Transferência de aprendizagem de uma rede neural para avaliação cirúrgica robótica
24 de setembro de 2024 atualizado por: Nasseh Hashemi, Aalborg University
Transferência de aprendizagem de uma rede neural pré-clínica pré-treinada para avaliação cirúrgica robótica em dados clínicos limitados
O objetivo deste estudo observacional é explorar como modelos de inteligência artificial (IA) pré-treinados, treinados em dados pré-clínicos, podem melhorar a precisão do reconhecimento de ações e avaliação de habilidades em cirurgia assistida por robô (RAS) em pacientes urológicos pelo uso de aprendizagem por transferência . As principais questões que pretende responder são:
- Os modelos de IA pré-treinados podem avaliar com precisão o reconhecimento de ações e a avaliação de habilidades em cirurgias clínicas?
- Como as diferentes abordagens de treinamento de aprendizagem por transferência afetam o desempenho dos modelos de IA? Um modelo de linha de base desenvolvido do zero usando dados clínicos será comparado a modelos pré-treinados que são (1) aplicados diretamente aos dados clínicos (2) ajustados treinando apenas algumas camadas do modelo de IA e (3) totalmente retreinados para ver se essas abordagens melhoram o desempenho.
Os participantes que são cirurgiões robôs irão:
- Realizar procedimentos RAS em pacientes, sem intervenção, onde serão coletados dados de vídeo para posterior reconhecimento de ações e avaliação de habilidades.
- Contribua para o treinamento e avaliação de modelos por meio da integração de conjuntos de dados clínicos.
Visão geral do estudo
Tipo de estudo
Observacional
Inscrição (Real)
5
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.
Locais de estudo
-
-
North Jutland
-
Aalborg, North Jutland, Dinamarca, 9000
- Department of Urology, Aalborg University Hospital
-
-
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
- Adulto
- Adulto mais velho
Aceita Voluntários Saudáveis
Sim
Método de amostragem
Amostra Não Probabilística
População do estudo
A população do estudo consistiu de cirurgiões robôs experientes ou novatos (sendo médicos especializados em estágio cirúrgico para se tornarem cirurgiões robôs).
Todos os procedimentos foram assistidos por robô realizados em pacientes internados para tratamento no departamento urológico. Os pacientes também deram seu consentimento quanto à coleta de dados. Porém, o verdadeiro participante eram os robôs cirurgiões.
Descrição
Critérios de inclusão:
- Cirurgiões robôs com experiência em mais de 100 casos.
- Robôs cirúrgicos com menos de 100 casos.
- Cirurgiões robôs que trabalharam no departamento urológico do Hospital Universitário de Aalborg.
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
Coortes e Intervenções
Grupo / Coorte |
Intervenção / Tratamento |
|---|---|
|
Cirurgiões robôs experientes
Cirurgiões robôs com 100 ou mais casos cirúrgicos robóticos realizados.
|
Este foi um estudo observacional sem intervenção.
|
|
Cirurgiões robôs novatos
Cirurgiões robôs com menos de 100 casos cirúrgicos robóticos realizados.
|
Este foi um estudo observacional sem intervenção.
|
O que o estudo está medindo?
Medidas de resultados primários
Medida de resultado |
Descrição da medida |
Prazo |
|---|---|---|
|
Precisão do reconhecimento de ações usando dados clínicos do zero
Prazo: Do início ao fim de um procedimento cirúrgico robótico que está sendo avaliado em termos de reconhecimento de ação.
|
Precisão do algoritmo de aprendizagem profunda para reconhecimento de ações, ao treinar o modelo do zero usando dados clínicos de procedimentos cirúrgicos robóticos.
|
Do início ao fim de um procedimento cirúrgico robótico que está sendo avaliado em termos de reconhecimento de ação.
|
|
Precisão da avaliação de habilidades usando dados clínicos do zero
Prazo: Do início ao fim de um procedimento cirúrgico robótico que está sendo avaliado em termos de reconhecimento de ação.
|
Precisão do algoritmo de aprendizagem profunda para avaliação de habilidades, ao treinar o modelo do zero usando dados clínicos de procedimentos cirúrgicos robóticos.
|
Do início ao fim de um procedimento cirúrgico robótico que está sendo avaliado em termos de reconhecimento de ação.
|
|
Precisão do reconhecimento de ação usando a rede pré-treinada diretamente nos dados clínicos
Prazo: Do início ao fim de um procedimento cirúrgico robótico que está sendo avaliado em termos de reconhecimento de ação.
|
Precisão do algoritmo de aprendizagem profunda pré-treinado para reconhecimento de ações, ao usar o modelo diretamente em dados clínicos de procedimentos cirúrgicos robóticos.
|
Do início ao fim de um procedimento cirúrgico robótico que está sendo avaliado em termos de reconhecimento de ação.
|
|
Precisão da avaliação de habilidades usando o modelo pré-treinado diretamente nos dados clínicos
Prazo: Do início ao fim de um procedimento cirúrgico robótico que está sendo avaliado em termos de avaliação de habilidades.
|
Precisão do algoritmo de aprendizagem profunda pré-treinado para avaliação de habilidades, ao usar o modelo diretamente em dados clínicos de procedimentos cirúrgicos robóticos.
|
Do início ao fim de um procedimento cirúrgico robótico que está sendo avaliado em termos de avaliação de habilidades.
|
|
Precisões K vezes para reconhecimento de ações e avaliação de habilidades para a reciclagem completa da rede pré-treinada.
Prazo: Do início ao fim dos procedimentos clínicos.
|
K dobra a precisão da validação cruzada ao treinar novamente o modelo pré-treinado completo nos dados clínicos para reconhecimento de ações e avaliação de habilidades.
|
Do início ao fim dos procedimentos clínicos.
|
|
Precisões K dobram para reconhecimento de ações e avaliação de habilidades para a reciclagem parcial da rede pré-treinada.
Prazo: Do início ao fim dos procedimentos clínicos.
|
Precisões de validação cruzada K dobram para reconhecimento de ação e avaliação de habilidades para o retreinamento do LSTM e camadas densas da rede pré-treinada usando dados clínicos.
|
Do início ao fim dos procedimentos clínicos.
|
Medidas de resultados secundários
Medida de resultado |
Descrição da medida |
Prazo |
|---|---|---|
|
Recordação/sensibilidade ponderada, precisão e pontuação F1 para reconhecimento de ações da rede clínica treinada do zero
Prazo: Do início ao fim de um procedimento cirúrgico robótico que está sendo avaliado em termos de reconhecimento de ação.
|
Baseado na realização de ações de reconhecimento da rede clínica treinada do zero.
|
Do início ao fim de um procedimento cirúrgico robótico que está sendo avaliado em termos de reconhecimento de ação.
|
|
Recordação/sensibilidade ponderada, precisão e pontuação F1 para Avaliação de Competências da rede clínica treinada do zero
Prazo: Do início ao fim de um procedimento cirúrgico robótico que está sendo avaliado em termos de avaliação de habilidades.
|
Com base na realização de avaliação de competências da rede clínica formada de raiz.
|
Do início ao fim de um procedimento cirúrgico robótico que está sendo avaliado em termos de avaliação de habilidades.
|
|
Certeza preditiva do reconhecimento da ação e avaliação de competências da rede formada de raiz nos dados clínicos.
Prazo: Do início ao fim dos procedimentos clínicos.
|
Certeza preditiva com média geral, mínimo e máximo e representada em gráficos de probabilidade para reconhecimento de ações e avaliação de habilidades da rede treinada do zero em dados clínicos.
|
Do início ao fim dos procedimentos clínicos.
|
|
Certeza preditiva do reconhecimento da ação e avaliação de competências da rede parcialmente requalificada.
Prazo: Do início ao fim dos procedimentos clínicos.
|
Certeza preditiva com média geral, mínimo e máximo e representada em gráficos de probabilidade para reconhecimento de ações e avaliação de habilidades da rede parcialmente retreinada, onde apenas o LSTM e as camadas profundas da rede foram treinados em dados clínicos.
|
Do início ao fim dos procedimentos clínicos.
|
Colaboradores e Investigadores
É aqui que você encontrará pessoas e organizações envolvidas com este estudo.
Patrocinador
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.
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)
22 de maio de 2023
Conclusão Primária (Real)
26 de maio de 2023
Conclusão do estudo (Real)
26 de maio de 2023
Datas de inscrição no estudo
Enviado pela primeira vez
22 de setembro de 2024
Enviado pela primeira vez que atendeu aos critérios de CQ
22 de setembro de 2024
Primeira postagem (Real)
25 de setembro de 2024
Atualizações de registro de estudo
Última Atualização Postada (Real)
26 de setembro de 2024
Última atualização enviada que atendeu aos critérios de controle de qualidade
24 de setembro de 2024
Última verificação
1 de setembro de 2024
Mais Informações
Termos relacionados a este estudo
Outros números de identificação do estudo
- 2021-247
Plano para dados de participantes individuais (IPD)
Planeja compartilhar dados de participantes individuais (IPD)?
SIM
Descrição do plano IPD
O IPD será compartilhado como dados anônimos e protegidos pelo GDPR em um site de acesso aberto.
Os dados serão compartilhados na forma de filmagens anônimas dos procedimentos cirúrgicos que os participantes realizaram.
Prazo de Compartilhamento de IPD
O IPD e as informações de apoio estarão disponíveis a partir do momento da submissão à revista e por tempo ilimitado.
Critérios de acesso de compartilhamento IPD
Todos que tiverem acesso ao site de código aberto do GitHub poderão acessar os dados.
E qualquer pessoa que tenha acesso à revista terá acesso às informações de apoio.
Tipo de informação de suporte de compartilhamento de IPD
- PROTOCOLO DE ESTUDO
- ANALYTIC_CODE
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 .