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

29 september 2026 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

To evaluate the usefulness of Deep neural network (DNN) in the evaluation of mediastinal and hilar lymph nodes with Endobronchial ultrasound (EBUS). The study will explore the feasibility of DNN to identify lymph nodes and blood vessel examined with EBUS.

Studieöversikt

Status

Rekrytering

Betingelser

Intervention / Behandling

Enhet: machine learning algorithm

Detaljerad beskrivning

Multi-center prospective feasibility study. The DNN model will be trained on ultrasound images with annotation to identifies lymph nodes and blood vessels examined with EBUS. The ability of the DNN to segment lymph nodes and vessels based on postoperative processing and static EBUS images will be evaluated in the first part of the study. In the second part of the study Real-time use of DNN in EBUS procedure will be evaluated.

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

Kön som är behöriga för studier

Allt

Testmetod

Icke-sannolikhetsprov

Studera befolkning

Patents with undiagnosed enlarged mediastinal and hilar lymph nodes who have been recommended for Endobronchial ultrasound transbronchial needle aspiration (EBUS-TBNA).

Beskrivning

Inclusion Criteria:

Subjects referred to thoracic department in any of the participating hospitals with undiagnosed enlarged mediastinal and hilar lymph nodes.
Subjects have to be ≥ 18 years of age

Exclusion Criteria:

Pregnancy
Any patient that the Investigator feels is not appropriate for this study for any reason.

Studieplan

Det här avsnittet ger detaljer om studieplanen, inklusive hur studien är utformad och vad studien mäter.

Hur är studien utformad?

Designdetaljer

Observationsmodeller: CASE_ONLY
Tidsperspektiv: PROSPECTIVE

Vad mäter studien?

Primära resultatmått

Resultatmått	Åtgärdsbeskrivning	Tidsram
Capability Tidsram: 8 months	To explore if Deep neural network (DNN) has capability to segment lymph nodes and blood vessels from EBUS images	8 months

Sekundära resultatmått

Resultatmått	Åtgärdsbeskrivning	Tidsram
Precision Tidsram: 2 months	The precision the DNN has for detecting lymph nodes and blood vessels. Measured both per voxel in the EBUS images and per annotated structure (a structure is counted as detected if at least 50% of its annotated pixels are identified by the DNN).	2 months
Sensitivity Tidsram: 2 months	True positive rate. Correctly detected lymph nodes/blood vessel over total lymph nodes/blood vessel. Measured per pixel in the EBUS images	2 months
Specificity Tidsram: 2 months	Specificity = (True Negative)/(True Negative + False Positive). Measured per pixel in the EBUS images.	2 months
Dice similarity coefficient Tidsram: 2 months	Measures the similarity between two sets of data: Annotated by pulmonologist vs DNN.	2 months
Run-time Tidsram: 2 months	Is the run-time sufficiently low for real-time analysis during EBUS?	2 months
Adverse events Tidsram: 48 hours	Procedure related adverse events or unexpected incidents registered	48 hours

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