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

Ulcerös kolit Mayo poäng med artificiell intelligens

14 april 2022 uppdaterad av: Yanling Wei, Third Military Medical University

Forskning om artificiell intelligens-baserat Mayo Score Recognition System för sjukdomsaktivitetsgrad av ulcerös kolit under matsmältningsendoskopi

Detta projekt kommer att använda djupinlärning för att klassificera koloskopibilder av olika svårighetsgrad av ulcerös kolit, för att hjälpa läkare med korrekt diagnos av ulcerös kolit.

Studieöversikt

Status

Har inte rekryterat ännu

Betingelser

Detaljerad beskrivning

I detta projekt användes artificiell intelligens för att koloskopiska bilder av patienter med ulcerös kolit med olika sjukdomsaktivitetsnivåer och klassificera dem enligt utvärderingsstandarden Mayo-poäng för att hjälpa endoskopister att identifiera sjukdomsaktivitetsnivåer hos patienter med ulcerös kolit under koloskopi. Det kan hjälpa kliniska endoskopister att exakt identifiera, och visualiseringstekniken för artificiell intelligens kategorisvarskartan kan heltäckande visa områden med hög betydelse för djupa nätverksklassificeringsresultat och visualisera de experimentella lesionsplatserna, och på så sätt effektivt verifiera tillförlitligheten och tolkningen av djupa nätverk . Denna studie kan ge starkt stöd för korrekt identifiering av sjukdomsaktivitet vid klinisk ulcerös kolit, effektivt minska klinikernas arbetsbelastning och tillhandahålla ett bekvämt, effektivt och praktiskt kliniskt undervisningsverktyg.

Studietyp

Observationell

Inskrivning (Förväntat)

500

Kontakter och platser

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

Studiekontakt

Namn: Yanling Wei, professor
Telefonnummer: +8615310354666
E-post: lingzi016@tmmu.edu.cn

Studieorter

Kina
- Chongqing
  - Chongqing, Chongqing, Kina, 400042
    - Third Military Medical University
    - Kontakt:
      
      Yanling Wei, Professor
      
      Telefonnummer: 15310354666
      
      E-post: lingzi016@126.com

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 till 72 år (VUXEN, OLDER_ADULT)

Tar emot friska volontärer

Kön som är behöriga för studier

Allt

Testmetod

Icke-sannolikhetsprov

Studera befolkning

Bilderna hämtades från endoskopidatabasen från Army Medical Center of PLA och erhölls från koloskopi av patienter med ulcerös kolit som uppfyllde inklusionskriterierna. Databilderna användes för att etablera och verifiera modellen för ai-assisterat igenkänningssystem.

Beskrivning

Inklusionskriterier:

Försökspersonerna var 18-72 år gamla, män och kvinnor;
Klinisk diagnos av ulcerös kolit;
Försökspersonerna genomgick koloskopi och koloskopirapporten var komplett.

Exklusions kriterier:

Försökspersonerna är yngre än 18 år eller äldre än 72 år;
Försökspersonerna genomgick kolektomi, ileostomi, kolostomi, ileostomi eller annan tarmresektion;
personer med tvetydig diagnos.

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	Åtgärdsbeskrivning	Tidsram
Noggrannheten av djupinlärningsmodellen i utbildnings- och valideringsdatauppsättningarnas bedömning av Mayo-poäng hos patienter med ulcerös kolit. Tidsram: Genom avslutad studie i snitt 1 år.	I tränings- och valideringsdatauppsättningarna ritade vi AUC (area under kurva) för Mayo 0, Mayo 1, Mayo 2 och Mayo 3 för att utvärdera vår modell objektivt.	Genom avslutad studie i snitt 1 år.

Sekundära resultatmått

Resultatmått	Åtgärdsbeskrivning	Tidsram
Noggrannheten och tidseffektiviteten hos endoskopisters bedömning av Mayo-poäng hos patienter med ulcerös kolit. Tidsram: Genom avslutad studie i snitt 1 år.	Dataseten tilldelades slumpmässigt till endoskopister. Alla endoskopister utbildades i diagnostiska studier, avslutade både klinisk och specifik endoskopisk utbildning och var inte involverade i registreringen och märkningen av patienterna och bilderna. Under jämförelsetestet randomiserades alla data och avidentifierades i förväg. Den genomsnittliga tiden som 10 endoskopister spenderade på att diagnostisera testdatauppsättningen i djupinlärningsmodellen och antalet korrekta fall analyserades.	Genom avslutad studie i snitt 1 år.

Samarbetspartners och utredare

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

Sponsor

Third Military Medical University

Utredare

Studierektor: Yanling Wei, Professor, Third Military Medical 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 (FÖRVÄNTAT)

1 april 2022

Primärt slutförande (FÖRVÄNTAT)

1 december 2022

Avslutad studie (FÖRVÄNTAT)

1 juni 2023

Studieregistreringsdatum

Först inskickad

27 februari 2022

Först inskickad som uppfyllde QC-kriterierna

14 april 2022

Första postat (FAKTISK)

20 april 2022

Uppdateringar av studier

Senaste uppdatering publicerad (FAKTISK)