Sztuczna inteligencja oparta na głębokim uczeniu się w diagnostyce niedrożności jelita cienkiego
Badanie wykorzystujące sztuczną inteligencję opartą na głębokim uczeniu się w diagnostyce niedrożności jelita cienkiego
Przegląd badań
Status
Interwencja / Leczenie
Szczegółowy opis
PROJEKT: To jest badanie diagnostyczne. USTAWIENIE: Opracowaliśmy technologię sztucznej inteligencji opartą na głębokim uczeniu się, aby automatycznie wyodrębniać przewód jelitowy z obrazów CT przy użyciu 5 200 obrazów CT 158 pacjentów. Obrazy CT pacjentów, którzy odwiedzili oddział ratunkowy i u których podejrzewano niedrożność jelita cienkiego w okresie od 6 czerwca do 26 lipca 2018 r., uzyskano z dwóch ośrodków referencyjnych trzeciego stopnia, które wykorzystano jako próbki do badań. Analizę danych zakończono w grudniu 2023 r.
UCZESTNICY: W badaniu uczestniczyli rezydenci i chirurdzy. INTERWENCJE: Rezydenci i chirurdzy zostali podzieleni na dwie grupy: jedna grupa czytała przy użyciu technologii AI, a druga grupa czytała bez technologii AI.
GŁÓWNE WYNIKI I ŚRODKI: Uczestnicy wskazali, czy występuje niedrożność jelita cienkiego i gdzie znajduje się niedrożność. Zliczano także czas na diagnozę. Zastosowaliśmy hierarchiczny model bayesowski.
Typ studiów
Zapisy (Rzeczywisty)
Kontakty i lokalizacje
Lokalizacje studiów
-
-
Aichi
-
Nagoya, Aichi, Japonia, 4668560
- Nagoya University Graduate School of Medicine
-
-
Kryteria uczestnictwa
Kryteria kwalifikacji
Wiek uprawniający do nauki
- Dziecko
- Dorosły
- Starszy dorosły
Akceptuje zdrowych ochotników
Metoda próbkowania
Badana populacja
Opis
Kryteria przyjęcia:
- Osoby posiadające udokumentowaną zgodę
Kryteria wyłączenia:
- Osoby bez udokumentowanej zgody
Plan studiów
Jak projektuje się badanie?
Szczegóły projektu
Kohorty i interwencje
Grupa / Kohorta |
Interwencja / Leczenie |
|---|---|
|
Grupa AI
Uczestnicy odczytują obrazy CT za pomocą sztucznej inteligencji.
|
AI wyodrębnia obszar jelit i rekonstruuje go na obraz 3D.
|
|
Grupa ręczna
Uczestnicy czytają obrazy CT bez sztucznej inteligencji
|
Co mierzy badanie?
Podstawowe miary wyniku
Miara wyniku |
Opis środka |
Ramy czasowe |
|---|---|---|
|
Diagnostyka miejsca niedrożności
Ramy czasowe: Wrzesień 2024
|
Dokładność diagnozy miejsca niedrożności
|
Wrzesień 2024
|
Współpracownicy i badacze
Sponsor
Śledczy
- Krzesło do nauki: Hieoo Uchida, PhD., Nagoya University Graduate School of Medicine, Pediatric Surgery
Daty zapisu na studia
Główne daty studiów
Rozpoczęcie studiów (Rzeczywisty)
Zakończenie podstawowe (Rzeczywisty)
Ukończenie studiów (Szacowany)
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
- 2022-0188
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 .