Sztuczna inteligencja a identyfikacja endoskopisty w anatomii normalnej EUS
Porównawcza ocena sztucznej inteligencji i dokładności endoskopistów w ultrasonografii endoskopowej w celu identyfikacji prawidłowych struktur anatomicznych: wieloinstytucjonalne badanie przekrojowe
Wrażenie wzrokowe w ultrasonografii endoskopowej (EUS) zależy od operatora i może utrudniać dokładność diagnostyki, zwłaszcza u mniej doświadczonych endoskopistów. Wdrożenie sztucznej inteligencji może potencjalnie złagodzić zależność operatora i zmienność interpretacji, pomagając lub poprawiając ogólną dokładność.
Celem badaczy jest zatem porównanie dokładności diagnostycznej modelu opartego na sztucznej inteligencji (AI) i endoskopisty podczas identyfikacji normalnych struktur anatomicznych w zabiegach EUS.
Przegląd badań
Status
Warunki
Interwencja / Leczenie
Szczegółowy opis
EUS to procedura zależna od operatora, w której dokładność zależy od doświadczenia i umiejętności. Obecnie szkolenie EUS można osiągnąć poprzez formalne staże w ośrodku trwające 6–24 miesięcy lub nieformalne szkolenie w formie sesji dydaktycznych z krótkim doświadczeniem praktycznym. Jednakże parametry prawidłowego i pełnego pomiaru doświadczenia edukacyjnego nie zostały jeszcze zdefiniowane. Wdrożenie sztucznej inteligencji w EUS może potencjalnie złagodzić zmienną zależną od operatora i poprawić dokładność diagnostyczną.
Dlatego też wykrywanie normalnych struktur anatomicznych na odrębnych zasadach przy użyciu modelu opartego na sztucznej inteligencji, przy pomocy ekspertów i nie-ekspertów-endoskopistów w celu ustalenia, gdzie sztuczna inteligencja byłaby najbardziej pomocna.
Celem badaczy jest porównanie dokładności diagnostycznej modelu opartego na sztucznej inteligencji z identyfikacją przez endoskopistę prawidłowych struktur anatomicznych w badaniach EUS.
Typ studiów
Zapisy (Rzeczywisty)
Kontakty i lokalizacje
Lokalizacje studiów
-
-
Guayas
-
Guayaquil, Guayas, Ekwador, 090505
- IECED
-
-
Kryteria uczestnictwa
Kryteria kwalifikacji
Wiek uprawniający do nauki
- Dorosły
- Starszy dorosły
Akceptuje zdrowych ochotników
Metoda próbkowania
Badana populacja
Opis
Kryteria przyjęcia:
- Eksperci-endoskopiści EUS przewodu pokarmowego.
- Szkolenie nieprofesjonalistów z zakresu endoskopii przewodu pokarmowego w zakresie EUS.
- Pacjenci z przewlekłą niestrawnością bez innych objawów.
- Pacjenci, u których wykonano wcześniej zdjęcia CT lub endoskopię górnego odcinka przewodu pokarmowego, nie zgłaszali żadnych innych wyników.
- Pacjenci wymagający obserwacji EUS ze względu na historię raka trzustki w rodzinie, bez zmian w badaniu MRI.
Kryteria wyłączenia:
- Połączenie internetowe mniejsze niż 100 MB na sekundę.
- Pacjenci z nieprawidłowymi strukturami lub widocznymi zmianami.
Plan studiów
Jak projektuje się badanie?
Szczegóły projektu
Kohorty i interwencje
Grupa / Kohorta |
Interwencja / Leczenie |
|---|---|
|
Model oparty na sztucznej inteligencji
Konwolucyjna sieć neuronowa AIWorks-EUS wersja 2 (CNNv2) (mdconsgroup, Guayaquil, Ekwador) zastosowana na nagranych wcześniej filmach w celu wykrywania normalnych struktur anatomicznych.
|
Nagrane wcześniej filmy, przycięte według różnych okien (śródpiersia, żołądka, dwunastnicy) zostaną przeanalizowane przez model AIWorks-EUS i endoskopistów w różnym czasie w celu rozpoznania różnych normalnych struktur anatomicznych.
|
|
Eksperci-endoskopiści
Endoskopiści wykonujący >190 zabiegów EUS rocznie, w tym po 75 zabiegów oceny stopnia zaawansowania raka trzustki i dróg żółciowych oraz błony śluzowej, 40 przypadków raka podnabłonkowego; oraz 50 przypadków aspiracji cienkoigłowej EUS (FNA) (25 z nich to przypadki trzustki); zgodnie z zaleceniami Amerykańskiego Towarzystwa Endoskopii Gastrointestinal Endoskopii (ASGE).
|
Nagrane wcześniej filmy, przycięte według różnych okien (śródpiersia, żołądka, dwunastnicy) zostaną przeanalizowane przez model AIWorks-EUS i endoskopistów w różnym czasie w celu rozpoznania różnych normalnych struktur anatomicznych.
|
|
Endoskopiści niebędący ekspertami
Endoskopiści wykonujący <190 zabiegów EUS rocznie, w tym po 75 zabiegów oceny stopnia zaawansowania raka trzustki i dróg żółciowych oraz błony śluzowej, 40 przypadków raka podnabłonkowego; i 50 przypadków EUS-FNA (25 z nich to przypadki trzustki); zgodnie z zaleceniami Amerykańskiego Towarzystwa Endoskopii Gastrointestinal Endoskopii (ASGE).
|
Nagrane wcześniej filmy, przycięte według różnych okien (śródpiersia, żołądka, dwunastnicy) zostaną przeanalizowane przez model AIWorks-EUS i endoskopistów w różnym czasie w celu rozpoznania różnych normalnych struktur anatomicznych.
|
Co mierzy badanie?
Podstawowe miary wyniku
Miara wyniku |
Opis środka |
Ramy czasowe |
|---|---|---|
|
Dokładność diagnostyczna
Ramy czasowe: 5 miesięcy
|
Prawdziwie dodatni, prawdziwie ujemny, fałszywie dodatni i fałszywie ujemny w oparciu o wykrywanie struktur anatomicznych, według zewnętrznego eksperta-endoskopisty, jako złoty standard.
|
5 miesięcy
|
Miary wyników drugorzędnych
Miara wyniku |
Opis środka |
Ramy czasowe |
|---|---|---|
|
Umowa między obserwatorami
Ramy czasowe: 5 miesięcy
|
Porównanie dokładności diagnostycznej modelu opartego na sztucznej inteligencji (AI) i obu grup (ekspertów i nie-ekspertów endoskopistów) korzystających z Fleiss Kappa.
|
5 miesięcy
|
Współpracownicy i badacze
Współpracownicy
Śledczy
- Główny śledczy: Carlos Robles-Medranda, MD FASGE, Instituto Ecuatoriano de Enfermedades Digestivas (IECED)
Publikacje i pomocne linki
Publikacje ogólne
- Han C, Nie C, Shen X, Xu T, Liu J, Ding Z, Hou X. Exploration of an effective training system for the diagnosis of pancreatobiliary diseases with EUS: A prospective study. Endosc Ultrasound. 2020 Sep-Oct;9(5):308-318. doi: 10.4103/eus.eus_47_20.
- Cho CM. Training in Endoscopy: Endoscopic Ultrasound. Clin Endosc. 2017 Jul;50(4):340-344. doi: 10.5946/ce.2017.067. Epub 2017 Jul 31.
- Finocchiaro M, Cortegoso Valdivia P, Hernansanz A, Marino N, Amram D, Casals A, Menciassi A, Marlicz W, Ciuti G, Koulaouzidis A. Training Simulators for Gastrointestinal Endoscopy: Current and Future Perspectives. Cancers (Basel). 2021 Mar 20;13(6):1427. doi: 10.3390/cancers13061427.
- Robles-Medranda C, Baquerizo-Burgos J, Puga-Tejada M, Del Valle R, Mendez JC, Egas-Izquierdo M, Arevalo-Mora M, Cunto D, Alcivar-Vasquez J, Pitanga-Lukashok H, Tabacelia D. Development of convolutional neural network models that recognize normal anatomic structures during real-time radial-array and linear-array EUS (with videos). Gastrointest Endosc. 2024 Feb;99(2):271-279.e2. doi: 10.1016/j.gie.2023.10.028. Epub 2023 Oct 10.
Daty zapisu na studia
Główne daty studiów
Rozpoczęcie studiów (Rzeczywisty)
Zakończenie podstawowe (Rzeczywisty)
Ukończenie studiów (Rzeczywisty)
Daty rejestracji na studia
Pierwszy przesłany
Pierwszy przesłany, który spełnia kryteria kontroli jakości
Pierwszy wysłany (Szacowany)
Aktualizacje rekordów badań
Ostatnia wysłana aktualizacja (Szacowany)
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-12345
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
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 .