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

Den artificiella intelligensens roll i endoskopisk diagnos av esofagogastriskt junctional adenokarcinom: Ett enda centrum, fallkontroll, diagnostisk studie

15 november 2023 uppdaterad av: Qilu Hospital of Shandong University
Detta är en enda center, fallkontroll, diagnostisk studie. Syftet med denna studie är att använda djupinlärningsmetoder för att retrospektivt analysera bilddata från gastrointestinal endoskopi på Qilu sjukhus, och konstruera en artificiell intelligensmodell baserad på endoskopiska bilder för att detektera och bestämning av djupet av invasionen av esophagogastric junctional adenocarcinoma.Denna studie kommer också att jämföra den etablerade AI-modellen med endoskopisters diagnostiska resultat för att utvärdera det kliniska hjälpvärdet av modellen för endoskopister. Forskningen omfattar stadier som datainsamling och förbearbetning, artificiell intelligens modellutveckling, modelltestning och utvärdering. Den gastroskopibilduppsättning som konstruerats av detta forskningsinstitut omfattar huvudsakligen tre metoder för endoskopisk avbildning: vitljusendoskopi, optisk förbättringsendoskopi (OE) och smalbandsendoskopi (NBI).

Studieöversikt

Status

Har inte rekryterat ännu

Betingelser

Intervention / Behandling

Studietyp

Observationell

Inskrivning (Beräknad)

200

Kontakter och platser

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

Studiekontakt

  • Namn: Miaomiao Ma, Bachelor
  • Telefonnummer: +8617657686098
  • E-post: mmiao6098@163.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

  • Vuxen
  • Äldre vuxen

Tar emot friska volontärer

Ja

Testmetod

Icke-sannolikhetsprov

Studera befolkning

Denna studie inkluderade endoskopiska bilder av esofagus-magövergången hämtade från Endoscopy Centre of Qilu Hospital för träning och testning av modellen. Studiepopulationen genomgick patologisk undersökning och de patologiska resultaten användes som guldstandard.

Beskrivning

Inklusionskriterier:

  • Denna studie inkluderade endoskopiska bilder av patienter i åldern 18 år och äldre som genomgick endoskopisk undersökning eller behandling
  • Alla patienter i fallgruppen behöver patologiskt bekräftas som esofagus gastric junction adenocarcinoma, och en patolog har genomfört en standardiserad patologisk utvärdering av tumörklassificeringen av lesionen, inklusive det övergripande utseendet, storleken, differentieringstyp, infiltrationsdjup, närvaro eller frånvaro av lymfatisk/vaskulär invasion, kirurgisk marginalstatus, etc.
  • De endoskopiska bilderna av kontrollgruppens patienter måste bekräftas av biopsipatologi eller minst två erfarna endoskopister (med operationserfarenhet >5000 fall) för att gemensamt bekräfta att de har tydliga godartade manifestationer

Exklusions kriterier:

  • Patienten har en tidigare anamnes på endoskopisk behandling eller operation för esofagus magövergången.
  • Nödvändig klinisk information kan inte tillhandahållas under forskningsprocessen (patientens ålder, kön, lesionsegenskaper, endoskopiska manifestationer, endoskopiska bilder etc.)
  • Endoskopiska bilder av låg kvalitet, som de som är allvarligt påverkade av blödning, bländare, suddighet, oskärpa, artefakter eller överdrivet slem efter biopsi.

Studieplan

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

Hur är studien utformad?

Designdetaljer

Kohorter och interventioner

Grupp / Kohort
Intervention / Behandling
Träningsset
Diagnostiskt test: Ett intelligent endoskopiskt diagnossystem utvecklat och verifierat baserat på djupinlärning
Denna studie kommer att jämföra den etablerade AI-modellen med de diagnostiska resultaten från endoskopister för att utvärdera det kliniska hjälpvärdet av modellen för endoskopister.
Testset
Diagnostiskt test: Ett intelligent endoskopiskt diagnossystem utvecklat och verifierat baserat på djupinlärning
Denna studie kommer att jämföra den etablerade AI-modellen med de diagnostiska resultaten från endoskopister för att utvärdera det kliniska hjälpvärdet av modellen för endoskopister.
Verifieringsuppsättning
Diagnostiskt test: Ett intelligent endoskopiskt diagnossystem utvecklat och verifierat baserat på djupinlärning
Denna studie kommer att jämföra den etablerade AI-modellen med de diagnostiska resultaten från endoskopister för att utvärdera det kliniska hjälpvärdet av modellen för endoskopister.

Vad mäter studien?

Primära resultatmått

Resultatmått
Åtgärdsbeskrivning
Tidsram
Känslighet
Tidsram: 36 månader
Forskarna beräknade känsligheten hos den etablerade AI-modellen och jämförde den med endoskopister på olika nivåer.
36 månader
Specificitet
Tidsram: 36 månader
Forskarna beräknade specificiteten hos den etablerade AI-modellen och jämförde den med endoskopister på olika nivåer.
36 månader
Negativt prediktivt värde
Tidsram: 36 månader
Forskarna beräknade det negativa prediktiva värdet av den etablerade AI-modellen och jämförde den med endoskopister på olika nivåer.
36 månader
Positivt prediktivt värde
Tidsram: 36 månader
Forskarna beräknade det positiva prediktiva värdet av den etablerade AI-modellen och jämförde den med endoskopister på olika nivåer.
36 månader
Noggrannhet
Tidsram: 36 månader
Forskarna beräknade noggrannheten positivt prediktivt värde för den etablerade AI-modellen och jämförde den med endoskopister på olika nivåer.
36 månader

Samarbetspartners och utredare

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

Sponsor

Qilu Hospital of Shandong 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 (Beräknad)

1 december 2023

Primärt slutförande (Beräknad)

1 april 2025

Avslutad studie (Beräknad)

1 april 2026

Studieregistreringsdatum

Först inskickad

6 april 2023

Först inskickad som uppfyllde QC-kriterierna

6 april 2023

Första postat (Faktisk)

19 april 2023

Uppdateringar av studier

Senaste uppdatering publicerad (Beräknad)

16 november 2023

Senaste inskickade uppdateringen som uppfyllde QC-kriterierna

15 november 2023

Senast verifierad

1 april 2023

Mer information

Termer relaterade till denna studie

Ytterligare relevanta MeSH-villkor

Andra studie-ID-nummer

  • 2023SDU-QILU-1

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 .

Kliniska prövningar på Neoplasmer i magen

Sök liknande försök

Sponsorer och medarbetare

Medicinska tillstånd

Läkemedelsinterventioner

CROs by country

CROs in Russia

Betingelser

Sällsynta sjukdomar

Läkemedelsinterventioner

Kosttillskott

Sponsor / medarbetare

Platser

3
Prenumerera