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

Walidacja stawowej sztucznej inteligencji w diagnostyce litych zmian trzustki

22 grudnia 2024 zaktualizowane przez: Bin Cheng, Huazhong University of Science and Technology

Walidacja wielomodalnego modelu sztucznej inteligencji w diagnostyce litych zmian trzustki: prospektywne, wieloośrodkowe, randomizowane, kontrolowane badanie

Celem tego badania klinicznego jest sprawdzenie, czy multimodalny model sztucznej inteligencji (AI) może usprawnić diagnostykę litych zmian w trzustce. Główne pytania, na które ma odpowiedzieć, to:

  1. Czy model AI zwiększa skuteczność diagnostyczną endoskopistów w diagnostyce zmian litych trzustki?
  2. Czy dodanie analizy interpretowalności dodatkowo poprawia skuteczność diagnostyczną endoskopistów wspomaganych? Naukowcy porównają wyniki diagnostyczne endoskopistów z pomocą modelu sztucznej inteligencji lub bez niej.

Uczestnicy będą:

  1. Ich dane kliniczne będą gromadzone prospektywnie.
  2. Zostaną losowo przydzieleni do grupy korzystającej ze sztucznej inteligencji i grupy otrzymującej konwencjonalną diagnozę.

Przegląd badań

Status

Jeszcze nie rekrutacja

Warunki

Interwencja / Leczenie

Szczegółowy opis

Badacze opracowali wcześniej multimodalny model sztucznej inteligencji (Joint-AI) w oparciu o endoskopowe obrazy ultrasonograficzne i dane kliniczne w celu diagnozowania zmian litych trzustki. Celem tego badania jest poprawa wydajności modelu Joint-AI za pomocą prospektywnie zebranego zbioru danych i jego walidacja w drodze randomizowanego, kontrolowanego badania klinicznego.

Typ studiów

Interwencyjne

Zapisy (Szacowany)

716

Faza

  • Nie dotyczy

Kontakty i lokalizacje

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

Kontakt w sprawie studiów

Lokalizacje studiów

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

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

Nie

Opis

Kryteria włączenia:

  • Badania obrazowe (MRI, CT, B-USG) wykazują stałą masę w trzustce, która wymaga endoskopowej aspiracji/biopsji cienkoigłowej pod kontrolą USG (EUS-FNA/B) w celu wyjaśnienia charakteru zmiany u pacjentów.
  • Dostarczono pisemną zgodę

Kryteria wykluczenia:

  • Wiek poniżej 18 lat

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

  • Główny cel: Diagnostyczny
  • Przydział: Randomizowane
  • Model interwencyjny: Przydział równoległy
  • Maskowanie: Podwójnie

Broń i interwencje

Grupa uczestników / Arm
Interwencja / Leczenie
Brak interwencji: Konwencjonalna diagnoza
Endoskopiści diagnozują zmiany lite trzustki na podstawie endoskopowych obrazów ultrasonograficznych i danych klinicznych.
Eksperymentalny: Diagnostyka wspomagana sztuczną inteligencją stawów
Endoskopiści diagnozują zmiany lite trzustki na podstawie endoskopowych obrazów ultrasonograficznych, danych klinicznych i przewidywań dokonywanych przez model Joint-AI.
Test diagnostyczny: Wspomaganie modelu Joint-AI
Prognozy podane przez model Joint-AI zostaną udostępnione endoskopistom podczas ich diagnozy
Eksperymentalny: Interpretowalna diagnoza wspomagana sztuczną inteligencją
Endoskopiści diagnozują zmiany lite trzustki na podstawie endoskopowych obrazów ultrasonograficznych, danych klinicznych, przewidywań podanych przez Joint-AI oraz wyników analizy interpretowalności wykorzystywanej w celu poprawy przejrzystości procesu decyzyjnego modelu Joint-AI.
Test diagnostyczny: Pomoc interpretowalnego modelu Joint-AI
Przewidywania podane przez model Joint-AI oraz wyniki analizy interpretowalności zostaną udostępnione endoskopistom podczas ich diagnozy

Co mierzy badanie?

Podstawowe miary wyniku

Miara wyniku
Opis środka
Ramy czasowe
Wskaźnik prawidłowej klasyfikacji diagnostycznej przy pomocy Modelu Joint-AI
Ramy czasowe: Do ukończenia studiów, średnio 1 rok
Wskaźnik trafnych rozpoznań w różnicowaniu raka trzustki od innych zmian nienowotworowych, określony poprzez porównanie diagnozy endoskopowej wspomaganej modelem Joint-AI z ostateczną diagnozą histopatologiczną (standard referencyjny).
Do ukończenia studiów, średnio 1 rok
Wskaźnik prawidłowej klasyfikacji diagnostycznej przy pomocy Interpretowalnego Modelu Joint-AI
Ramy czasowe: Do ukończenia studiów, średnio 1 rok
Wskaźnik trafnych rozpoznań w różnicowaniu raka trzustki od innych zmian nienowotworowych, określony na podstawie porównania ocen endoskopisty wspomaganych modelem Interpretable Joint-AI z ostatecznym rozpoznaniem histopatologicznym (standard referencyjny)
Do ukończenia studiów, średnio 1 rok

Miary wyników drugorzędnych

Miara wyniku
Opis środka
Ramy czasowe
Wskaźnik prawidłowej klasyfikacji diagnostycznej modelu Joint-AI i interpretowalnego modelu Joint-AI
Ramy czasowe: Do ukończenia studiów, średnio 1 rok
Dokładność diagnostyczna modeli sztucznej inteligencji w tym prospektywnie zebranym zbiorze danych.
Do ukończenia studiów, średnio 1 rok
Zgłoszony przez endoskopistę wynik pewności w diagnozie przy pomocy sztucznej inteligencji (wynik jest w skali od 0% do 100%, gdzie 0 oznacza „w ogóle nie mam pewności”, a 100 oznacza „całkowicie pewność”)
Ramy czasowe: Do ukończenia studiów, średnio 1 rok
Zgłoszona przez endoskopistę pewność diagnozy będzie mierzona w skali od 0 do 100, gdzie 0 oznacza „w ogóle nie jestem pewien”, a 100 oznacza „całkowicie pewny”. Wyższe wyniki wskazują na większą pewność diagnostyczną. Wyniki pewności będą oceniane oddzielnie dla diagnoz postawionych przy użyciu modelu Joint-AI i możliwego do interpretacji modelu Joint-AI.
Do ukończenia studiów, średnio 1 rok
Wskaźnik prawidłowej klasyfikacji diagnostycznej endoskopistów bez pomocy AI
Ramy czasowe: Do ukończenia studiów, średnio 1 rok
Do ukończenia studiów, średnio 1 rok

Współpracownicy i badacze

Tutaj znajdziesz osoby i organizacje zaangażowane w to badanie.

Sponsor

Huazhong University of Science and Technology

Współpracownicy

Beijing Friendship Hospital
Qilu Hospital of Shandong University
Sir Run Run Shaw Hospital
Shanghai Longhua Hospital
Beijing Union Hosptial
Affiliated 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 (Szacowany)

1 stycznia 2025

Zakończenie podstawowe (Szacowany)

1 stycznia 2026

Ukończenie studiów (Szacowany)

1 stycznia 2026

Daty rejestracji na studia

Pierwszy przesłany

17 grudnia 2024

Pierwszy przesłany, który spełnia kryteria kontroli jakości

22 grudnia 2024

Pierwszy wysłany (Rzeczywisty)

25 marca 2025

Aktualizacje rekordów badań

Ostatnia wysłana aktualizacja (Rzeczywisty)

25 marca 2025

Ostatnia przesłana aktualizacja, która spełniała kryteria kontroli jakości

22 grudnia 2024

Ostatnia weryfikacja

1 grudnia 2024

Więcej informacji

Terminy związane z tym badaniem

Słowa kluczowe

Dodatkowe istotne warunki MeSH

Inne numery identyfikacyjne badania

  • Joint-AI 2024

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 .

Subskrybuj