Modelo de inteligência artificial de ultrassom endoscópico (EUS) para avaliação de estenoses mediastinais e abdominais normais
10 de dezembro de 2021 atualizado por: Instituto Ecuatoriano de Enfermedades Digestivas
Avaliação por ultrassom endoscópico (EUS) de estenoses anatômicas/órgãos mediastinais e abdominais normais usando um novo modelo de inteligência artificial desenvolvido
Portanto, um grande número de procedimentos é necessário para atingir a competência EUS, mas a concordância interobservador ainda varia muito.
O reconhecimento auxiliado por inteligência artificial (IA) de estruturas anatômicas pode melhorar o processo de treinamento e a concordância entre observadores.
Robles-Medranda et al. desenvolveram um modelo de IA que reconhece estruturas anatômicas normais durante avaliações EUS lineares e radiais.
Buscamos projetar uma validação externa de nosso modelo de IA desenvolvido, considerando um especialista em endoscopista como padrão-ouro.
Visão geral do estudo
Status
Recrutamento
Condições
Intervenção / Tratamento
- Teste de diagnostico: Identificação ou visualização de descarga de estenoses anatômicas/órgãos mediastinais e abdominais por meio de vídeos de ultrassom endoscópico (EUS) por um endoscopista especialista
- Teste de diagnostico: Reconhecimento de estenoses anatômicas/órgãos mediastinais e abdominais por meio de vídeos de ultrassom endoscópico (EUS) usando inteligência artificial (IA)
Descrição detalhada
A ultrassonografia endoscópica (EUS) é um procedimento altamente qualificado com um número limitado de instalações disponíveis para treinamento. Portanto, um grande número de procedimentos é necessário para alcançar a competência. No entanto, a concordância entre os observadores varia muito. O reconhecimento e a caracterização auxiliados por inteligência artificial (IA) de estruturas anatômicas podem melhorar o processo de treinamento e melhorar a concordância entre os observadores. No entanto, os modelos EUS-AI desenvolvidos foram explicitamente treinados ou apenas com amostras de doenças ou para detectar características anatômicas abdominais.
Em outras áreas, como Oncologia de Radiação, modelos de IA desenvolvidos têm sido amplamente utilizados. Eles devem reconhecer em uníssono estenoses saudáveis e doentes em qualquer parte do corpo humano durante o contorno. Evita a irradiação desnecessária do tecido normal. Os modelos EUS-AI não treinados com amostras saudáveis podem causar um aumento de casos falso-positivos durante a prática da vida real. Implica potencial sobrediagnóstico de estenoses anormais/doenças. Modelos EUS-AI não treinados com amostras externas
Usando um software de aprendizado de máquina automatizado, Robles-Medranda et al. desenvolveram anteriormente um modelo de IA de redes neuronais convolucionais (CNN) que reconhece as estruturas anatômicas durante avaliações EUS lineares e radiais (AI Works, MD Consulting group, Equador). Até onde sabemos, este modelo EUS-AI é o primeiro treinado com vídeos EUS de pacientes sem patologias e, portanto, com estenoses anatômicas/órgãos mediastinais e abdominais normais. Nesta segunda etapa, buscamos projetar uma validação externa de nosso modelo de IA desenvolvido, considerando um especialista em endoscopista como padrão-ouro.
Tipo de estudo
Observacional
Inscrição (Antecipado)
60
Contactos e Locais
Esta seção fornece os detalhes de contato para aqueles que conduzem o estudo e informações sobre onde este estudo está sendo realizado.
Contato de estudo
- Nome: Carlos Robles-Medranda
- Número de telefone: +59342109180
- E-mail: carlosoakm@yahoo.es
Locais de estudo
-
-
Guayas
-
Guayaquil, Guayas, Equador, 090505
- Recrutamento
- Ecuadorian Institute of Digestive Diseases
-
Contato:
- Carlos A Robles-Medranda, MD
- Número de telefone: +593989158865
- E-mail: carlosoakm@yahoo.es
-
Investigador principal:
- Carlos Robles-Medranda, MD FASGE
-
Subinvestigador:
- Martha Arevalo-Mora, MD
-
Subinvestigador:
- Daniel Calle, MD MSc
-
Subinvestigador:
- Miguel Puga-Tejada, MD MSc
-
Subinvestigador:
- Raquel Del Valle Zavala, MD
-
Subinvestigador:
- Juan Alcivar-Vasquez, MD Msc
-
-
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 79 anos (Adulto, Adulto mais velho)
Aceita Voluntários Saudáveis
Não
Gêneros Elegíveis para o Estudo
Tudo
Método de amostragem
Amostra de Probabilidade
População do estudo
Pacientes adultos com estenoses mediastinais e abdominais/órgãos anatômicos normais após exame de imagem e avaliação EUS devido a dispepsia crônica.
Descrição
Critério de inclusão:
- Pacientes sem história de anormalidades de tórax e abdome confirmadas por meio de exame de imagem solicitado para fins assistenciais nos últimos doze meses (por exemplo, radiografia de tórax e ultrassom de abdome ou tomografia de tórax e abdome)
- Pacientes submetidos à avaliação EUS devido à dispepsia crônica.
Critério de exclusão:
- Alteração morfológica em pelo menos um órgão mediastinal e abdominal/estenoses anatômicas documentadas por meio de qualquer exame de imagem ou EUS.
- Coagulopatia não controlada, insuficiência renal/hepática ou qualquer comorbidade com impacto significativo na avaliação do risco cardíaco (NHYA III/IV);
- Recusar-se a participar do estudo ou a assinar o consentimento informado correspondente.
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
- Modelos de observação: Caso-somente
- Perspectivas de Tempo: Transversal
Coortes e Intervenções
Grupo / Coorte |
Intervenção / Tratamento |
|---|---|
|
Pacientes com estenoses mediastinais e abdominais normais/anatômicas
Pacientes adultos com estenoses mediastinais e abdominais/órgãos anatômicos normais após exame de imagem e avaliação EUS devido a dispepsia crônica.
|
Um endoscopista especialista selecionará um conjunto de dados de vídeos de EUS mediastinal e abdominal (um por paciente).
Um endoscopista experiente identificará ou descartará corretamente a visualização dos seguintes órgãos: aorta, coluna vertebral, arco aórtico, traqueia, janela AP, rim esquerdo, fígado, baço, corpo do pâncreas, cauda do pâncreas, tronco celíaco, artéria esplênica, veia esplênica, veia cava, glândula adrenal, rim direito, vesícula biliar, ducto biliar comum, ampola de Vater, veia porta.
Usando o mesmo conjunto de dados anterior de vídeos de EUS mediastinal e abdominal, o modelo EUS-AI reconhecerá os seguintes órgãos: aorta, coluna vertebral, arco aórtico, traqueia, janela AP, rim esquerdo, fígado, baço, corpo do pâncreas, cauda do pâncreas, doença celíaca tronco, artéria esplênica, veia esplênica, veia cava inferior, glândula adrenal, rim direito, vesícula biliar, colédoco, ampola de Vater, veia porta.
Considerando cada paciente (e não os vídeos do quadro de dados) como a unidade de estudo, uma tabela de contingência por cada órgão mediastinal e abdominal/estenose anatômica será projetada.
|
O que o estudo está medindo?
Medidas de resultados primários
Medida de resultado |
Descrição da medida |
Prazo |
|---|---|---|
|
Precisão geral do modelo de inteligência artificial (IA) de ultrassom endoscópico (EUS) para identificar estenoses anatômicas/órgãos mediastinais e abdominais normais
Prazo: Três meses
|
As características gerais de precisão serão calculadas: sensibilidade, especificidade, valor preditivo positivo, valor preditivo negativo, precisão diagnóstica e concordância observada. Além disso, serão definidas as seguintes probabilidades:
|
Três meses
|
Colaboradores e Investigadores
É aqui que você encontrará pessoas e organizações envolvidas com este estudo.
Patrocinador
Investigadores
- Investigador principal: Carlos Robles-Medranda, Ecuadorian Institute of Digestive Diseases
Publicações e links úteis
A pessoa responsável por inserir informações sobre o estudo fornece voluntariamente essas publicações. Estes podem ser sobre qualquer coisa relacionada ao estudo.
Publicações Gerais
- Zhang J, Zhu L, Yao L, Ding X, Chen D, Wu H, Lu Z, Zhou W, Zhang L, An P, Xu B, Tan W, Hu S, Cheng F, Yu H. Deep learning-based pancreas segmentation and station recognition system in EUS: development and validation of a useful training tool (with video). Gastrointest Endosc. 2020 Oct;92(4):874-885.e3. doi: 10.1016/j.gie.2020.04.071. Epub 2020 May 6. Erratum In: Gastrointest Endosc. 2021 Mar;93(3):781.
- Kuwahara T, Hara K, Mizuno N, Haba S, Okuno N, Koda H, Miyano A, Fumihara D. Current status of artificial intelligence analysis for endoscopic ultrasonography. Dig Endosc. 2021 Jan;33(2):298-305. doi: 10.1111/den.13880. Epub 2020 Dec 5. Review.
- Robles-Medranda C, Oleas R, Del Valle R, Mendez JC, Alcívar-Vásquez JM, Puga-Tejada M, Lukashok H. Intelligence for real-time anatomical recognition during endoscopic ultrasound evaluation: a pilot study. Gastrointestinal Endoscopy. 2021; 93(6), AB221. https://doi.org/10.1016/J.GIE.2021.03.491
- Udriștoiu AL, Cazacu IM, Gruionu LG, Gruionu G, Iacob AV, Burtea DE, Ungureanu BS, Costache MI, Constantin A, Popescu CF, Udriștoiu Ș, Săftoiu A. Real-time computer-aided diagnosis of focal pancreatic masses from endoscopic ultrasound imaging based on a hybrid convolutional and long short-term memory neural network model. PLoS One. 2021 Jun 28;16(6):e0251701. doi: 10.1371/journal.pone.0251701. eCollection 2021.
- Yao L, Zhang J, Liu J, Zhu L, Ding X, Chen D, Wu H, Lu Z, Zhou W, Zhang L, Xu B, Hu S, Zheng B, Yang Y, Yu H. A deep learning-based system for bile duct annotation and station recognition in linear endoscopic ultrasound. EBioMedicine. 2021 Mar;65:103238. doi: 10.1016/j.ebiom.2021.103238. Epub 2021 Feb 24. Erratum in: EBioMedicine. 2021 Nov;73:103650.
- Tonozuka R, Mukai S, Itoi T. The Role of Artificial Intelligence in Endoscopic Ultrasound for Pancreatic Disorders. Diagnostics (Basel). 2020 Dec 24;11(1). pii: E18. doi: 10.3390/diagnostics11010018. Review.
- Marya NB, Powers PD, Chari ST, Gleeson FC, Leggett CL, Abu Dayyeh BK, Chandrasekhara V, Iyer PG, Majumder S, Pearson RK, Petersen BT, Rajan E, Sawas T, Storm AC, Vege SS, Chen S, Long Z, Hough DM, Mara K, Levy MJ. Utilisation of artificial intelligence for the development of an EUS-convolutional neural network model trained to enhance the diagnosis of autoimmune pancreatitis. Gut. 2021 Jul;70(7):1335-1344. doi: 10.1136/gutjnl-2020-322821. Epub 2020 Oct 7.
- Minoda Y, Ihara E, Komori K, Ogino H, Otsuka Y, Chinen T, Tsuda Y, Ando K, Yamamoto H, Ogawa Y. Efficacy of endoscopic ultrasound with artificial intelligence for the diagnosis of gastrointestinal stromal tumors. J Gastroenterol. 2020 Dec;55(12):1119-1126. doi: 10.1007/s00535-020-01725-4. Epub 2020 Sep 11.
- Cazacu IM, Udristoiu A, Gruionu LG, Iacob A, Gruionu G, Saftoiu A. Artificial intelligence in pancreatic cancer: Toward precision diagnosis. Endosc Ultrasound. 2019 Nov-Dec;8(6):357-359. doi: 10.4103/eus.eus_76_19.
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 (Real)
1 de outubro de 2021
Conclusão Primária (Antecipado)
30 de março de 2022
Conclusão do estudo (Antecipado)
30 de junho de 2022
Datas de inscrição no estudo
Enviado pela primeira vez
26 de novembro de 2021
Enviado pela primeira vez que atendeu aos critérios de CQ
8 de dezembro de 2021
Primeira postagem (Real)
9 de dezembro de 2021
Atualizações de registro de estudo
Última Atualização Postada (Real)
30 de dezembro de 2021
Última atualização enviada que atendeu aos critérios de controle de qualidade
10 de dezembro de 2021
Última verificação
1 de dezembro de 2021
Mais Informações
Termos relacionados a este estudo
Palavras-chave
Termos MeSH relevantes adicionais
Outros números de identificação do estudo
- IECED-26112021
Plano para dados de participantes individuais (IPD)
Planeja compartilhar dados de participantes individuais (IPD)?
Não
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
produto fabricado e exportado 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 .