Utvikling av kunstig intelligens for diagnose av kolorektal polypp

Bruken av kunstig intelligens i dataassistert deteksjon (CADe) for å oppdage polypper (pre-cancerøse vekster) under koloskopi får økende interesse og aksept med flere enheter som allerede er i det ordinære markedet. Etterforskeren vet allerede fra arbeid i andre land at det å oppdage flere polypper resulterer i redusert risiko for tarmkreft for pasienten som har prosedyren, i årene etter koloskopi (dvs. forstadier til kreft ble oppdaget og fjernet). Dette har dannet grunnlaget for nasjonale tarmkreftscreeningsprogrammer. Med økt påvisning av kolorektale polypper er det et økende behov for å identifisere polyppens natur for å informere om risikoen for kolorektal kreft med polyppen påvist og også den potensielle fremtidige risikoen for pasienten. Nøyaktig polyppdiagnose er også nødvendig for å bestemme riktig modus eller fjerning - om dette i det hele tatt krever fjerning (som fører til bevaring av kostnader og ressurser i et utfordrende nåværende klima), om endoskopisk fjerning er mulig og i så fall ved hvilken prosedyre, om kirurgi er påkrevd.

Publiserte data viser at omtrent en fjerdedel av kirurgisk fjernede kolorektale polypper med pasienter som gjennomgikk større kirurgi var godartede, og derfor kunne større kirurgi vært unngått med disse polyppene fjernet endoskopisk, noe som reduserer risikoen for komplikasjoner og organkonservering for pasienten.

Gjeldende polyppdiagnoseteknikker involverer bruk og tolkning av spesialiserte fargestoffer og forstørrelsesendoskoper som kommer med å få ekspertise med tilhørende læringskurve og økt prosedyretid. Det er av disse grunnene at til tross for at de er introdusert i klinisk praksis, er opptak av slike teknikker begrenset, og dagens metoder for polypperrisikostratifisering under koloskopi uten AI er suboptimale.

Gjeldende algoritmer for polyppdiagnose AI (CADx) er begrenset til mindre klassifisering. Gjeldende CADx-plattformer skiller mellom kreft- og ikke-kreftpolypper som er av begrenset verdi for å gi en personlig pasientrisiko for tykktarmskreft. Utviklingen av en multiklassealgoritme er av større kompleksitet enn en binær klassifisering og krever større opplærings- og valideringsdatasett. En robust CADx-algoritme bør også involvere globale trenbare data for å minimere introduksjonen av skjevhet. Det er av disse grunnene at dette er en planlagt internasjonal multisenterstudie

Prospektiv innsamling av data:

Denne studien vil bli utført sammen med vanlig pasientbehandling, men vil kreve at forskningspersonell legger inn data på et sikkert nettbasert rapportskjema (REDCAP-database). Dette betyr at deltakerne vil gjennomgå nøyaktig samme prosedyre, uten forskjeller og uten ekstra besøk eller data, enn det ellers ville ha skjedd. Deltakere vil være de pasientene som har blitt planlagt å ha en koloskopi av standard grunner. Pasienter vil bli invitert til koloskopi på vanlig måte.

De kan - der det er mulig - få tilsendt PIS sammen med avtalebrevet (inntil 6 uker i forveien). Ved ankomst til endoskopienheten vil de bli kontaktet av et medlem av forskerteamet og gitt en kopi av PIS for å lese - opptil en time før prosedyren. De vil bli gitt ansikt-til-ansikt informasjon og forklaring, før skriftlig samtykke til å tillate at dataene deres samles inn i databasen. Siden studien ikke krever noen endring eller ytterligere prosedyrer, føler etterforskeren at en første tilnærming ved ankomst til endoskopienheten vil gi tilstrekkelig, passende tid til å samtykke, selv om PIS ikke er lest på forhånd (selv om det vil bli sendt hvis mulig). Det eneste ekstra hensynet vil være samtykket til opptak av videoen (ingen pasientidentifiserbare data vil bli overført som en del av dette aspektet).

Når koloskopien er fullført, vil det ikke være flere besøk.