Denna sida har översatts automatiskt och översättningens korrekthet kan inte garanteras. Vänligen se engelsk version för en källtext.

Deep Learning Algoritm för diagnos av gastrointestinala sjukdomar

14 februari 2020 uppdaterad av: Xiuli Zuo, Shandong University

Utveckling och validering av en djupinlärningsalgoritm för diagnos av gastrointestinala sjukdomar

Syftet med denna studie är att utveckla och validera en djupinlärningsalgoritm för diagnos av gastrointestinala sjukdomar. Utvärdera sedan noggrannheten i detta nya artificiella intelligens (AI) assisterade igenkänningssystem i klinikpraxis.

Studieöversikt

Status

Okänd

Betingelser

Intervention / Behandling

Detaljerad beskrivning

Nyligen har djupinlärningsalgoritm baserad på centrala neurala nätverk (CNN) visat flera möjligheter inom datorstödd upptäckt och datorstödd diagnos av gastrointestinala lesioner. Men det finns fortfarande ett tomt i erkännande av alla gastrointestinala sjukdomar. Denna studie syftar till att utveckla och validera en djupinlärningsalgoritm för diagnos av gastrointestinala sjukdomar. Utvärdera sedan noggrannheten i detta nya artificiella intelligens (AI) assisterade igenkänningssystem i klinikpraxis.

Studietyp

Interventionell

Inskrivning (Förväntat)

100000

Fas

  • Inte tillämpbar

Kontakter och platser

Det här avsnittet innehåller kontaktuppgifter för dem som genomför studien och information om var denna studie genomförs.

Studieorter

  • Kina
    • Shandong
      • Jinan, Shandong, Kina, 250012
        • Rekrytering
        • Qilu Hospital, Shandong University
        • Kontakt:

Deltagandekriterier

Forskare letar efter personer som passar en viss beskrivning, så kallade behörighetskriterier. Några exempel på dessa kriterier är en persons allmänna hälsotillstånd eller tidigare behandlingar.

Urvalskriterier

Åldrar som är berättigade till studier

18 år och äldre (Vuxen, Äldre vuxen)

Tar emot friska volontärer

Nej

Kön som är behöriga för studier

Allt

Beskrivning

Inklusionskriterier:

  • Deltagare, 18 år eller äldre, som inte hade genomgått en tidigare endoskopi hämtades från alla deltagande sjukhus.

Exklusions kriterier:

-

Studieplan

Det här avsnittet ger detaljer om studieplanen, inklusive hur studien är utformad och vad studien mäter.

Hur är studien utformad?

Designdetaljer

  • Primärt syfte: Diagnostisk
  • Tilldelning: N/A
  • Interventionsmodell: Enskild gruppuppgift
  • Maskning: Ingen (Open Label)

Vapen och interventioner

Deltagargrupp / Arm
Intervention / Behandling
Experimentell: AI-övervakning gastrointestinal endoskopi
Efter att ha fått standardberedningsregimen går patienterna igenom koloskopi eller gastroskopi under AI-övervakningsanordningen. Hela proceduren övervakas av AI-associerat igenkänningssystem. Gastrointestinala sjukdomar kommer att upptäckas och diagnostiseras där AI-enheten automatiskt kommer att fånga relevanta bilder och rapportera platsen för varje segment på skärmen. Histologianalys är satt som en gyllene standard. Sedan kommer alla AI-bilder att granskas av en mänsklig grupp, som består av tre till fem erfarna endoskopiska läkare.
Enhet: AI för diagnos av gastrointestinala sjukdomar
Efter att ha fått standardberedningsregimen går patienterna igenom koloskopi eller gastroskopi under AI-övervakningsanordningen. Hela proceduren övervakas av AI-associerat igenkänningssystem. Gastrointestinala sjukdomar kommer att upptäckas och diagnostiseras där AI-enheten automatiskt kommer att fånga relevanta bilder och rapportera platsen för varje segment på skärmen. Histologianalys är satt som en gyllene standard. Sedan kommer alla AI-bilder att granskas av en mänsklig grupp, som består av tre till fem erfarna endoskopiska läkare.

Vad mäter studien?

Primära resultatmått

Resultatmått
Åtgärdsbeskrivning
Tidsram
Den diagnostiska noggrannheten för gastrointestinala sjukdomar med djupinlärningsalgoritm.
Tidsram: 1 månad
Den diagnostiska noggrannheten för gastrointestinala sjukdomar med djupinlärningsalgoritm.
1 månad

Sekundära resultatmått

Resultatmått
Åtgärdsbeskrivning
Tidsram
Den diagnostiska känsligheten för gastrointestinala sjukdomar med djupinlärningsalgoritm.
Tidsram: 1 månad
Den diagnostiska känsligheten för gastrointestinala sjukdomar med djupinlärningsalgoritm.
1 månad
Den diagnostiska specificiteten för gastrointestinala sjukdomar med djupinlärningsalgoritm.
Tidsram: 1 månad
Den diagnostiska specificiteten för gastrointestinala sjukdomar med djupinlärningsalgoritm.
1 månad
Det diagnostiska positiva prediktiva värdet av gastrointestinala sjukdomar med djupinlärningsalgoritm.
Tidsram: 1 månad
Den diagnostiska specificiteten för gastrointestinala sjukdomar med djupinlärningsalgoritm.
1 månad
Det diagnostiska negativa prediktiva värdet av gastrointestinala sjukdomar med djupinlärningsalgoritm.
Tidsram: 1 månad
Den diagnostiska specificiteten för gastrointestinala sjukdomar med djupinlärningsalgoritm.
1 månad

Samarbetspartners och utredare

Det är här du hittar personer och organisationer som är involverade i denna studie.

Sponsor

Shandong University

Studieavstämningsdatum

Dessa datum spårar framstegen för inlämningar av studieposter och sammanfattande resultat till ClinicalTrials.gov. Studieposter och rapporterade resultat granskas av National Library of Medicine (NLM) för att säkerställa att de uppfyller specifika kvalitetskontrollstandarder innan de publiceras på den offentliga webbplatsen.

Studera stora datum

Studiestart (Faktisk)

1 januari 2020

Primärt slutförande (Förväntat)

1 februari 2020

Avslutad studie (Förväntat)

1 februari 2020

Studieregistreringsdatum

Först inskickad

7 januari 2020

Först inskickad som uppfyllde QC-kriterierna

7 januari 2020

Första postat (Faktisk)

10 januari 2020

Uppdateringar av studier

Senaste uppdatering publicerad (Faktisk)

18 februari 2020

Senaste inskickade uppdateringen som uppfyllde QC-kriterierna

14 februari 2020

Senast verifierad

1 februari 2020

Mer information

Termer relaterade till denna studie

Nyckelord

Ytterligare relevanta MeSH-villkor

Andra studie-ID-nummer

  • 2019-SDU-QILU-G710

Läkemedels- och apparatinformation, studiedokument

Studerar en amerikansk FDA-reglerad läkemedelsprodukt

Nej

Studerar en amerikansk FDA-reglerad produktprodukt

Nej

produkt tillverkad i och exporterad från U.S.A.

Nej

Denna information hämtades direkt från webbplatsen clinicaltrials.gov utan några ändringar. Om du har några önskemål om att ändra, ta bort eller uppdatera dina studieuppgifter, vänligen kontakta register@clinicaltrials.gov. Så snart en ändring har implementerats på clinicaltrials.gov, kommer denna att uppdateras automatiskt även på vår webbplats .

Prenumerera