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

Kunstig intelligens for bestemmelse av gastroskopiovervåkingsintervaller

19. november 2022 oppdatert av: Xiuli Zuo

Utvikling og validering av anbefalinger for gastroskopiovervåking basert på naturlig språkbehandling for pasienter med gastrisk kreft og precancerøse sykdommer

Hensikten med denne studien er å utvikle og validere et klinisk beslutningsstøttesystem basert på automatiserte algoritmer. Dette systemet kan bruke naturlig språkbehandling for å trekke ut data fra pasienters endoskopiske rapporter og patologiske rapporter, identifisere pasientenes sykdomstyper og karakterer, og generere retningslinjer baserte oppfølgings- eller behandlingsanbefalinger.

Studieoversikt

Status

Aktiv, ikke rekrutterende

Forhold

Intervensjon / Behandling

Studietype

Observasjonsmessig

Registrering (Forventet)

2000

Kontakter og plasseringer

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

Studiesteder

  • Kina
    • Shandong
      • Jinan, Shandong, Kina, 250012
        • Qilu Hospital, Shandong University

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 80 år (Voksen, Eldre voksen)

Tar imot friske frivillige

N/A

Kjønn som er kvalifisert for studier

Alle

Prøvetakingsmetode

Ikke-sannsynlighetsprøve

Studiepopulasjon

pasienter som kom til Qilu sykehus ved Shandong University og fikk endoskopiundersøkelse, men ikke terapeutisk endoskopi

Beskrivelse

Inklusjonskriterier:

  • Pasienter i alderen 18 - 80 år
  • Pasientene gjennomgikk endoskopisk undersøkelse

Ekskluderingskriterier:

  • Pasienter med kontraindikasjoner til endoskopisk undersøkelse
  • Pasienter med ufullstendig undersøkelsesinformasjon
  • Pasienter gjennomgår endoskopi for terapi
  • Pasienter har tidligere hatt øvre gastrointestinale kirurgi
  • Pasienter med duodenal eller larynx neoplasmer
  • Pasienter med gastrointestinal submucosal tumor

Studieplan

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

Hvordan er studiet utformet?

Designdetaljer

  • Observasjonsmodeller: Annen
  • Tidsperspektiver: Retrospektiv

Kohorter og intervensjoner

Gruppe / Kohort
Intervensjon / Behandling
Beslutningsgruppe for kunstig intelligens
I følge de endoskopiske rapportene og patologiske rapportene gjenkjenner beslutningsstøttesystemet pasientenes sykdomstyper og -grader, og genererer retningslinjer basert på overvåking eller behandlingsanbefalinger.
Annen: AI gjenkjenner sykdom og genererer anbefalinger
I følge de endoskopiske rapportene og patologiske rapportene gjenkjenner beslutningsstøttesystemet pasientenes sykdomstyper og -grader, og genererer retningslinjer basert på overvåking eller behandlingsanbefalinger.

Hva måler studien?

Primære resultatmål

Resultatmål
Tiltaksbeskrivelse
Tidsramme
Den diagnostiske nøyaktigheten av magesykdommer med dyp læringsalgoritme
Tidsramme: 12 måneder
Den diagnostiske nøyaktigheten av magesykdommer med dyp læringsalgoritme
12 måneder
Nøyaktigheten av anbefalinger for forskjellige sykdommer med dyp læringsalgoritme
Tidsramme: 12 måneder
Nøyaktigheten av anbefalinger for forskjellige sykdommer med dyp læringsalgoritme
12 måneder

Sekundære resultatmål

Resultatmål
Tiltaksbeskrivelse
Tidsramme
Den diagnostiske følsomheten til magesykdommer med dyp læringsalgoritme
Tidsramme: 12 måneder
Den diagnostiske følsomheten til magesykdommer med dyp læringsalgoritme
12 måneder
Den diagnostiske spesifisiteten til magesykdommer med dyp læringsalgoritme
Tidsramme: 12 måneder
Den diagnostiske spesifisiteten til magesykdommer med dyp læringsalgoritme
12 måneder
Den diagnostiske positive prediktive verdien av gastriske sykdommer med dyp læringsalgoritme
Tidsramme: 12 måneder
Den diagnostiske positive prediktive verdien av gastriske sykdommer med dyp læringsalgoritme
12 måneder
Den diagnostiske negative prediktive verdien av gastriske sykdommer med dyp læringsalgoritme
Tidsramme: 12 måneder
Den diagnostiske negative prediktive verdien av gastriske sykdommer med dyp læringsalgoritme
12 måneder
F-score for gastriske sykdommer med dyp læringsalgoritme
Tidsramme: 12 måneder
F-score for gastriske sykdommer med dyp læringsalgoritme
12 måneder

Samarbeidspartnere og etterforskere

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

Sponsor

Xiuli Zuo

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. januar 2012

Primær fullføring (Faktiske)

31. oktober 2022

Studiet fullført (Forventet)

31. desember 2023

Datoer for studieregistrering

Først innsendt

19. november 2022

Først innsendt som oppfylte QC-kriteriene

19. november 2022

Først lagt ut (Faktiske)

30. november 2022

Oppdateringer av studieposter

Sist oppdatering lagt ut (Faktiske)

30. november 2022

Siste oppdatering sendt inn som oppfylte QC-kriteriene

19. november 2022

Sist bekreftet

1. november 2022

Mer informasjon

Begreper knyttet til denne studien

Ytterligere relevante MeSH-vilkår

Andre studie-ID-numre

  • 2022-SDU-QILU-G008

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