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

Förstärkt endobronkialt ultraljud (EBUS-TBNA) med artificiell intelligens

18 augusti 2025 uppdaterad av: Norwegian University of Science and Technology

Automatisk segmentering av mediastinala lymfkörtlar och blodkärl i endobronkial ultraljudsbilder (EBUS) med hjälp av ett djupt neuralt nätverk

För att utvärdera användbarheten av Deep neural Network (DNN) vid utvärdering av mediastinala och hilar lymfkörtlar med endobronkialt ultraljud (EBUS). Studien kommer att undersöka möjligheten av DNN för att identifiera lymfkörtlar och blodkärl undersökta med EBUS.

Studieöversikt

Status

Rekrytering

Betingelser

Intervention / Behandling

Enhet: maskininlärningsalgoritm

Detaljerad beskrivning

Multicenter prospektiv förstudie. DNN-modellen kommer att tränas på ultraljudsbilder med anteckning för att identifiera lymfkörtlar och blodkärl undersökta med EBUS. Förmågan hos DNN att segmentera lymfkörtlar och kärl baserat på postoperativ bearbetning och statiska EBUS-bilder kommer att utvärderas i den första delen av studien. I den andra delen av studien kommer realtidsanvändning av DNN i EBUS-proceduren att utvärderas.

Studietyp

Observationell

Inskrivning (Beräknad)

Kontakter och platser

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

Studiekontakt

Namn: Øyvind Ervik, MD
Telefonnummer: +4791634595
E-post: oyvind.ervik@ntnu.no

Studera Kontakt Backup

Namn: Hanne Sorger, MD,PhD
Telefonnummer: +4791816787
E-post: hanne.sorger@ntnu.no

Studieorter

Norge
- - Levanger, Norge, 7600
    - Rekrytering
    - Department of Pulmonology, Levanger Hospital, North Trøndelag Hospital Trust
    - Kontakt:
      
      Øyvind Ervik, MD
      
      Telefonnummer: +4791634595
      
      E-post: oyvind.ervik@ntnu.no
  - Trondheim, Norge, 7030
    - Rekrytering
    - Department of Thoracic Medicine, St Olavs Hospital
    - Kontakt:
      
      Håkon O Leira, MD, PhD
      
      Telefonnummer: +4799014967
      
      E-post: håkon.o.leira@ntnu.no

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

Testmetod

Icke-sannolikhetsprov

Studera befolkning

Patent med odiagnostiserade förstorade mediastinala och hilar lymfkörtlar som har rekommenderats för endobronkial ultraljud transbronchial needle aspiration (EBUS-TBNA).

Beskrivning

Inklusionskriterier:

Patienter remitterade till bröstkorgsavdelning på något av de deltagande sjukhusen med odiagnostiserade förstorade mediastinala och hilar lymfkörtlar.
Försökspersonerna måste vara ≥ 18 år gamla

Exklusions kriterier:

Graviditet
Varje patient som utredaren anser inte är lämplig för denna studie av någon anledning.

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
Förmåga Tidsram: 8 månader	För att undersöka om Deep neural Network (DNN) har förmåga att segmentera lymfkörtlar och blodkärl från EBUS-bilder	8 månader

Sekundära resultatmått

Resultatmått	Åtgärdsbeskrivning	Tidsram
Precision Tidsram: 2 månader	Precisionen som DNN har för att detektera lymfkörtlar och blodkärl. Uppmätt både per voxel i EBUS-bilderna och per kommenterad struktur (en struktur räknas som detekterad om minst 50 % av dess annoterade pixlar identifieras av DNN).	2 månader
Känslighet Tidsram: 2 månader	Sann positiv kurs. Korrekt detekterade lymfkörtlar/blodkärl över totala lymfkörtlar/blodkärl. Uppmätt per pixel i EBUS-bilderna	2 månader
Specificitet Tidsram: 2 månader	Specificitet = (Sant negativt)/(Sant negativt + Falskt positivt). Uppmätt per pixel i EBUS-bilderna.	2 månader
Likhetskoefficient för tärningar Tidsram: 2 månader	Mäter likheten mellan två uppsättningar data: Kommenterad av lungläkare vs DNN.	2 månader
Körning Tidsram: 2 månader	Är körtiden tillräckligt låg för realtidsanalys under EBUS?	2 månader
Biverkningar Tidsram: 48 timmar	Procedurrelaterade biverkningar eller oväntade incidenter registreras	48 timmar

Samarbetspartners och utredare

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

Sponsor

Norwegian University of Science and Technology

Samarbetspartners

Helse Nord-Trøndelag HF

SINTEF Health Research

Utredare

Studierektor: Øivind Rognmo, Dr.philos, Norwegian University of Science and Technology

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 maj 2023

Primärt slutförande (Beräknad)

1 maj 2027

Avslutad studie (Beräknad)

1 december 2027

Studieregistreringsdatum

Först inskickad

13 februari 2023

Först inskickad som uppfyllde QC-kriterierna