- ICH GCP
- Rejestr badań klinicznych w USA
- Badanie kliniczne NCT05151939
Model sztucznej inteligencji endoskopowego ultrasonografii (EUS) do oceny normalnych zwężeń śródpiersia i jamy brzusznej
Endoskopowa ocena ultrasonograficzna (EUS) normalnych narządów śródpiersia i jamy brzusznej/zwężeń anatomicznych przy użyciu nowatorskiego modelu sztucznej inteligencji
Przegląd badań
Status
Interwencja / Leczenie
- Test diagnostyczny: Identyfikacja lub wizualizacja wyładowań w śródpiersiu i narządach jamy brzusznej/zwężeniach anatomicznych za pomocą filmów z ultrasonografii endoskopowej (EUS) przez biegłego endoskopistę
- Test diagnostyczny: Rozpoznawanie zwężeń narządów/anatomicznych śródpiersia i narządów jamy brzusznej za pomocą filmów z ultrasonografii endoskopowej (EUS) z wykorzystaniem sztucznej inteligencji (AI)
Szczegółowy opis
Ultrasonografia endoskopowa (EUS) to wymagająca wysokich kwalifikacji procedura z ograniczoną liczbą urządzeń dostępnych do szkolenia. Dlatego do uzyskania kompetencji konieczna jest duża liczba procedur. Jednak porozumienie między obserwatorami jest bardzo zróżnicowane. Rozpoznawanie i charakteryzacja struktur anatomicznych wspomagane sztuczną inteligencją (AI) może usprawnić proces szkolenia, poprawiając jednocześnie porozumienie między obserwatorami. Jednak opracowane modele EUS-AI zostały wyraźnie przeszkolone lub tylko z próbkami chorobowymi lub do wykrywania cech anatomicznych jamy brzusznej.
W innych dziedzinach, takich jak radioterapia onkologiczna, szeroko stosowane są opracowane modele AI. Podczas konturowania muszą rozpoznawać jednocześnie zdrowe i chorobowe zwężenia w dowolnej części ludzkiego ciała. Pozwala to uniknąć niepotrzebnego naświetlania zdrowej tkanki. Modele EUS-AI, które nie zostały przeszkolone na zdrowych próbkach, mogą powodować wzrost liczby przypadków fałszywie dodatnich podczas rzeczywistej praktyki. Oznacza to potencjalną nadrozpoznawalność nieprawidłowych/chorobowych zwężeń. Modele EUS-AI nie były trenowane z próbkami na zewnątrz
Korzystając z oprogramowania do automatycznego uczenia maszynowego, Robles-Medranda i in. wcześniej opracowali model AI splotowych sieci neuronowych (CNN), który rozpoznaje struktury anatomiczne podczas liniowych i radialnych ocen EUS (AI Works, MD Consulting group, Ekwador). Zgodnie z naszą najlepszą wiedzą ten model EUS-AI jest pierwszym modelem trenowanym z użyciem filmów EUS od pacjentów bez patologii, a zatem z prawidłowymi zwężeniami śródpiersia i narządów jamy brzusznej/anatomicznymi. Na tym drugim etapie dążymy do zaprojektowania zewnętrznej walidacji naszego opracowanego modelu AI, uznając eksperta endoskopisty za złoty standard.
Typ studiów
Zapisy (Oczekiwany)
Kontakty i lokalizacje
Kontakt w sprawie studiów
- Nazwa: Carlos Robles-Medranda
- Numer telefonu: +59342109180
- E-mail: carlosoakm@yahoo.es
Lokalizacje studiów
-
-
Guayas
-
Guayaquil, Guayas, Ekwador, 090505
- Rekrutacyjny
- Ecuadorian Institute of Digestive Diseases
-
Kontakt:
- Carlos A Robles-Medranda, MD
- Numer telefonu: +593989158865
- E-mail: carlosoakm@yahoo.es
-
Główny śledczy:
- Carlos Robles-Medranda, MD FASGE
-
Pod-śledczy:
- Martha Arevalo-Mora, MD
-
Pod-śledczy:
- Daniel Calle, MD MSc
-
Pod-śledczy:
- Miguel Puga-Tejada, MD MSc
-
Pod-śledczy:
- Raquel Del Valle Zavala, MD
-
Pod-śledczy:
- Juan Alcivar-Vasquez, MD Msc
-
-
Kryteria uczestnictwa
Kryteria kwalifikacji
Wiek uprawniający do nauki
Akceptuje zdrowych ochotników
Płeć kwalifikująca się do nauki
Metoda próbkowania
Badana populacja
Opis
Kryteria przyjęcia:
- Pacjenci, u których w ciągu ostatnich dwunastu miesięcy nie stwierdzono nieprawidłowości w obrębie klatki piersiowej i jamy brzusznej potwierdzonych badaniem obrazowym wymaganym do celów opieki zdrowotnej (np. RTG klatki piersiowej i USG jamy brzusznej lub TK klatki piersiowej i jamy brzusznej)
- Pacjenci poddawani badaniu EUS z powodu przewlekłej niestrawności.
Kryteria wyłączenia:
- Zmiany morfologiczne na co najmniej jednym narządzie śródpiersia i jamy brzusznej/zwężeniach anatomicznych udokumentowane dowolnym badaniem obrazowym lub EUS.
- niekontrolowana koagulopatia, niewydolność nerek/wątroby lub jakakolwiek choroba współistniejąca mająca znaczący wpływ na ocenę ryzyka sercowego (NHYA III/IV);
- Odmówić udziału w badaniu lub podpisania odpowiedniej świadomej zgody.
Plan studiów
Jak projektuje się badanie?
Szczegóły projektu
- Modele obserwacyjne: Tylko przypadek
- Perspektywy czasowe: Przekrojowe
Kohorty i interwencje
Grupa / Kohorta |
Interwencja / Leczenie |
|---|---|
|
Pacjenci z prawidłowymi zwężeniami śródpiersia i narządów jamy brzusznej/anatomicznymi
Dorośli pacjenci z prawidłowymi zwężeniami śródpiersia i narządów jamy brzusznej/anatomicznymi po badaniu obrazowym i ocenie EUS z powodu przewlekłej niestrawności.
|
Ekspert-endoskopista wybierze zestaw danych wideo EUS śródpiersia i jamy brzusznej (po jednym na pacjenta).
Specjalista endoskopista prawidłowo zidentyfikuje lub wykona wizualizację następujących narządów: aorta, kręgosłup kręgowy, łuk aorty, tchawica, okienko AP, nerka lewa, wątroba, śledziona, trzon trzustki, ogon trzustki, pień trzewny, tętnica śledzionowa, żyła śledzionowa, żyła dolna żyła główna, nadnercza, nerka prawa, pęcherzyk żółciowy, przewód żółciowy wspólny, brodawka Vatera, żyła wrotna.
Wykorzystując ten sam poprzedni zestaw danych wideo EUS śródpiersia i jamy brzusznej, model EUS-AI rozpozna następujące narządy: aorta, kręgosłup kręgowy, łuk aorty, tchawica, okno AP, lewa nerka, wątroba, śledziona, trzon trzustki, ogon trzustki, celiakia tułowia, tętnicy śledzionowej, żyły śledzionowej, żyły głównej dolnej, nadnercza, nerki prawej, pęcherzyka żółciowego, przewodu żółciowego wspólnego, brodawki Vatera, żyły wrotnej.
Biorąc pod uwagę każdego pacjenta (a nie filmy z ramkami danych) jako jednostkę badawczą, zostanie zaprojektowana tabela awaryjności dla każdego narządu śródpiersia i jamy brzusznej/zwężenia anatomicznego.
|
Co mierzy badanie?
Podstawowe miary wyniku
Miara wyniku |
Opis środka |
Ramy czasowe |
|---|---|---|
|
Ogólna dokładność modelu sztucznej inteligencji (AI) ultrasonografii endoskopowej (EUS) do identyfikacji normalnych zwężeń/zwężeń anatomicznych w śródpiersiu i narządach jamy brzusznej
Ramy czasowe: Trzy miesiące
|
Zostaną obliczone ogólne cechy dokładności: czułość, swoistość, dodatnia wartość predykcyjna, ujemna wartość predykcyjna, dokładność diagnostyczna i obserwowana zgodność. Ponadto zdefiniowane zostaną następujące prawdopodobieństwa:
|
Trzy miesiące
|
Współpracownicy i badacze
Śledczy
- Główny śledczy: Carlos Robles-Medranda, Ecuadorian Institute of Digestive Diseases
Publikacje i pomocne linki
Publikacje ogólne
- Zhang J, Zhu L, Yao L, Ding X, Chen D, Wu H, Lu Z, Zhou W, Zhang L, An P, Xu B, Tan W, Hu S, Cheng F, Yu H. Deep learning-based pancreas segmentation and station recognition system in EUS: development and validation of a useful training tool (with video). Gastrointest Endosc. 2020 Oct;92(4):874-885.e3. doi: 10.1016/j.gie.2020.04.071. Epub 2020 May 6. Erratum In: Gastrointest Endosc. 2021 Mar;93(3):781.
- Kuwahara T, Hara K, Mizuno N, Haba S, Okuno N, Koda H, Miyano A, Fumihara D. Current status of artificial intelligence analysis for endoscopic ultrasonography. Dig Endosc. 2021 Jan;33(2):298-305. doi: 10.1111/den.13880. Epub 2020 Dec 5. Review.
- Robles-Medranda C, Oleas R, Del Valle R, Mendez JC, Alcívar-Vásquez JM, Puga-Tejada M, Lukashok H. Intelligence for real-time anatomical recognition during endoscopic ultrasound evaluation: a pilot study. Gastrointestinal Endoscopy. 2021; 93(6), AB221. https://doi.org/10.1016/J.GIE.2021.03.491
- Udriștoiu AL, Cazacu IM, Gruionu LG, Gruionu G, Iacob AV, Burtea DE, Ungureanu BS, Costache MI, Constantin A, Popescu CF, Udriștoiu Ș, Săftoiu A. Real-time computer-aided diagnosis of focal pancreatic masses from endoscopic ultrasound imaging based on a hybrid convolutional and long short-term memory neural network model. PLoS One. 2021 Jun 28;16(6):e0251701. doi: 10.1371/journal.pone.0251701. eCollection 2021.
- Yao L, Zhang J, Liu J, Zhu L, Ding X, Chen D, Wu H, Lu Z, Zhou W, Zhang L, Xu B, Hu S, Zheng B, Yang Y, Yu H. A deep learning-based system for bile duct annotation and station recognition in linear endoscopic ultrasound. EBioMedicine. 2021 Mar;65:103238. doi: 10.1016/j.ebiom.2021.103238. Epub 2021 Feb 24. Erratum in: EBioMedicine. 2021 Nov;73:103650.
- Tonozuka R, Mukai S, Itoi T. The Role of Artificial Intelligence in Endoscopic Ultrasound for Pancreatic Disorders. Diagnostics (Basel). 2020 Dec 24;11(1). pii: E18. doi: 10.3390/diagnostics11010018. Review.
- Marya NB, Powers PD, Chari ST, Gleeson FC, Leggett CL, Abu Dayyeh BK, Chandrasekhara V, Iyer PG, Majumder S, Pearson RK, Petersen BT, Rajan E, Sawas T, Storm AC, Vege SS, Chen S, Long Z, Hough DM, Mara K, Levy MJ. Utilisation of artificial intelligence for the development of an EUS-convolutional neural network model trained to enhance the diagnosis of autoimmune pancreatitis. Gut. 2021 Jul;70(7):1335-1344. doi: 10.1136/gutjnl-2020-322821. Epub 2020 Oct 7.
- Minoda Y, Ihara E, Komori K, Ogino H, Otsuka Y, Chinen T, Tsuda Y, Ando K, Yamamoto H, Ogawa Y. Efficacy of endoscopic ultrasound with artificial intelligence for the diagnosis of gastrointestinal stromal tumors. J Gastroenterol. 2020 Dec;55(12):1119-1126. doi: 10.1007/s00535-020-01725-4. Epub 2020 Sep 11.
- Cazacu IM, Udristoiu A, Gruionu LG, Iacob A, Gruionu G, Saftoiu A. Artificial intelligence in pancreatic cancer: Toward precision diagnosis. Endosc Ultrasound. 2019 Nov-Dec;8(6):357-359. doi: 10.4103/eus.eus_76_19.
Daty zapisu na studia
Główne daty studiów
Rozpoczęcie studiów (Rzeczywisty)
Zakończenie podstawowe (Oczekiwany)
Ukończenie studiów (Oczekiwany)
Daty rejestracji na studia
Pierwszy przesłany
Pierwszy przesłany, który spełnia kryteria kontroli jakości
Pierwszy wysłany (Rzeczywisty)
Aktualizacje rekordów badań
Ostatnia wysłana aktualizacja (Rzeczywisty)
Ostatnia przesłana aktualizacja, która spełniała kryteria kontroli jakości
Ostatnia weryfikacja
Więcej informacji
Terminy związane z tym badaniem
Słowa kluczowe
Dodatkowe istotne warunki MeSH
Inne numery identyfikacyjne badania
- IECED-26112021
Plan dla danych uczestnika indywidualnego (IPD)
Planujesz udostępniać dane poszczególnych uczestników (IPD)?
Informacje o lekach i urządzeniach, dokumenty badawcze
Bada produkt leczniczy regulowany przez amerykańską FDA
Bada produkt urządzenia regulowany przez amerykańską FDA
produkt wyprodukowany i wyeksportowany z USA
Te informacje zostały pobrane bezpośrednio ze strony internetowej clinicaltrials.gov bez żadnych zmian. Jeśli chcesz zmienić, usunąć lub zaktualizować dane swojego badania, skontaktuj się z register@clinicaltrials.gov. Gdy tylko zmiana zostanie wprowadzona na stronie clinicaltrials.gov, zostanie ona automatycznie zaktualizowana również na naszej stronie internetowej .