Algoritmo de Deep Learning para Reconhecimento de Segmentos do Cólon.
11 de setembro de 2019 atualizado por: Xiuli Zuo, Shandong University
Desenvolvimento e Validação de um Algoritmo de Deep Learning para Reconhecimento em Tempo Real de Segmentos do Cólon.
O objetivo deste estudo é desenvolver e validar um algoritmo de aprendizado profundo para realizar o reconhecimento automático de segmentos colônicos sob colonoscopia convencional.
Em seguida, avalie a precisão desse novo sistema de reconhecimento assistido por inteligência artificial (IA) na prática clínica.
Visão geral do estudo
Status
Desconhecido
Condições
Intervenção / Tratamento
Descrição detalhada
A colonoscopia é recomendada como exame de rotina para o rastreamento do câncer colorretal.
A inspeção completa de todos os segmentos do cólon é a base do controle de qualidade da colonoscopia e, além disso, melhora as taxas de detecção de pequenos adenomas.
Recentemente, o algoritmo de aprendizado profundo baseado em redes neurais centrais (CNN) mostrou potencial múltiplo na detecção auxiliada por computador e no diagnóstico auxiliado por computador de lesões gastrointestinais.
No entanto, ainda há uma lacuna no reconhecimento dos sítios anatômicos, o que restringe a realização da detecção de lesões com auxílio de IA e a pontuação da gravidade da doença.
Este estudo visa treinar um algoritmo para reconhecer os principais segmentos colônicos e testemunhar a precisão do reconhecimento de cada segmento em comparação com médicos endoscópicos.
Tipo de estudo
Intervencional
Inscrição (Antecipado)
60
Estágio
- Não aplicável
Critérios de participação
Os pesquisadores procuram pessoas que se encaixem em uma determinada descrição, chamada de critérios de elegibilidade. Alguns exemplos desses critérios são a condição geral de saúde de uma pessoa ou tratamentos anteriores.
Critérios de elegibilidade
Idades elegíveis para estudo
18 anos a 70 anos (ADULTO, OLDER_ADULT)
Aceita Voluntários Saudáveis
Não
Gêneros Elegíveis para o Estudo
Tudo
Descrição
Critério de inclusão:
- Pacientes de 18 a 70 anos submetidos à colonoscopia convencional
Critério de exclusão:
- Obstrução, estenose ou perfuração intestinal conhecida ou suspeita
- Reflexo de deglutição comprometido ou estado mental
- Insuficiência renal crônica grave (depuração de creatinina < 30 ml/min)
- Insuficiência cardíaca congestiva grave (classe III ou IV da New York Heart Association)
- Hipertensão não controlada (pressão arterial sistólica > 170 mm Hg, pressão arterial diastólica > 100 mm Hg)
- Desidratação
- Distúrbio de eletrólitos
- Gravidez ou lactação
- Hemodinamicamente instável
- Incapaz de dar consentimento informado
Plano de estudo
Esta seção fornece detalhes do plano de estudo, incluindo como o estudo é projetado e o que o estudo está medindo.
Como o estudo é projetado?
Detalhes do projeto
- Finalidade Principal: HEALTH_SERVICES_RESEARCH
- Alocação: N / D
- Modelo Intervencional: SINGLE_GROUP
- Mascaramento: NENHUM
Armas e Intervenções
Grupo de Participantes / Braço |
Intervenção / Tratamento |
|---|---|
|
EXPERIMENTAL: Colonoscopia de monitoramento por IA
Os pacientes deste grupo passam por colonoscopia sob o dispositivo de monitoramento AI.
|
Depois de receber o regime padrão de preparação intestinal, os pacientes passam por colonoscopia sob o dispositivo de monitoramento AI.
Todo o processo de retirada é monitorado pelo sistema de reconhecimento associado à IA.
Os principais segmentos colônicos incluem válvula ileocecal, cólon ascendente, cólon transverso, cólon descendente, cólon sigmóide e reto.
Quando locais anatômicos típicos são detectados, o dispositivo AI captura automaticamente imagens relevantes e informa o nome de cada segmento na tela.
O especialista em endoscopia operacional dará a resposta final e julgará o desempenho da IA, que é definida como padrão de ouro.
Em seguida, todas as imagens capturadas por IA serão revisadas pelo grupo humano, que consiste de três a cinco médicos endoscópicos experientes.
|
O que o estudo está medindo?
Medidas de resultados primários
Medida de resultado |
Descrição da medida |
Prazo |
|---|---|---|
|
A precisão de cada reconhecimento de segmento colônico em tempo real com algoritmo de aprendizado profundo.
Prazo: 3 meses.
|
A precisão do reconhecimento segmentar é a proporção de segmentos corretamente reconhecidos dividida pelo número de pacientes envolvidos.
A taxa de precisão da válvula ileocecal, cólon ascendente, cólon transverso, cólon descendente, cólon sigmóide e reto será calculada separadamente.
|
3 meses.
|
Medidas de resultados secundários
Medida de resultado |
Descrição da medida |
Prazo |
|---|---|---|
|
A precisão do reconhecimento de segmentos colônicos totais com algoritmo de aprendizado profundo em comparação com o grupo de especialistas endoscópicos.
Prazo: 3 meses.
|
A precisão total do reconhecimento é a proporção de imagens reconhecidas corretamente dividida pelo número de imagens capturadas por IA.
Em seguida, todas as imagens capturadas por IA serão revisadas pelo grupo de especialistas para fornecer uma taxa de avaliação humana.
Duas taxas serão comparadas pelo teste t de Student para analisar a diferença.
|
3 meses.
|
Colaboradores e Investigadores
É aqui que você encontrará pessoas e organizações envolvidas com este estudo.
Patrocinador
Datas de registro do estudo
Essas datas acompanham o progresso do registro do estudo e os envios de resumo dos resultados para ClinicalTrials.gov. Os registros do estudo e os resultados relatados são revisados pela National Library of Medicine (NLM) para garantir que atendam aos padrões específicos de controle de qualidade antes de serem publicados no site público.
Datas Principais do Estudo
Início do estudo (ANTECIPADO)
15 de setembro de 2019
Conclusão Primária (ANTECIPADO)
15 de novembro de 2019
Conclusão do estudo (ANTECIPADO)
15 de dezembro de 2019
Datas de inscrição no estudo
Enviado pela primeira vez
11 de setembro de 2019
Enviado pela primeira vez que atendeu aos critérios de CQ
11 de setembro de 2019
Primeira postagem (REAL)
12 de setembro de 2019
Atualizações de registro de estudo
Última Atualização Postada (REAL)
12 de setembro de 2019
Última atualização enviada que atendeu aos critérios de controle de qualidade
11 de setembro de 2019
Última verificação
1 de setembro de 2019
Mais Informações
Termos relacionados a este estudo
Palavras-chave
Termos MeSH relevantes adicionais
Outros números de identificação do estudo
- 2019SDU-QILU-G003
Informações sobre medicamentos e dispositivos, documentos de estudo
Estuda um medicamento regulamentado pela FDA dos EUA
Não
Estuda um produto de dispositivo regulamentado pela FDA dos EUA
Não
Essas informações foram obtidas diretamente do site clinicaltrials.gov sem nenhuma alteração. Se você tiver alguma solicitação para alterar, remover ou atualizar os detalhes do seu estudo, entre em contato com register@clinicaltrials.gov. Assim que uma alteração for implementada em clinicaltrials.gov, ela também será atualizada automaticamente em nosso site .