Artificiell intelligens och tarmrengörande kvalitet (CALPER2)

Patientens uppfattning om den sista tarmrörelsen före koloskopin har visat sig vara en kraftfull prediktor för tarmrengöring bedömd under koloskopi. En stor studie som involverade 1011 patienter fördelade i en härledningskohort (633 patienter) och en valideringskohort (378 patienter) med en uppsättning av 4 bilder som liknade tarmrengörande egenskaper visade en måttlig överensstämmelse med BBPS. Dessutom fann man en god överensstämmelse när personalens uppfattning och patientens uppfattning om den senaste avföringen jämfördes. Dessa fynd erbjuder ett utmärkt tillfälle att testa räddningsrengörande ingrepp samma dag som undersökningen föregår koloskopi.

Under de senaste två åren har tillämpningar av artificiell intelligens skapat ett betydande genombrott inom flera discipliner, inklusive endoskopi. Maskininlärning och dess mer avancerade form djupinlärning, hänvisar till utvecklingen av algoritmer (konvolutionella neurala nätverk) med förmågan att lära sig och utföra vissa uppgifter. Inom endoskopimiljön har datorseendetillämpningar angetts som forskningsprioriterat område. Baserat på all denna erfarenhet var syftet med denna studie att designa och validera ett konvolutionellt neuralt nätverk som automatiskt kan förutsäga kvaliteten på patientens rengöring hemma efter intag av tarmrengöringslösningen och före koloskopin. Det andra syftet var att i en kohort av patienter prospektivt bedöma överensstämmelsen mellan resultatet av den sista rektala effluentkvaliteten som bedömdes av det konvolutionella neurala nätverket och den reningskvalitet som bedömdes under koloskopin bedömd med en validerad skala (Boston Bowel Preparation Scale, BBPS) Denna studie är inkapslad i en observationell prospektiv studie utförd vid Open Access Endoscopy Unit på Hospital Universitario de Canarias mellan februari 2021 och maj 2021 (NCT04702646). Totalt deltog 633 på varandra följande öppenvårdspatienter med en planerad koloskopi i denna studie (totalt 266 patienter (42%) skickade minst en bild). Efter denna studie ombads patienter för vilka en poliklinisk koloskopi begärdes att tillhandahålla bilder på sina avloppsvatten under tarmförberedande intag. En undergrupp av dessa bilder kommer att klassificeras av personalen på vår enhet i adekvat och otillräcklig och kommer att användas för att träna det konvolutionella neurala nätverket. En annan uppsättning bilder kommer att användas för att validera det konvolutionella neurala nätverket. Dessutom kommer utredarna att validera det konvolutionella neurala nätverket in vivo genom att jämföra dess klassificering av avloppskvaliteten med en validerad kolonrengöringsskala under koloskopin.