- ICH GCP
- US Clinical Trials Registry
- Klinisk utprøving NCT06040723
Hill-grade Kunnskap via integrert nevralt nettverk for gastroskopi (HillKING)
Sanntidsbestemmelse av bakkegraden under gastroskopi ved bruk av kunstig intelligens
Studieoversikt
Detaljert beskrivelse
Objektiv:
Hovedmålet med denne studien er å sammenligne nøyaktigheten i å bestemme Hill-klassifiseringen under gastroskopi mellom et kunstig intelligens (AI)-basert system og leger som utfører undersøkelsen. Sekundære utfall inkluderer evaluering av nøyaktigheten per klasse og andre statistiske mål som presisjon, tilbakekalling og f1-score.
Studere design:
Enkeltsenter, blindet endoskopiststudie. Modellen vurdert i en tidligere studie oppnådde en gjennomsnittlig nøyaktighet på 88 %. Alle deltakerne deltok først på et foredrag som tjente som en oppfriskning angående Hill-klassifiseringen. Deretter ble leger bedt om å gi Hill-klassifiseringen for testbilder ekspertkommenterte bilder som viser forskjellige Hill-karakterer, og oppnådde en gjennomsnittlig nøyaktighet på 72 %. Derfor kreves det 127 parede målinger. Med tanke på pasientfrafall, må minst 159 pasienter rekrutteres. Ved undersøkelse av klaffklaffen under endoskopi, er legen pålagt å lagre et bilde av klaffklaffen under retrofleksjon, som er en del av standardprosedyren, basert på hvilken de bestemmer Hill-klassifiseringen. Forutsigelsen av AI-modellen på dette bildet regnes som modellutgangen og regnes som modellens utgang. En gruppe på tre ekspertendoskopister bestemmer Hill-klassifiseringen for hvert bilde, basert på flertall, som blir behandlet som gullstandarden.
AI-oppsett og begrensninger:
Det er ingen begrensninger forårsaket av AI. Metoden utfører en bilde-for-bilde-analyse av opptaket. Disse bildene er analysert fra det AI-baserte systemet for å få spådommer. De eneste interaksjonene som kreves med metoden er et knappetrykk som starter undersøkelsesopptaksprosessen og et nytt knappetrykk for å avslutte opptaket. Dette utføres ved henholdsvis begynnelsen og slutten av undersøkelsen. Modellen brukt i denne studien er en oppdatert versjon av modellen rapportert i en forstudie, som har blitt trent med mer data sammen med en hjelpeutgang for å forutsi om Hill-klassifiseringen er relevant for det viste bildet.
Studiepopulasjon:
Alle voksne pasienter oppnevnt til gastroskopi som ikke samsvarer med eksklusjonskriteriene vil bli bedt om informert samtykke. Eksklusjonskriterier inkluderer tidligere kirurgiske inngrep eller endret anatomi som hindrer forsvarlig undersøkelse av klaffklaffen, undersøkelser der klaffklaffen ikke er inspisert, og undersøkelser der ekspertutvalget ikke avgir flertall.
Innblanding:
Legen utfører undersøkelsen som vanlig. Ved inspeksjon av klaffventilen, tar legen et bilde av undersøkelsen, som vanlig, og gir sin vurdering av Hill-karakteren. Utdataene fra modellen for det samme bildet regnes som modellprediksjonen. Legen er blindet for modellens prediksjon.
Studietype
Registrering (Faktiske)
Kontakter og plasseringer
Studiesteder
-
-
Bayern
-
Würzburg, Bayern, Tyskland, 97080
- Universitätsklinikum Würzburg
-
-
Deltakelseskriterier
Kvalifikasjonskriterier
Alder som er kvalifisert for studier
- Voksen
- Eldre voksen
Tar imot friske frivillige
Prøvetakingsmetode
Studiepopulasjon
Beskrivelse
Inklusjonskriterier:
- Voksne pasienter (>18 år)
- Planlagt gastroskopi
Ekskluderingskriterier:
Eksamensnivå
- Tidligere kirurgiske inngrep eller endret anatomi som forhindrer riktig undersøkelse av klaffen
- Klaffventil ikke inspisert
Datanivå:
- Bilde under inspeksjon av klaffventil ikke lagret
- Ekspertutvalg resulterer ikke i flertall
Studieplan
Hvordan er studiet utformet?
Designdetaljer
Kohorter og intervensjoner
Gruppe / Kohort |
Intervensjon / Behandling |
|---|---|
|
Eksperimentell: Intervensjonsarm
Alle pasienter i studien er inkludert i intervensjonsarmen: Hill-klassifiseringen bestemmes av legen og AI-metoden.
|
EndoMind-systemet er utstyrt med en AI-modell for å forutsi Hill-graden under gastroskopi.
|
Hva måler studien?
Primære resultatmål
Resultatmål |
Tiltaksbeskrivelse |
Tidsramme |
|---|---|---|
|
Nøyaktighet av vurderinger for Hill-klassifiseringen for leger og AI-metoden.
Tidsramme: Gjennom studiegjennomføring i snitt 5 måneder
|
Binær vurdering av lege vs AI korrekte og feilaktige spådommer.
|
Gjennom studiegjennomføring i snitt 5 måneder
|
Sekundære resultatmål
Resultatmål |
Tiltaksbeskrivelse |
Tidsramme |
|---|---|---|
|
Nøyaktighet av vurderinger for hver Hill-karakter for leger og AI-metode.
Tidsramme: Gjennom studiegjennomføring i snitt 5 måneder
|
Beskrivelse: De riktige og feilaktige spådommene for hver spesifikke Hill-klasse.
|
Gjennom studiegjennomføring i snitt 5 måneder
|
|
Presisjon og tilbakekalling av vurderingene for hver Hill fra endoskopister og AI-metoden.
Tidsramme: Gjennom studiegjennomføring i snitt 5 måneder
|
Presisjons- og huskestatistikken for hver klasse (1v0) over de fire forskjellige Hill-klassene.
|
Gjennom studiegjennomføring i snitt 5 måneder
|
|
Avstand for etikettvurdering fra gullstandard etikett.
Tidsramme: Gjennom studiegjennomføring i snitt 5 måneder
|
Sammenligning av avstanden mellom gullstandardetiketten og etiketten tildelt av legen og AI-metoden.
|
Gjennom studiegjennomføring i snitt 5 måneder
|
Samarbeidspartnere og etterforskere
Sponsor
Studierekorddatoer
Studer hoveddatoer
Studiestart (Faktiske)
Primær fullføring (Faktiske)
Studiet fullført (Faktiske)
Datoer for studieregistrering
Først innsendt
Først innsendt som oppfylte QC-kriteriene
Først lagt ut (Faktiske)
Oppdateringer av studieposter
Sist oppdatering lagt ut (Faktiske)
Siste oppdatering sendt inn som oppfylte QC-kriteriene
Sist bekreftet
Mer informasjon
Begreper knyttet til denne studien
Ytterligere relevante MeSH-vilkår
Andre studie-ID-numre
- AI04
Plan for individuelle deltakerdata (IPD)
Planlegger du å dele individuelle deltakerdata (IPD)?
Legemiddel- og utstyrsinformasjon, studiedokumenter
Studerer et amerikansk FDA-regulert medikamentprodukt
Studerer et amerikansk FDA-regulert enhetsprodukt
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. .