AI for Colorectal Polyp Detection in Endoscopy
3 september 2020 uppdaterad av: Prof. Helmut Neumann, Johannes Gutenberg University Mainz
Artificial Intelligence Combined With LCI for Colorectal Polyp Detection
Linked color imaging (LCI) has shown its effectiveness in multiple randomized controlled trials for enhanced colorectal polyp detection.
Most recently, artificial intelligence (AI) with deep learning through convolutional neural networks has dramatically improved and is increasingly recognized as a promising new technique enhancing colorectal polyp detection.
Study aim was to evaluate a new developed deep-learning computer-aided detection (CAD) system in combination with LCI for colorectal polyp detection.
Studieöversikt
Status
Okänd
Intervention / Behandling
Studietyp
Observationell
Inskrivning (Förväntat)
600
Kontakter och platser
Det här avsnittet innehåller kontaktuppgifter för dem som genomför studien och information om var denna studie genomförs.
Studieorter
-
-
-
Mainz, Tyskland
- University Hospital Mainz
-
-
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
Testmetod
Icke-sannolikhetsprov
Studera befolkning
Patients ondergoing screeining or surveillance endoscopy
Beskrivning
Inclusion Criteria:
- Full endoscopy withdrawal videos with LCI of patients ondergoing screening or surveillance endoscopy
Exclusion Criteria:
- non adequate bowel preparation
- no full length withdrawal in LCI mode
Studieplan
Det här avsnittet ger detaljer om studieplanen, inklusive hur studien är utformad och vad studien mäter.
Hur är studien utformad?
Designdetaljer
Vad mäter studien?
Primära resultatmått
Resultatmått |
Tidsram |
|---|---|
|
Colorectal polyp detection rate in comparison to traditional detection rate
Tidsram: 2019-2020
|
2019-2020
|
Samarbetspartners och utredare
Det är här du hittar personer och organisationer som är involverade i denna studie.
Utredare
- Huvudutredare: Helmut Neumann, Prof. Dr., Head of Interdisciplinary Endoscopy
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 februari 2019
Primärt slutförande (Förväntat)
31 augusti 2020
Avslutad studie (Förväntat)
30 september 2020
Studieregistreringsdatum
Först inskickad
7 april 2020
Först inskickad som uppfyllde QC-kriterierna
7 april 2020
Första postat (Faktisk)
9 april 2020
Uppdateringar av studier
Senaste uppdatering publicerad (Faktisk)
7 september 2020
Senaste inskickade uppdateringen som uppfyllde QC-kriterierna
3 september 2020
Senast verifierad
1 september 2020
Mer information
Termer relaterade till denna studie
Ytterligare relevanta MeSH-villkor
Andra studie-ID-nummer
- HN_01KR7Zt
Plan för individuella deltagardata (IPD)
Planerar du att dela individuella deltagardata (IPD)?
OBESLUTSAM
Läkemedels- och apparatinformation, studiedokument
Studerar en amerikansk FDA-reglerad läkemedelsprodukt
Nej
Studerar en amerikansk FDA-reglerad produktprodukt
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 .