer til engelsk versjon for en kildetekst.

Kunstig intelligens i EUS for diagnostisering av faste lesjoner i bukspyttkjertelen

2. april 2024 oppdatert av: Bin Cheng, Huazhong University of Science and Technology

Bruk av kunstig intelligens for utvikling av en EUS-konvolusjon nevral nettverksmodell trent til å skille bukspyttkjertelkreft fra andre faste lesjoner i bukspyttkjertelen

Vi tar sikte på å utvikle en EUS-AI-modell som kan lette klinisk diagnose ved å analysere EUS-bilder og kliniske parametere til pasienter.

Studieoversikt

Status

Fullført

Forhold

Intervensjon / Behandling

Detaljert beskrivelse

EUS anses å være en mer sensitiv modalitet enn CT for å oppdage faste lesjoner i bukspyttkjertelen på grunn av dens høye romlige oppløsning. Imidlertid er den diagnostiske ytelsen i stor grad avhengig av utøverens erfaring og tekniske evner. Derfor tar vi sikte på å utvikle en objektiv EUS-diagnosemodell basert på det konvolusjonelle nevrale nettverket, en kunstig intelligens-teknikk. I tillegg legges også kliniske parametere som risikofaktorer, tumorbiomarkører og radiologifunn til denne kunstige intelligensmodellen for å etterligne de faktiske kliniske diagnoseprosedyrene og for å øke ytelsen til denne modellen.

Studietype

Observasjonsmessig

Registrering (Faktiske)

130

Kontakter og plasseringer

Denne delen inneholder kontaktinformasjon for de som utfører studien, og informasjon om hvor denne studien blir utført.

Studiesteder

  • Kina
    • Hubei
      • Wuhan, Hubei, Kina, 430030
        • Tongji Hospital, Tongji Medical College, Huazhong University of Science and Technology

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 og eldre (Voksen, Eldre voksen)

Tar imot friske frivillige

Nei

Prøvetakingsmetode

Ikke-sannsynlighetsprøve

Studiepopulasjon

Kohorten vil bli valgt fra Tongji Hospital, Tongji Medical College, HUST.

Beskrivelse

Inklusjonskriterier:

  • Pasienter som gjennomgikk EUS ved bruk av et buet linjearray-ekkoendoskop (GF-UCT260; Olympus Medical Systems) siden 2014 i vår tilknytning.
  • For hver pasient er alle tilgjengelige native EUS-bilder inkludert.
  • Pasientens diagnose er validert av kirurgiske utfall eller funn av finnålsaspirasjon (FNA) og har et forenlig klinisk forløp med en oppfølgingstid på mer enn 6 måneder.

Ekskluderingskriterier:

  • Bildet er av dårlig kvalitet.
  • Bildene inneholder unike merker som potensielt kan påvirke modellen, for eksempel biopsinålen.

Studieplan

Denne delen gir detaljer om studieplanen, inkludert hvordan studien er utformet og hva studien måler.

Hvordan er studiet utformet?

Designdetaljer

Kohorter og intervensjoner

Gruppe / Kohort
Intervensjon / Behandling
Bukspyttkjertel-EUS
Pasienter siden 2014 med EUS-bilder av normal bukspyttkjertel eller solide lesjoner i bukspyttkjertelen har blitt inkludert i denne kohorten.
Diagnostisk test: EUS-AI modell
Testundergruppen (omtrent 20 % av totale pasienter) er reservert for den endelige evalueringen av EUS-AI-modellen. Kliniske parametere og EUS-bilder av hver pasient i testdelsettet vil bli lagt inn i den trente EUS-AI-modellen, og mest mulig diagnose vil bli gitt av modellen.

Hva måler studien?

Primære resultatmål

Resultatmål
Tiltaksbeskrivelse
Tidsramme
Modellens evne til å skille kreft i bukspyttkjertelen fra andre faste lesjoner i bukspyttkjertelen
Tidsramme: Etter at opplæringsprosessen til EUS-AI-modellen er fullført
Receiver operating characteristic (ROC) analyser, sensitivitet, spesifisitet, nøyaktighet, positiv prediktiv verdi og negativ prediktiv verdi vil bli brukt for å evaluere modellens effektivitet.
Etter at opplæringsprosessen til EUS-AI-modellen er fullført

Sekundære resultatmål

Resultatmål
Tiltaksbeskrivelse
Tidsramme
Modellens evne til å spesifisere faste lesjoner i bukspyttkjertelen som kreft i bukspyttkjertelen, CP, AIP og NET
Tidsramme: Etter at opplæringsprosessen til EUS-AI-modellen er fullført
Receiver operating characteristic (ROC) analyser, sensitivitet, spesifisitet, nøyaktighet, positiv prediktiv verdi og negativ prediktiv verdi vil bli brukt for å evaluere modellens effektivitet.
Etter at opplæringsprosessen til EUS-AI-modellen er fullført

Samarbeidspartnere og etterforskere

Det er her du vil finne personer og organisasjoner som er involvert i denne studien.

Sponsor

Huazhong University of Science and Technology

Samarbeidspartnere

LanZhou University
The Affiliated Nanjing Drum Tower Hospital of Nanjing University Medical School

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. juli 2022

Primær fullføring (Faktiske)

30. juni 2023

Studiet fullført (Faktiske)

24. januar 2024

Datoer for studieregistrering

Først innsendt

25. juli 2022

Først innsendt som oppfylte QC-kriteriene

25. juli 2022

Først lagt ut (Faktiske)

27. juli 2022

Oppdateringer av studieposter

Sist oppdatering lagt ut (Faktiske)

3. april 2024

Siste oppdatering sendt inn som oppfylte QC-kriteriene

2. april 2024

Sist bekreftet

1. april 2024

Mer informasjon

Begreper knyttet til denne studien

Nøkkelord

Ytterligere relevante MeSH-vilkår

Andre studie-ID-numre

  • EUS-AI 2022

Legemiddel- og utstyrsinformasjon, studiedokumenter

Studerer et amerikansk FDA-regulert medikamentprodukt

Nei

Studerer et amerikansk FDA-regulert enhetsprodukt

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. .

Abonnere