Transfer uczenia się sieci neuronowej do robotycznej oceny chirurgicznej
24 września 2024 zaktualizowane przez: Nasseh Hashemi, Aalborg University
Transfer uczenia się wstępnie przeszkolonej przedklinicznej sieci neuronowej do robotycznej oceny chirurgicznej na ograniczonych danych klinicznych
Celem tego badania obserwacyjnego jest zbadanie, w jaki sposób wstępnie wyszkolone modele sztucznej inteligencji (AI), wytrenowane na danych przedklinicznych, mogą poprawić dokładność rozpoznawania działań i oceny umiejętności w chirurgii wspomaganej robotem (RAS) u pacjentów urologicznych poprzez wykorzystanie uczenia transferowego . Główne pytania, na które ma odpowiedzieć, to:
- Czy wstępnie wyszkolone modele sztucznej inteligencji mogą dokładnie oceniać rozpoznawanie działań i ocenę umiejętności w chirurgii klinicznej?
- W jaki sposób różne podejścia szkoleniowe do uczenia się transferowego wpływają na wydajność modeli sztucznej inteligencji? Model bazowy opracowany od podstaw na podstawie danych klinicznych zostanie porównany z wstępnie wyszkolonymi modelami, które (1) są bezpośrednio stosowane do danych klinicznych, (2) są dopracowywane poprzez uczenie tylko niektórych warstw modelu AI oraz (3) są w pełni przeszkolone, aby sprawdzić, czy podejścia te poprawiają wydajność.
Uczestnicy będący chirurgami-robotami będą:
- Poddawać pacjentów procedurom RAS bez interwencji, podczas których zbierane będą dane wideo w celu późniejszego rozpoznania działań i oceny umiejętności.
- Weź udział w szkoleniu i ocenie modeli poprzez integrację klinicznych zbiorów danych.
Przegląd badań
Typ studiów
Obserwacyjny
Zapisy (Rzeczywisty)
5
Kontakty i lokalizacje
Ta sekcja zawiera dane kontaktowe osób prowadzących badanie oraz informacje o tym, gdzie badanie jest przeprowadzane.
Lokalizacje studiów
-
-
North Jutland
-
Aalborg, North Jutland, Dania, 9000
- Department of Urology, Aalborg University Hospital
-
-
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
- Dorosły
- Starszy dorosły
Akceptuje zdrowych ochotników
Tak
Metoda próbkowania
Próbka bez prawdopodobieństwa
Badana populacja
Badana populacja składała się z chirurgów robotów, którzy byli albo doświadczeni, albo nowicjuszami (będąc lekarzami specjalistami przechodzącymi staż chirurgiczny, aby zostać chirurgami robotami).
Wszystkie zabiegi wykonywane przy pomocy robota na pacjentach przyjętych na leczenie na oddziale urologicznym. Pacjenci wyrazili także zgodę na gromadzenie danych. Jednak prawdziwym uczestnikiem są chirurdzy-roboty.
Opis
Kryteria włączenia:
- Chirurdzy-roboty, którzy mają doświadczenie w ponad 100 przypadkach.
- Roboty-chirurgiczni stypendyści z mniej niż 100 przypadkami.
- Chirurdzy-roboty, którzy pracowali na oddziale urologicznym Szpitala Uniwersyteckiego w Aalborgu.
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 |
|---|---|
|
Doświadczeni chirurdzy-roboty
Chirurdzy-roboty, którzy przeprowadzili 100 lub więcej operacji chirurgicznych za pomocą robota.
|
Było to badanie obserwacyjne bez interwencji.
|
|
Początkujący chirurdzy-roboty
Chirurdzy-roboty, którzy wykonali mniej niż 100 operacji chirurgicznych przy użyciu robota.
|
Było to badanie obserwacyjne bez interwencji.
|
Co mierzy badanie?
Podstawowe miary wyniku
Miara wyniku |
Opis środka |
Ramy czasowe |
|---|---|---|
|
Dokładność rozpoznawania działań na podstawie danych klinicznych od podstaw
Ramy czasowe: Od początku do końca zabiegu chirurgicznego z użyciem robota ocenianego pod kątem rozpoznawania działań.
|
Dokładność algorytmu głębokiego uczenia się do rozpoznawania działań, podczas uczenia modelu od podstaw z wykorzystaniem danych klinicznych z zabiegów chirurgicznych robotów.
|
Od początku do końca zabiegu chirurgicznego z użyciem robota ocenianego pod kątem rozpoznawania działań.
|
|
Trafność oceny umiejętności na podstawie danych klinicznych od podstaw
Ramy czasowe: Od początku do końca zabiegu chirurgicznego z użyciem robota ocenianego pod kątem rozpoznawania działań.
|
Dokładność algorytmu głębokiego uczenia się do oceny umiejętności podczas uczenia modelu od podstaw z wykorzystaniem danych klinicznych z zabiegów chirurgicznych robotów.
|
Od początku do końca zabiegu chirurgicznego z użyciem robota ocenianego pod kątem rozpoznawania działań.
|
|
Dokładność rozpoznawania działań przy użyciu wstępnie wyszkolonej sieci bezpośrednio na danych klinicznych
Ramy czasowe: Od początku do końca zabiegu chirurgicznego z użyciem robota ocenianego pod kątem rozpoznawania działań.
|
Dokładność wstępnie wytrenowanego algorytmu głębokiego uczenia się do rozpoznawania działań przy wykorzystaniu modelu bezpośrednio na danych klinicznych z zabiegów chirurgicznych robotów.
|
Od początku do końca zabiegu chirurgicznego z użyciem robota ocenianego pod kątem rozpoznawania działań.
|
|
Dokładność oceny umiejętności przy użyciu wytrenowanego modelu bezpośrednio na danych klinicznych
Ramy czasowe: Od początku do końca zabiegu chirurgicznego z użyciem robota ocenianego pod kątem umiejętności.
|
Dokładność wytrenowanego algorytmu głębokiego uczenia się do oceny umiejętności, przy wykorzystaniu modelu bezpośrednio na danych klinicznych z zabiegów chirurgicznych robotów.
|
Od początku do końca zabiegu chirurgicznego z użyciem robota ocenianego pod kątem umiejętności.
|
|
K-krotna dokładność rozpoznawania działań i oceny umiejętności w celu pełnego przekwalifikowania wstępnie przeszkolonej sieci.
Ramy czasowe: Od początku do końca procedur klinicznych.
|
K-krotna dokładność krzyżowej walidacji podczas ponownego szkolenia kompletnego, wstępnie wytrenowanego modelu na danych klinicznych, zarówno w celu rozpoznawania działań, jak i oceny umiejętności.
|
Od początku do końca procedur klinicznych.
|
|
K-krotna dokładność rozpoznawania działań i oceny umiejętności w przypadku częściowego przekwalifikowania wstępnie przeszkolonej sieci.
Ramy czasowe: Od początku do końca procedur klinicznych.
|
K-krotna dokładność krzyżowej walidacji rozpoznawania działań i oceny umiejętności na potrzeby przekwalifikowania LSTM i gęstych warstw wstępnie przeszkolonej sieci z wykorzystaniem danych klinicznych.
|
Od początku do końca procedur klinicznych.
|
Miary wyników drugorzędnych
Miara wyniku |
Opis środka |
Ramy czasowe |
|---|---|---|
|
Ważona pamięć/czułość, precyzja i wynik F1 do rozpoznawania działań sieci klinicznej przeszkolonej od podstaw
Ramy czasowe: Od początku do końca zabiegu chirurgicznego z użyciem robota ocenianego pod kątem rozpoznawania działań.
|
Na podstawie wykonania rozpoznawania działań z sieci klinicznej przeszkolonej od podstaw.
|
Od początku do końca zabiegu chirurgicznego z użyciem robota ocenianego pod kątem rozpoznawania działań.
|
|
Ważona pamięć/czułość, precyzja i wynik F1 w ocenie umiejętności sieci klinicznej przeszkolonej od podstaw
Ramy czasowe: Od początku do końca zabiegu operacyjnego z użyciem robota, który jest oceniany pod kątem oceny umiejętności.
|
Na podstawie oceny umiejętności przeszkolonej od podstaw sieci klinicznej.
|
Od początku do końca zabiegu operacyjnego z użyciem robota, który jest oceniany pod kątem oceny umiejętności.
|
|
Predykcyjna pewność rozpoznawania działań i oceny umiejętności sieci przeszkolonej od podstaw na danych klinicznych.
Ramy czasowe: Od początku do końca procedur klinicznych.
|
Pewność przewidywania z ogólną średnią, minimum i maksimum oraz przedstawiona na wykresach prawdopodobieństwa do rozpoznawania działań i oceny umiejętności sieci przeszkolonej od podstaw na podstawie danych klinicznych.
|
Od początku do końca procedur klinicznych.
|
|
Predykcyjna pewność rozpoznania działań i oceny umiejętności sieci częściowo przeszkolonej.
Ramy czasowe: Od początku do końca procedur klinicznych.
|
Pewność przewidywania z ogólną średnią, minimum i maksimum oraz przedstawiona na wykresach prawdopodobieństwa dla rozpoznawania działań i oceny umiejętności częściowo przeszkolonej sieci, gdzie na danych klinicznych trenowano tylko LSTM i głębokie warstwy sieci.
|
Od początku do końca procedur klinicznych.
|
Współpracownicy i badacze
Tutaj znajdziesz osoby i organizacje zaangażowane w to badanie.
Sponsor
Publikacje i pomocne linki
Osoba odpowiedzialna za wprowadzenie informacji o badaniu dobrowolnie udostępnia te publikacje. Mogą one dotyczyć wszystkiego, co jest związane z badaniem.
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)
22 maja 2023
Zakończenie podstawowe (Rzeczywisty)
26 maja 2023
Ukończenie studiów (Rzeczywisty)
26 maja 2023
Daty rejestracji na studia
Pierwszy przesłany
22 września 2024
Pierwszy przesłany, który spełnia kryteria kontroli jakości
22 września 2024
Pierwszy wysłany (Rzeczywisty)
25 września 2024
Aktualizacje rekordów badań
Ostatnia wysłana aktualizacja (Rzeczywisty)
26 września 2024
Ostatnia przesłana aktualizacja, która spełniała kryteria kontroli jakości
24 września 2024
Ostatnia weryfikacja
1 września 2024
Więcej informacji
Terminy związane z tym badaniem
Słowa kluczowe
Inne numery identyfikacyjne badania
- 2021-247
Plan dla danych uczestnika indywidualnego (IPD)
Planujesz udostępniać dane poszczególnych uczestników (IPD)?
TAK
Opis planu IPD
Dane IPD będą udostępniane jako dane anonimowe i zabezpieczone zgodnie z RODO na stronie internetowej o otwartym dostępie.
Dane zostaną udostępnione w postaci zanonimizowanego materiału filmowego z zabiegów chirurgicznych przeprowadzonych przez uczestników.
Ramy czasowe udostępniania IPD
IPD i informacje uzupełniające będą dostępne od chwili przesłania do czasopisma i będą dostępne przez nieograniczony czas.
Kryteria dostępu do udostępniania IPD
Każdy, kto ma dostęp do witryny GitHub o otwartym kodzie źródłowym, będzie mógł uzyskać dostęp do danych.
Każdy, kto będzie miał dostęp do czasopisma, będzie miał dostęp do dodatkowych informacji.
Typ informacji pomocniczych dotyczących udostępniania IPD
- PROTOKÓŁ BADANIA
- ANALITYCZNY_KOD
Informacje o lekach i urządzeniach, dokumenty badawcze
Bada produkt leczniczy regulowany przez amerykańską FDA
Nie
Bada produkt urządzenia regulowany przez amerykańską FDA
Nie
produkt wyprodukowany i wyeksportowany z USA
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 .