Ta strona została przetłumaczona automatycznie i dokładność tłumaczenia nie jest gwarantowana. Proszę odnieść się do angielska wersja za tekst źródłowy.

Sztuczna inteligencja w EUS w diagnostyce litych zmian trzustkowych

2 kwietnia 2024 zaktualizowane przez: Bin Cheng, Huazhong University of Science and Technology

Wykorzystanie sztucznej inteligencji do opracowania modelu sieci neuronowej splotu EUS wyszkolonego do różnicowania raka trzustki od innych litych zmian chorobowych trzustki

Naszym celem jest opracowanie modelu EUS-AI, który może ułatwić diagnozę kliniczną poprzez analizę zdjęć EUS i parametrów klinicznych pacjentów.

Przegląd badań

Status

Zakończony

Warunki

Interwencja / Leczenie

Szczegółowy opis

EUS jest uważana za metodę bardziej czułą niż tomografia komputerowa w wykrywaniu litych zmian w trzustce ze względu na wysoką rozdzielczość przestrzenną. Skuteczność diagnostyki zależy jednak w dużej mierze od doświadczenia i możliwości technicznych lekarzy. Dlatego naszym celem jest opracowanie obiektywnego modelu diagnostycznego EUS opartego na konwolucyjnej sieci neuronowej, technice sztucznej inteligencji. Ponadto do tego modelu sztucznej inteligencji dodano parametry kliniczne, takie jak czynniki ryzyka, biomarkery guza i wyniki radiologii, aby naśladować rzeczywiste procedury diagnostyki klinicznej i zwiększyć wydajność tego modelu.

Typ studiów

Obserwacyjny

Zapisy (Rzeczywisty)

130

Kontakty i lokalizacje

Ta sekcja zawiera dane kontaktowe osób prowadzących badanie oraz informacje o tym, gdzie badanie jest przeprowadzane.

Lokalizacje studiów

  • Chiny
    • Hubei
      • Wuhan, Hubei, Chiny, 430030
        • Tongji Hospital, Tongji Medical College, Huazhong University of Science and Technology

Kryteria uczestnictwa

Badacze szukają osób, które pasują do określonego opisu, zwanego kryteriami kwalifikacyjnymi. Niektóre przykłady tych kryteriów to ogólny stan zdrowia danej osoby lub wcześniejsze leczenie.

Kryteria kwalifikacji

Wiek uprawniający do nauki

18 lat i starsze (Dorosły, Starszy dorosły)

Akceptuje zdrowych ochotników

Nie

Metoda próbkowania

Próbka bez prawdopodobieństwa

Badana populacja

Kohorta zostanie wybrana ze szpitala Tongji, Tongji Medical College, HUST.

Opis

Kryteria przyjęcia:

  • Pacjenci, którzy przeszli EUS przy użyciu echoendoskopu z zakrzywionymi liniami (GF-UCT260; Olympus Medical Systems) od 2014 roku w naszej afiliacji.
  • Dla każdego pacjenta dołączone są wszystkie dostępne natywne zdjęcia EUS.
  • Diagnoza pacjentów jest potwierdzona wynikami chirurgicznymi lub wynikami aspiracji cienkoigłowej (BAC) i ma zgodny przebieg kliniczny z okresem obserwacji dłuższym niż 6 miesięcy.

Kryteria wyłączenia:

  • Obraz jest słabej jakości.
  • Obrazy zawierają unikalne znaki, które mogą potencjalnie zniekształcić model, takie jak igła do biopsji.

Plan studiów

Ta sekcja zawiera szczegółowe informacje na temat planu badania, w tym sposób zaprojektowania badania i jego pomiary.

Jak projektuje się badanie?

Szczegóły projektu

Kohorty i interwencje

Grupa / Kohorta
Interwencja / Leczenie
Trzustka-EUS
Do tej kohorty włączono pacjentów od 2014 roku ze zdjęciami EUS prawidłowej trzustki lub litych zmian w trzustce.
Test diagnostyczny: Model EUS-AI
Podzbiór testowy (około 20% wszystkich pacjentów) jest zarezerwowany do ostatecznej oceny modelu EUS-AI. Parametry kliniczne i zdjęcia EUS każdego pacjenta w podzbiorze testowym zostaną wprowadzone do przeszkolonego modelu EUS-AI, a model postawi najbardziej możliwą diagnozę.

Co mierzy badanie?

Podstawowe miary wyniku

Miara wyniku
Opis środka
Ramy czasowe
Zdolność modelu do różnicowania raka trzustki od innych zmian litych trzustki
Ramy czasowe: Po zakończeniu procesu uczenia modelu EUS-AI
Analiza charakterystyki operacyjnej odbiornika (ROC), czułość, specyficzność, dokładność, dodatnia wartość predykcyjna i ujemna wartość predykcyjna zostaną wykorzystane do oceny skuteczności modelu.
Po zakończeniu procesu uczenia modelu EUS-AI

Miary wyników drugorzędnych

Miara wyniku
Opis środka
Ramy czasowe
Zdolność modelu do określenia litych zmian chorobowych trzustki, takich jak rak trzustki, CP, AIP i NET
Ramy czasowe: Po zakończeniu procesu uczenia modelu EUS-AI
Analiza charakterystyki operacyjnej odbiornika (ROC), czułość, specyficzność, dokładność, dodatnia wartość predykcyjna i ujemna wartość predykcyjna zostaną wykorzystane do oceny skuteczności modelu.
Po zakończeniu procesu uczenia modelu EUS-AI

Współpracownicy i badacze

Tutaj znajdziesz osoby i organizacje zaangażowane w to badanie.

Sponsor

Huazhong University of Science and Technology

Współpracownicy

LanZhou University
The Affiliated Nanjing Drum Tower Hospital of Nanjing University Medical School

Daty zapisu na studia

Daty te śledzą postęp w przesyłaniu rekordów badań i podsumowań wyników do ClinicalTrials.gov. Zapisy badań i zgłoszone wyniki są przeglądane przez National Library of Medicine (NLM), aby upewnić się, że spełniają określone standardy kontroli jakości, zanim zostaną opublikowane na publicznej stronie internetowej.

Główne daty studiów

Rozpoczęcie studiów (Rzeczywisty)

1 lipca 2022

Zakończenie podstawowe (Rzeczywisty)

30 czerwca 2023

Ukończenie studiów (Rzeczywisty)

24 stycznia 2024

Daty rejestracji na studia

Pierwszy przesłany

25 lipca 2022

Pierwszy przesłany, który spełnia kryteria kontroli jakości

25 lipca 2022

Pierwszy wysłany (Rzeczywisty)

27 lipca 2022

Aktualizacje rekordów badań

Ostatnia wysłana aktualizacja (Rzeczywisty)

3 kwietnia 2024

Ostatnia przesłana aktualizacja, która spełniała kryteria kontroli jakości

2 kwietnia 2024

Ostatnia weryfikacja

1 kwietnia 2024

Więcej informacji

Terminy związane z tym badaniem

Słowa kluczowe

Dodatkowe istotne warunki MeSH

Inne numery identyfikacyjne badania

  • EUS-AI 2022

Informacje o lekach i urządzeniach, dokumenty badawcze

Bada produkt leczniczy regulowany przez amerykańską FDA

Nie

Bada produkt urządzenia regulowany przez amerykańską FDA

Nie

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 .

Subskrybuj