Dyplæringsbasert kunstig intelligens for diagnostisering av tynntarmobstruksjon
Studie ved bruk av dyp læringsbasert kunstig intelligens for diagnostisering av tynntarmobstruksjon
Studieoversikt
Status
Forhold
Intervensjon / Behandling
Detaljert beskrivelse
DESIGN: Dette er en diagnostisk studie. INNSTILLING: Vi utviklet en dyplæringsbasert AI-teknologi for automatisk å trekke ut tarmkanalen fra CT-bilder ved å bruke 5 200 CT-bilder av 158 pasienter. CT-bildene av pasienter som oppsøkte akuttmottaket og ble mistenkt for tynntarmsobstruksjon mellom 6. juni og 26. juli 2018, ble hentet fra to tertiære henvisningssentre, som ble brukt som testprøver. Dataanalyse ble fullført i desember 2023.
DELTAKERE: Beboere og kirurger deltok i studien. INTERVENSJONER: Beboere og kirurger ble delt inn i to grupper: en gruppe leste ved hjelp av AI-teknologien, og den andre gruppen leste uten AI-teknologi.
HOVEDRESULTAT OG TILTAK: Deltakerne anga om tynntarmobstruksjon og obstruksjonsplassering. Tiden for diagnose ble også samlet. Vi brukte en hierarkisk Bayesiansk modell.
Studietype
Registrering (Faktiske)
Kontakter og plasseringer
Studiesteder
-
-
Aichi
-
Nagoya, Aichi, Japan, 4668560
- Nagoya University Graduate School of Medicine
-
-
Deltakelseskriterier
Kvalifikasjonskriterier
Alder som er kvalifisert for studier
- Barn
- Voksen
- Eldre voksen
Tar imot friske frivillige
Prøvetakingsmetode
Studiepopulasjon
Beskrivelse
Inklusjonskriterier:
- Personer med dokumentert samtykke
Ekskluderingskriterier:
- Personer uten dokumentert samtykke
Studieplan
Hvordan er studiet utformet?
Designdetaljer
Kohorter og intervensjoner
Gruppe / Kohort |
Intervensjon / Behandling |
|---|---|
|
AI gruppe
Deltakerne leser CT-bilder med AI.
|
AI trekker ut tarmregionen og rekonstruerer til 3D-bilde.
|
|
Manuell gruppe
Deltakerne leser CT-bilder uten AI
|
Hva måler studien?
Primære resultatmål
Resultatmål |
Tiltaksbeskrivelse |
Tidsramme |
|---|---|---|
|
Diagnosen av obstruksjonsstedet
Tidsramme: September 2024
|
Nøyaktighet av diagnose av obstruksjonsstedet
|
September 2024
|
Samarbeidspartnere og etterforskere
Sponsor
Etterforskere
- Studiestol: Hieoo Uchida, PhD., Nagoya University Graduate School of Medicine, Pediatric Surgery
Studierekorddatoer
Studer hoveddatoer
Studiestart (Faktiske)
Primær fullføring (Faktiske)
Studiet fullført (Antatt)
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
- 2022-0188
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. .