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

AI-assistert hvitlysendoskopi for å identifisere Kimura-Takemoto-klassifiseringen av atrofisk gastritt

10. april 2024 oppdatert av: Yanqing Li, Shandong University

Endoskopi med kunstig intelligens assistert hvitt lys for å identifisere Kimura-Takemoto-klassifiseringen av atrofisk gastritt for å oppnå risikovurdering av magekreft

Gradering av endoskopisk atrofi i henhold til Kimura-Takemoto-klassifiseringen kan vurdere risikoen for utvikling av gastrisk neoplasi. Imidlertid er den falske negative frekvensen av kronisk atrofisk gastritt høy på grunn av varierende diagnostisk standardisering og diagnostisk erfaring og nivåer av endoskopister. Derfor har denne studien som mål å utvikle en AI-modell for å identifisere Kimura-Takemoto-klassifiseringen.

Studieoversikt

Status

Rekruttering

Forhold

Intervensjon / Behandling

Detaljert beskrivelse

Gradering av endoskopisk atrofi i henhold til Kimura-Takemoto-klassifiseringen kan vurdere risikoen for utvikling av gastrisk neoplasi. Jo høyere poengsum er, desto alvorligere er graden av atrofisk gastritt. Imidlertid er den falske negative frekvensen av kronisk atrofisk gastritt høy på grunn av varierende diagnostisk standardisering og diagnostisk erfaring og nivåer av endoskopister. Derfor har denne studien som mål å utvikle en AI-modell for å identifisere Kimura-Takemoto-klassifiseringen av atrofisk gastritt for å oppnå risikovurdering av magekreft.

Studietype

Observasjonsmessig

Registrering (Antatt)

1500

Kontakter og plasseringer

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

Studiekontakt

Studiesteder

  • Kina
    • Shandong
      • Shangdong, Shandong, Kina, 250012
        • Rekruttering
        • Department of Gastrology, QiLu Hospital, Shandong University
        • Ta kontakt med:

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

  • Voksen
  • Eldre voksen

Tar imot friske frivillige

Nei

Prøvetakingsmetode

Ikke-sannsynlighetsprøve

Studiepopulasjon

Påfølgende pasienter som mottar en gastrointestinal endoskopiundersøkelse og screenes som oppfyller kvalifikasjonskriteriene ved Qilu Hospital, Shandong University, vil bli registrert i studien

Beskrivelse

Inklusjonskriterier:

Pasienter i alderen 18-80 år som gjennomgår hvitlysendoskopundersøkelsen Informert samtykkeskjema gitt av pasienten.

Ekskluderingskriterier:

  1. pasienter med alvorlig hjerte-, cerebral, lunge- eller nyredysfunksjon eller psykiatrisk;
  2. lidelser som ikke kan delta i gastroskopi;
  3. Pasienter med progressiv magekreft;
  4. bilder av lav kvalitet;
  5. pasienter med tidligere kirurgiske prosedyrer på magen eller spiserøret;
  6. pasienter som nekter å signere skjemaet for informert samtykke;

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
Kronisk atrofisk gastritt observert av hvitt lys endoskop
Få bilder fra gastrisk antrum, gastrisk vinkel, mindre krumning av magekroppen, cardia, gastrisk fundus, større krumning av magekroppen med hvitt lys endoskop
Diagnostisk test: Diagnostisk test: Diagnosen av kunstig intelligens og endosopister
Endosopister og AI vil vurdere Kimura-Takemoto-klassifiseringen uavhengig når pasientene er kvalifisert.

Hva måler studien?

Primære resultatmål

Resultatmål
Tiltaksbeskrivelse
Tidsramme
Nøyaktighet av AI-modell for å diagnostisere Kimura-Takemoto-klassifiseringen
Tidsramme: 2 år
Nøyaktighet av AI-modell for å diagnostisere Kimura-Takemoto-klassifiseringen
2 år
Følsomhet av AI-modellen for å diagnostisere Kimura-Takemoto-klassifiseringen
Tidsramme: 2 år
Følsomhet av AI-modellen for å diagnostisere Kimura-Takemoto-klassifiseringen
2 år
Spesifisitet av AI-modell for å diagnostisere Kimura-Takemoto-klassifiseringen
Tidsramme: 2 år
Spesifisitet av AI-modell for å diagnostisere Kimura-Takemoto-klassifiseringen
2 år

Sekundære resultatmål

Resultatmål
Tiltaksbeskrivelse
Tidsramme
MIOU-verdien til AI-modellen i semantisk segmentering av endoskopisk atrofibilde
Tidsramme: 2 år
MIOU-verdien til AI-modellen i semantisk segmentering av endoskopisk atrofibilde
2 år

Samarbeidspartnere og etterforskere

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

Sponsor

Shandong University

Samarbeidspartnere

Linyi County People's Hospital,Dezhou,China

Etterforskere

  • Studiestol: yanqing li, MD,PHD, Qilu Hospital, Shandong University

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. juni 2023

Primær fullføring (Antatt)

31. desember 2024

Studiet fullført (Antatt)

31. desember 2024

Datoer for studieregistrering

Først innsendt

14. juni 2023

Først innsendt som oppfylte QC-kriteriene

14. juni 2023

Først lagt ut (Faktiske)

23. juni 2023

Oppdateringer av studieposter

Sist oppdatering lagt ut (Faktiske)

12. april 2024

Siste oppdatering sendt inn som oppfylte QC-kriteriene

10. april 2024

Sist bekreftet

1. april 2024

Mer informasjon

Begreper knyttet til denne studien

Ytterligere relevante MeSH-vilkår

Andre studie-ID-numre

  • 2022SDU-QILU-123

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. .

Kliniske studier på Kunstig intelligens

Kliniske studier på Diagnostisk test: Diagnosen av kunstig intelligens og endosopister

Søk i lignende forsøk

Sponsorer og samarbeidspartnere

Medisinsk tilstand

Legemiddelintervensjoner

CROs by country

CROs in Pakistan

Forhold

Sjeldne sykdommer

Legemiddelintervensjoner

Kosttilskudd

Sponsor / samarbeidspartnere

Steder

Abonnere