Prospektywne wieloośrodkowe badanie wspomaganego sztuczną inteligencją systemu oceny jakości kolonoskopii

Kolonoskopia jest kluczową techniką wykrywania i diagnozowania chorób dolnego odcinka przewodu pokarmowego. Wysokiej jakości endoskopia prowadzi do lepszych wyników, jednak poziom umiejętności różnych endoskopistów jest zupełnie inny. Odsetek pominiętych rozpoznań ADENOMAS jelita grubego wynosił 22%, odsetek pominiętych rozpoznań wahał się od 7,4% do 52,5%. Seria badań wykazała, że ​​12,1% pacjentów nie miało raka podczas kolonoskopii, ale zdiagnozowano u nich raka jelita grubego (rak jelita grubego po kolonoskopii, PCCRC) w ciągu 5 lat, z czego 71%-86% można było przypisać zaniedbaniu endoskopista 6, siedem. Dlatego bardzo ważna jest poprawa jakości rutynowego badania endoskopowego przy jednoczesnym poszerzaniu techniki endoskopowej.

Wskaźnik kontroli jakości kolonoskopu może odzwierciedlać poziom operacji lekarzy endoskopii i jest bardzo ważnym narzędziem zapewniającym jakość kolonoskopu. Badanie i sprzężenie zwrotne danych kontroli jakości endoskopisty może skutecznie poprawić wykrywalność zmian chorobowych i zagwarantować wysoki poziom jakości endoskopowej. Kluczem do zagwarantowania jakości enteroskopii jest przedstawienie wskaźnika kontroli jakości, który może odzwierciedlać jakość pracy endoskopisty. Barclay zaproponował w 2006 roku, że istnieje istotna korelacja między czasem wycofania kolonoskopii a częstością gruczolaków u pacjentów, a ich wyniki zostały opublikowane w The New England Journal of Medicine, ze współczynnikiem wpływu 70,67. Następnie ukazało się 367 prac poświęconych badaniu szybkości wycofywania enteroskopii. Aslinia dokonała retrospektywnej analizy korelacji między częstością występowania ślepoty osiągniętej w enteroskopii a rokowaniem pacjentów i zaproponowała częstość osiąganej ślepoty jako wskaźnik kontroli jakości enteroskopii. Inne wskaźniki kontroli jakości, takie jak czystość jelit i wskaźnik wykrywalności polipów, zostały opublikowane w renomowanych czasopismach międzynarodowych i włączone do wytycznych regulujących jakość codziennej pracy lekarzy endoskopowych, co ma duże znaczenie kliniczne.

Jednak pomimo wyżej wymienionych wskaźników kontroli jakości, istniejące wskaźniki kontroli jakości endoskopowej są poważnie niewystarczające. Według wieloośrodkowego badania klinicznego, obecne wskaźniki kontroli jakości odzwierciedlają tylko około 40% różnicy w poziomach wykrywania zmian chorobowych między lekarzami zajmującymi się endoskopią. Występowanie tego zjawiska wskazuje, że potrzeba więcej wskaźników kontroli jakości, aby w pełni odzwierciedlić jakość zabiegów endoskopowych. Jako wskaźnik kontroli jakości odzwierciedlający przygotowanie jelit, czystość jelit jest wadą śmiertelną z silną subiektywnością i słabą konsekwencją wśród obserwatorów, dlatego istniejąca kolonoskopia wymaga bardziej kompleksowych, obiektywnych wskaźników kontroli jakości, aby odzwierciedlić poziom lekarzy endoskopowych, tak aby zapewnić jakość kolonoskopii.

W ostatniej dekadzie sztuczna inteligencja (AI) poczyniła znaczne postępy w dziedzinie medycyny. Andre Esteva wykorzystał głęboką sieć neuronową (DNN) do sklasyfikowania raka skóry z dokładnością na poziomie eksperckim. W dziedzinie endoskopii przewodu pokarmowego zespół projektowy na początku dokonuje ogromnego przełomu. W 2018 roku opracowany przez zespół projektowy model monitorowania martwego pola gastroskopii ze sztuczną inteligencją znacznie zmniejszył martwe pole endoskopii w randomizowanych kontrolowanych badaniach klinicznych, wyniki zostały opublikowane w czasopiśmie Gut ze współczynnikiem wpływu 17,94. W 2019 roku opracowany przez zespół model sztucznej inteligencji do oceny czystości jelit, opublikowany w czasopiśmie endoskopia gastrogastrotestinal ze współczynnikiem wpływu 7,23, wykazał lepszą dokładność obrazu niż u endoskopisty w konkursie komputerowym. W tym samym roku w ramach projektu opracowano model monitorowania szybkości kolonoskopii w oparciu o algorytm percepcyjny Haschego oraz model monitorowania szkiełkowego kolonoskopii w oparciu o klasyfikację obrazów oraz przeprowadzono randomizowane kontrolowane badania kliniczne, model znacznie poprawił zdolność kolonoskopistów do wykrywania zmian , Badanie zostało opublikowane w The Lancet Gastroenterology 18 ze współczynnikiem wpływu 12,87.

W oparciu o wyżej wymienione bogate podstawy wczesnych prac, a także obecne duże zapotrzebowanie w zakresie kontroli jakości enteroskopii, zamierzamy przeprowadzić walidację opartego na sztucznej inteligencji modelu szybkości wyjścia enteroskopii, czystości jelit i preparatu enteroskopowego opracowanego przez zespół projektowy poprzez wieloośrodkowe badanie kliniczne, aby ocenić wykonalność i dokładność jakości operacji lekarza jako wskaźnika kontroli jakości.