AI-assisterad vitljusendoskopi för att identifiera Kimura-Takemoto-klassificeringen av atrofisk gastrit
10 april 2024 uppdaterad av: Yanqing Li, Shandong University
Artificiell intelligens-assisterad vitljusendoskopi för att identifiera Kimura-Takemoto-klassificeringen av atrofisk gastrit för att uppnå riskbedömning av magcancer
Gradering av endoskopisk atrofi enligt Kimura-Takemoto-klassificeringen kan bedöma risken för utveckling av gastrisk neoplasi.
Den falska negativa frekvensen av kronisk atrofisk gastrit är dock hög på grund av den varierande diagnostiska standardiseringen och diagnostiska erfarenheten och nivåerna hos endoskopister.
Därför syftar denna studie till att utveckla en AI-modell för att identifiera Kimura-Takemoto-klassificeringen.
Studieöversikt
Status
Rekrytering
Betingelser
Intervention / Behandling
Detaljerad beskrivning
Gradering av endoskopisk atrofi enligt Kimura-Takemoto-klassificeringen kan bedöma risken för utveckling av gastrisk neoplasi.
Ju högre poäng, desto svårare är graden av atrofisk gastrit.
Den falska negativa frekvensen av kronisk atrofisk gastrit är dock hög på grund av den varierande diagnostiska standardiseringen och diagnostiska erfarenheten och nivåerna hos endoskopister.
Därför syftar denna studie till att utveckla en AI-modell för att identifiera Kimura-Takemoto-klassificeringen av atrofisk gastrit för att uppnå riskbedömning av magcancer.
Studietyp
Observationell
Inskrivning (Beräknad)
1500
Kontakter och platser
Det här avsnittet innehåller kontaktuppgifter för dem som genomför studien och information om var denna studie genomförs.
Studiekontakt
- Namn: yanqing Li, MD, PHD
- Telefonnummer: 0531182169385
- E-post: liyanqing@sdu.edu.cn
Studieorter
-
-
Shandong
-
Shangdong, Shandong, Kina, 250012
- Rekrytering
- Department of Gastrology, QiLu Hospital, Shandong University
-
Kontakt:
- yanqing Li, MD, PHD
- Telefonnummer: 0531182169385
- E-post: liyanqing@sdu.edu.cn
-
-
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
Nej
Testmetod
Icke-sannolikhetsprov
Studera befolkning
På varandra följande patienter som får den gastrointestinala endoskopiundersökningen och screenas som uppfyller behörighetskriterierna på Qilu Hospital, Shandong University kommer att registreras i studien
Beskrivning
Inklusionskriterier:
Patienter i åldern 18-80 år som genomgår vitljusendoskopundersökningen Informerat samtycke som patienten lämnar.
Exklusions kriterier:
- patienter med allvarlig hjärt-, cerebral, pulmonell eller renal dysfunktion eller psykiatrisk;
- störningar som inte kan delta i gastroskopi;
- Patienter med progressiv magcancer;
- bilder av låg kvalitet;
- patienter med tidigare kirurgiska ingrepp på magen eller matstrupen;
- patienter som vägrar att underteckna formuläret för informerat samtycke;
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 |
|---|---|
|
Kronisk atrofisk gastrit observerad med vitljusendoskop
Få bilder från gastric antrum, gastrisk vinkel, mindre krökning av magkroppen, cardia, gastrisk fundus, större krökning av magkroppen med vitljusendoskop
|
Endosopister och AI kommer att bedöma Kimura-Takemoto-klassificeringen oberoende när patienterna är berättigade.
|
Vad mäter studien?
Primära resultatmått
Resultatmått |
Åtgärdsbeskrivning |
Tidsram |
|---|---|---|
|
Noggrannhet av AI-modell för att diagnostisera Kimura-Takemoto-klassificeringen
Tidsram: 2 år
|
Noggrannhet av AI-modell för att diagnostisera Kimura-Takemoto-klassificeringen
|
2 år
|
|
Känslighet hos AI-modellen för att diagnostisera Kimura-Takemoto-klassificeringen
Tidsram: 2 år
|
Känslighet hos AI-modellen för att diagnostisera Kimura-Takemoto-klassificeringen
|
2 år
|
|
Specificitet för AI-modell för att diagnostisera Kimura-Takemoto-klassificeringen
Tidsram: 2 år
|
Specificitet för AI-modell för att diagnostisera Kimura-Takemoto-klassificeringen
|
2 år
|
Sekundära resultatmått
Resultatmått |
Åtgärdsbeskrivning |
Tidsram |
|---|---|---|
|
MIOU-värdet för AI-modell i semantisk segmentering av endoskopisk atrofibild
Tidsram: 2 år
|
MIOU-värdet för AI-modell i semantisk segmentering av endoskopisk atrofibild
|
2 år
|
Samarbetspartners och utredare
Det är här du hittar personer och organisationer som är involverade i denna studie.
Sponsor
Samarbetspartners
Utredare
- Studiestol: yanqing li, MD,PHD, Qilu Hospital, 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 (Faktisk)
1 juni 2023
Primärt slutförande (Beräknad)
31 december 2024
Avslutad studie (Beräknad)
31 december 2024
Studieregistreringsdatum
Först inskickad
14 juni 2023
Först inskickad som uppfyllde QC-kriterierna
14 juni 2023
Första postat (Faktisk)
23 juni 2023
Uppdateringar av studier
Senaste uppdatering publicerad (Faktisk)
12 april 2024
Senaste inskickade uppdateringen som uppfyllde QC-kriterierna
10 april 2024
Senast verifierad
1 april 2024
Mer information
Termer relaterade till denna studie
Ytterligare relevanta MeSH-villkor
Andra studie-ID-nummer
- 2022SDU-QILU-123
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 .