Artificiell intelligens för realtidsdetektering och övervakning av kolorektala polyper
23 november 2022 uppdaterad av: Centre hospitalier de l'Université de Montréal (CHUM)
Utredarna antar att den kliniska implementeringen av ett djupt lärande AI-system är ett optimalt verktyg för att övervaka, granska och förbättra upptäckten och klassificeringen av polyper och andra anatomiska landmärken under koloskopi.
Syftet med denna studie är att generera preliminära data för att utvärdera effektiviteten av AI-assisterad koloskopi på: a) hastigheten för detektion av adenom; b) den automatiska detekteringen av de anatomiska landmärkena (d.v.s. ileocekalklaff och appendiceal öppning).
Studieöversikt
Status
Avslutad
Betingelser
Intervention / Behandling
Detaljerad beskrivning
I denna rättegång strävar utredarna efter att utvärdera följande:
- noggrannheten för automatisk detektering av viktiga anatomiska landmärken (d.v.s. ileocecal ventil, appendiceal öppning);
- noggrannheten för automatisk detektering av polyper/adenom (PDR/ADR);
Studietyp
Interventionell
Inskrivning (Faktisk)
372
Fas
- Inte tillämpbar
Kontakter och platser
Det här avsnittet innehåller kontaktuppgifter för dem som genomför studien och information om var denna studie genomförs.
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
45 år till 80 år (VUXEN, OLDER_ADULT)
Tar emot friska volontärer
Nej
Kön som är behöriga för studier
Allt
Beskrivning
Inklusionskriterier :
- Undertecknat informerat samtycke
- Ålder 45-80 år
- Indikation för att genomgå en endoskopi med lägre GI.
Exklusions kriterier :
- Koagulopati
- Dålig allmän hälsa, definierad som ett American Society of Anesthesiologists (ASA) fysisk statusklass >3
- Akut koloskopier
- Inlagda patienter
- Känd inflammatorisk tarmsjukdom (IBD)
- Patienter för närvarande på akuten
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: NA
- Interventionsmodell: SINGLE_GROUP
- Maskning: INGEN
Vapen och interventioner
Deltagargrupp / Arm |
Intervention / Behandling |
|---|---|
|
EXPERIMENTELL: Artificiell intelligens för realtidsdetektering och övervakning av kolorektala polyper
En standardkoloskopi kommer att utföras enligt standarden för rutinvård.
Alla optiskt diagnostiserade polyper kommer att tas bort och skickas till CHUMs patologilaboratorium för histopatologisk utvärdering enligt institutionella standarder.
AI-systemet kommer att fånga video av proceduren i realtid och ge ytterligare information om upptäckt av polyper, uppföljning och förutsägelse av patologi.
Koloskopifilmerna i full längd kommer att kommenteras för den exakta tidpunkten för identifieringen av de anatomiska landmärkena, polyper, även för polyp- och procedurrelaterade egenskaper.
|
AI-systemet kommer att fånga livevideon av proceduren och AI-feedbacken (polypdetektering, spårning och patologiförutsägelse) kommer att visas på en andra skärm installerad bredvid den vanliga endoskopiskärmen.
Skärm A visar den vanliga endoskopibilden och skärm B visar den vanliga endoskopibilden tillsammans med de områden som kan hysa en polyp eller informationen för att förutsäga patologi
|
Vad mäter studien?
Primära resultatmått
Resultatmått |
Åtgärdsbeskrivning |
Tidsram |
|---|---|---|
|
Antal upptäckta polyper
Tidsram: Dag 1
|
Effekten av AI-assisterad koloskopi för att upptäcka andelen patienter med minst 1 polyp.
Polypdetekteringshastighet med en AI.
|
Dag 1
|
|
Utvärdering av den automatiska rapporten av koloskopikvalitetsindikatorerna
Tidsram: Dag 1
|
Jämför automatisk detektering av ileocecalventilen, appendiceal mynning och den automatiska beräkningen av uttagstiden med manuell detektering
|
Dag 1
|
Samarbetspartners och utredare
Det är här du hittar personer och organisationer som är involverade i denna studie.
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)
18 december 2020
Primärt slutförande (FAKTISK)
31 mars 2022
Avslutad studie (FAKTISK)
11 maj 2022
Studieregistreringsdatum
Först inskickad
1 oktober 2020
Först inskickad som uppfyllde QC-kriterierna
7 oktober 2020
Första postat (FAKTISK)
14 oktober 2020
Uppdateringar av studier
Senaste uppdatering publicerad (FAKTISK)
25 november 2022
Senaste inskickade uppdateringen som uppfyllde QC-kriterierna
23 november 2022
Senast verifierad
1 november 2022
Mer information
Termer relaterade till denna studie
Nyckelord
Ytterligare relevanta MeSH-villkor
Andra studie-ID-nummer
- 20.198
Plan för individuella deltagardata (IPD)
Planerar du att dela individuella deltagardata (IPD)?
NEJ
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 .