Inteligência Artificial vs Identificação do Endoscopista na Anatomia Normal da EUS
Avaliação comparativa da inteligência artificial e da precisão dos endoscopistas na ultrassonografia endoscópica para identificação de estruturas anatômicas normais: um estudo multiinstitucional e transversal
A impressão visual da ultrassonografia endoscópica (EUS) depende do operador e pode prejudicar a precisão do diagnóstico, especialmente em endoscopistas menos experientes. A implementação da inteligência artificial pode potencialmente mitigar a dependência do operador e a variabilidade de interpretação, ajudando ou melhorando a precisão geral.
Os investigadores, portanto, pretendem comparar a precisão do diagnóstico entre o modelo baseado em inteligência artificial (IA) e os endoscopistas ao identificar estruturas anatômicas normais em procedimentos de EUS.
Visão geral do estudo
Status
Condições
Intervenção / Tratamento
Descrição detalhada
EUS é um procedimento dependente do operador onde a precisão depende da experiência e habilidades. Hoje em dia, a formação em EUS pode ser conseguida através de uma bolsa de formação formal num centro durante 6-24 meses ou de uma formação informal através de sessões didácticas com uma curta experiência prática. No entanto, ainda não foram definidos parâmetros para uma medição correta e completa da experiência de aprendizagem. A implementação de inteligência artificial na USE pode potencialmente mitigar a variável dependente do operador e melhorar a precisão do diagnóstico.
Portanto, a detecção de estruturas anatômicas normais em uma base separada usando um modelo baseado em IA, endoscopistas especialistas e não especialistas para determinar onde a IA seria mais útil.
Os investigadores pretendem comparar a precisão do diagnóstico do modelo baseado em IA com a identificação dos endoscopistas de estruturas anatômicas normais em procedimentos de EUS.
Tipo de estudo
Inscrição (Real)
Contactos e Locais
Locais de estudo
-
-
Guayas
-
Guayaquil, Guayas, Equador, 090505
- IECED
-
-
Critérios de participação
Critérios de elegibilidade
Idades elegíveis para estudo
- Adulto
- Adulto mais velho
Aceita Voluntários Saudáveis
Método de amostragem
População do estudo
Descrição
Critério de inclusão:
- Endoscopistas gastrointestinais especialistas.
- Treinamento de endoscopistas gastrointestinais não especialistas para EUS.
- Pacientes com dispepsia crônica sem outros achados.
- Pacientes com imagens prévias de TC ou endoscopia digestiva alta que não relatam outros achados.
- Pacientes que necessitam de EUS para vigilância devido ao histórico familiar de câncer de pâncreas sem resultados na ressonância magnética.
Critério de exclusão:
- Conexão com a Internet inferior a 100 MB por segundo.
- Pacientes com estruturas anormais ou com lesões visíveis.
Plano de estudo
Como o estudo é projetado?
Detalhes do projeto
Coortes e Intervenções
Grupo / Coorte |
Intervenção / Tratamento |
|---|---|
|
Modelo baseado em IA
Rede Neural Convolucional AIWorks-EUS versão 2 (CNNv2) (mdconsgroup, Guayaquil, Equador) aplicada em vídeos pré-gravados para detecção de estruturas anatômicas normais.
|
Vídeos pré-gravados, recortados de acordo com as diferentes janelas (mediastinal, gástrica, duodenal) serão analisados pelo modelo AIWorks-EUS e endoscopistas em diferentes momentos para reconhecimento das diferentes estruturas anatômicas normais.
|
|
Endoscopistas especialistas
Endoscopistas com >190 procedimentos de EUS por ano, incluindo 75 procedimentos de estadiamento de câncer pancreatobiliar e de mucosa cada, 40 casos subepiteliais; e 50 casos de aspiração por agulha fina (PAAF) (25 deles pancreáticos); seguindo as recomendações da Sociedade Americana de Endoscopia Gastrointestinal (ASGE).
|
Vídeos pré-gravados, recortados de acordo com as diferentes janelas (mediastinal, gástrica, duodenal) serão analisados pelo modelo AIWorks-EUS e endoscopistas em diferentes momentos para reconhecimento das diferentes estruturas anatômicas normais.
|
|
Endoscopistas não especialistas
Endoscopistas com <190 procedimentos de EUS por ano, incluindo 75 procedimentos de estadiamento de câncer pancreatobiliar e de mucosa cada, 40 casos subepiteliais; e 50 casos de EUS-FNA (25 deles pancreáticos); seguindo as recomendações da Sociedade Americana de Endoscopia Gastrointestinal (ASGE).
|
Vídeos pré-gravados, recortados de acordo com as diferentes janelas (mediastinal, gástrica, duodenal) serão analisados pelo modelo AIWorks-EUS e endoscopistas em diferentes momentos para reconhecimento das diferentes estruturas anatômicas normais.
|
O que o estudo está medindo?
Medidas de resultados primários
Medida de resultado |
Descrição da medida |
Prazo |
|---|---|---|
|
Precisão diagnóstica
Prazo: 5 meses
|
O verdadeiro positivo, verdadeiro negativo, falso positivo e falso negativo com base na detecção de estruturas anatômicas de acordo com um endoscopista especialista externo como padrão ouro.
|
5 meses
|
Medidas de resultados secundários
Medida de resultado |
Descrição da medida |
Prazo |
|---|---|---|
|
Acordo interobservador
Prazo: 5 meses
|
Comparação das precisões diagnósticas entre o modelo baseado em inteligência artificial (IA) e ambos os grupos (endoscopistas especialistas e não especialistas) usando Fleiss Kappa.
|
5 meses
|
Colaboradores e Investigadores
Patrocinador
Colaboradores
Investigadores
- Investigador principal: Carlos Robles-Medranda, MD FASGE, Instituto Ecuatoriano de Enfermedades Digestivas (IECED)
Publicações e links úteis
Publicações Gerais
- Han C, Nie C, Shen X, Xu T, Liu J, Ding Z, Hou X. Exploration of an effective training system for the diagnosis of pancreatobiliary diseases with EUS: A prospective study. Endosc Ultrasound. 2020 Sep-Oct;9(5):308-318. doi: 10.4103/eus.eus_47_20.
- Cho CM. Training in Endoscopy: Endoscopic Ultrasound. Clin Endosc. 2017 Jul;50(4):340-344. doi: 10.5946/ce.2017.067. Epub 2017 Jul 31.
- Finocchiaro M, Cortegoso Valdivia P, Hernansanz A, Marino N, Amram D, Casals A, Menciassi A, Marlicz W, Ciuti G, Koulaouzidis A. Training Simulators for Gastrointestinal Endoscopy: Current and Future Perspectives. Cancers (Basel). 2021 Mar 20;13(6):1427. doi: 10.3390/cancers13061427.
- Robles-Medranda C, Baquerizo-Burgos J, Puga-Tejada M, Del Valle R, Mendez JC, Egas-Izquierdo M, Arevalo-Mora M, Cunto D, Alcivar-Vasquez J, Pitanga-Lukashok H, Tabacelia D. Development of convolutional neural network models that recognize normal anatomic structures during real-time radial-array and linear-array EUS (with videos). Gastrointest Endosc. 2024 Feb;99(2):271-279.e2. doi: 10.1016/j.gie.2023.10.028. Epub 2023 Oct 10.
Datas de registro do estudo
Datas Principais do Estudo
Início do estudo (Real)
Conclusão Primária (Real)
Conclusão do estudo (Real)
Datas de inscrição no estudo
Enviado pela primeira vez
Enviado pela primeira vez que atendeu aos critérios de CQ
Primeira postagem (Estimado)
Atualizações de registro de estudo
Última Atualização Postada (Estimado)
Última atualização enviada que atendeu aos critérios de controle de qualidade
Última verificação
Mais Informações
Termos relacionados a este estudo
Palavras-chave
Termos MeSH relevantes adicionais
Outros números de identificação do estudo
- IECED-12345
Plano para dados de participantes individuais (IPD)
Planeja compartilhar dados de participantes individuais (IPD)?
Informações sobre medicamentos e dispositivos, documentos de estudo
Estuda um medicamento regulamentado pela FDA dos EUA
Estuda um produto de dispositivo regulamentado pela FDA dos EUA
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 .