Opracowanie i walidacja modeli diagnostycznych opartych na tomografii komputerowej wykorzystujących sztuczną inteligencję do wykrywania niedrożności jelita cienkiego (SMARTLOOP2)
Niedrożność jelita cienkiego (SBO) jest częstym nieurazowym nagłym przypadkiem chirurgicznym. Wszystkie wytyczne zalecają tomografię komputerową (CT) jako badanie obrazowe pierwszego rzutu u pacjentów z podejrzeniem SBO. Celów tomografii komputerowej jest wiele: (i) potwierdzenie lub odrzucenie rozpoznania niedrożności przewodu pokarmowego, zdefiniowanej jako rozdęcie przewodu pokarmowego większe niż 25 mm, oraz w przypadku obecności SBO, (ii) potwierdzenie mechanizmu (mechaniczny vs. czynnościowym), (iii) zlokalizować miejsce niedrożności, tj.
Biorąc pod uwagę wykładniczy wzrost liczby wykonywanych skanów, zwłaszcza w sytuacjach awaryjnych, metody wspomagające radiologa byłyby przydatne do:
- Sortuj wykonane skany, pozwalając na priorytetyzację analizy skanów z większym prawdopodobieństwem patologii (w naszym przypadku okluzja)
- Pomóż radiologowi zdiagnozować okluzję i jej rodzaj (funkcjonalna lub mechaniczna) oraz zidentyfikować oznaki jej nasilenia.
- Aby pomóc lekarzowi ratunkowemu i chirurgowi przewodu pokarmowego w podjęciu decyzji dotyczącej leczenia choroby (chirurgicznej lub medycznej).
Uczenie maszynowe rozwijało się szybko w ostatnich dziesięcioleciach, najpierw dzięki zwiększeniu pojemności pamięci masowej danych, a następnie dzięki pojawieniu się sprzętu do przetwarzania równoległego opartego na jednostkach przetwarzania graficznego w kontekście pomocy w diagnostyce radiologicznej. W związku z tym liczba badań nad głębokimi sieciami neuronowymi w obrazowaniu medycznym szybko rośnie. Jednak niewiele zespołów koncentruje się na SBO. Jedyne opublikowane modele klasyfikacyjne zostały opracowane dla standardowych radiogramów jamy brzusznej. Żadne badania nie wykorzystywały modeli CT ani modeli 3D, z wyjątkiem naszego wstępnego badania ZT, pomimo uznanych zalet CT w diagnostyce SBO i prawdopodobnego wkładu modeli 3D, który może być porównywalny z wkładem rekonstrukcji wielopłaszczyznowej w analizę obrazów w wielu płaszczyznach przestrzeni.
Przegląd badań
Status
Warunki
Typ studiów
Zapisy (Rzeczywisty)
Kontakty i lokalizacje
Lokalizacje studiów
-
-
-
Gif-sur-Yvette, Francja
- Central for Visual Computing - OPIS Inria group
-
Paris, Francja, 75014
- Groupe Hospitalier Paris Saint-Joseph
-
-
Kryteria uczestnictwa
Kryteria kwalifikacji
Wiek uprawniający do nauki
Akceptuje zdrowych ochotników
Płeć kwalifikująca się do nauki
Metoda próbkowania
Badana populacja
Opis
Kryteria przyjęcia:
- Pacjent w wieku ≥ 18 lat
- Pacjent, u którego wykonano tomografię komputerową z co najmniej jednym przejęciem jamy brzusznej i miednicy w ramach grupy szpitalnej Saint Joseph
- Raport zawierający terminy „okluzja” lub „okluzja”, „wymioty” lub „niedrożność jelit”
- Pacjent francuskojęzyczny
Kryteria wyłączenia:
- Obrazowanie nie nadaje się do użytku
- Brak objętości jamy brzusznej i miednicy w akwizycjach CT
- Pacjent objęty kuratelą lub kuratelą
- Pacjent pozbawiony wolności
- Pacjent pod ochroną sądu
- Pacjent sprzeciwia się wykorzystaniu jego danych do tego badania
Plan studiów
Jak projektuje się badanie?
Szczegóły projektu
- Modele obserwacyjne: Kohorta
- Perspektywy czasowe: Z mocą wsteczną
Co mierzy badanie?
Podstawowe miary wyniku
Miara wyniku |
Opis środka |
Ramy czasowe |
|---|---|---|
|
Automatyczne wykrywanie niedrożności przewodu pokarmowego
Ramy czasowe: 1 rok
|
Ten wynik odpowiada zdolności modelu do identyfikacji obecności lub braku okluzji: czułości, swoistości i wartości predykcyjnych.
|
1 rok
|
Miary wyników drugorzędnych
Miara wyniku |
Opis środka |
Ramy czasowe |
|---|---|---|
|
Automatyczne różnicowanie okluzji funkcjonalnych i mechanicznych
Ramy czasowe: 1 rok
|
Wynik ten odpowiada wykrywaniu okluzji funkcjonalnych i mechanicznych.
|
1 rok
|
|
Algorytm wskazań chirurgicznych
Ramy czasowe: 1 rok
|
Wynik ten odpowiada wydajności algorytmu kliniczno-radiobiologicznego do przewidywania operacji.
|
1 rok
|
|
Analiza za pomocą radiomiki stref połączeń
Ramy czasowe: 1 rok
|
Ten wynik odpowiada analizie za pomocą radiomiki stref połączeń mechanicznych niedrożności przewodu pokarmowego (strefy połączeń to strefy, w których znajduje się przejście dylatacyjne-płaskie, a więc strefa, w której znajduje się niedrożność):
|
1 rok
|
|
Automatyczne wykrywanie obszarów skrzyżowań
Ramy czasowe: 1 rok
|
Wynik ten odpowiada wydajności automatycznego wykrywania w identyfikowaniu stref połączeń mechanicznych niedrożności przewodu pokarmowego.
|
1 rok
|
Współpracownicy i badacze
Śledczy
- Główny śledczy: Quentin Vanderbecq, MD, Groupe hospitalier Paris saint Joseph
Publikacje i pomocne linki
Publikacje ogólne
- Ten Broek RPG, Krielen P, Di Saverio S, Coccolini F, Biffl WL, Ansaloni L, Velmahos GC, Sartelli M, Fraga GP, Kelly MD, Moore FA, Peitzman AB, Leppaniemi A, Moore EE, Jeekel J, Kluger Y, Sugrue M, Balogh ZJ, Bendinelli C, Civil I, Coimbra R, De Moya M, Ferrada P, Inaba K, Ivatury R, Latifi R, Kashuk JL, Kirkpatrick AW, Maier R, Rizoli S, Sakakushev B, Scalea T, Soreide K, Weber D, Wani I, Abu-Zidan FM, De'Angelis N, Piscioneri F, Galante JM, Catena F, van Goor H. Bologna guidelines for diagnosis and management of adhesive small bowel obstruction (ASBO): 2017 update of the evidence-based guidelines from the world society of emergency surgery ASBO working group. World J Emerg Surg. 2018 Jun 19;13:24. doi: 10.1186/s13017-018-0185-2. eCollection 2018.
- Expert Panel on Gastrointestinal Imaging, Chang KJ, Marin D, Kim DH, Fowler KJ, Camacho MA, Cash BD, Garcia EM, Hatten BW, Kambadakone AR, Levy AD, Liu PS, Moreno C, Peterson CM, Pietryga JA, Siegel A, Weinstein S, Carucci LR. ACR Appropriateness Criteria(R) Suspected Small-Bowel Obstruction. J Am Coll Radiol. 2020 May;17(5S):S305-S314. doi: 10.1016/j.jacr.2020.01.025.
- Frager D, Medwid SW, Baer JW, Mollinelli B, Friedman M. CT of small-bowel obstruction: value in establishing the diagnosis and determining the degree and cause. AJR Am J Roentgenol. 1994 Jan;162(1):37-41. doi: 10.2214/ajr.162.1.8273686.
- Montagnon E, Cerny M, Cadrin-Chenevert A, Hamilton V, Derennes T, Ilinca A, Vandenbroucke-Menu F, Turcotte S, Kadoury S, Tang A. Deep learning workflow in radiology: a primer. Insights Imaging. 2020 Feb 10;11(1):22. doi: 10.1186/s13244-019-0832-5.
- Cheng PM, Tejura TK, Tran KN, Whang G. Detection of high-grade small bowel obstruction on conventional radiography with convolutional neural networks. Abdom Radiol (NY). 2018 May;43(5):1120-1127. doi: 10.1007/s00261-017-1294-1.
- Kim DH, Wit H, Thurston M, Long M, Maskell GF, Strugnell MJ, Shetty D, Smith IM, Hollings NP. An artificial intelligence deep learning model for identification of small bowel obstruction on plain abdominal radiographs. Br J Radiol. 2021 Jun 1;94(1122):20201407. doi: 10.1259/bjr.20201407. Epub 2021 Apr 27.
- Vanderbecq Q, Ardon R, De Reviers A, Ruppli C, Dallongeville A, Boulay-Coletta I, D'Assignies G, Zins M. Adhesion-related small bowel obstruction: deep learning for automatic transition-zone detection by CT. Insights Imaging. 2022 Jan 24;13(1):13. doi: 10.1186/s13244-021-01150-y.
- Hodel J, Zins M, Desmottes L, Boulay-Coletta I, Julles MC, Nakache JP, Rodallec M. Location of the transition zone in CT of small-bowel obstruction: added value of multiplanar reformations. Abdom Imaging. 2009 Jan-Feb;34(1):35-41. doi: 10.1007/s00261-007-9348-4.
Daty zapisu na studia
Główne daty studiów
Rozpoczęcie studiów (Rzeczywisty)
Zakończenie podstawowe (Rzeczywisty)
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
Dodatkowe istotne warunki MeSH
Inne numery identyfikacyjne badania
- SMARTLOOP2
Informacje o lekach i urządzeniach, dokumenty badawcze
Bada produkt leczniczy regulowany przez amerykańską FDA
Bada produkt urządzenia regulowany przez amerykańską FDA
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 .