Identifiering av artificiell intelligens vs endoskopist i EUS normal anatomi
Jämförande utvärdering av artificiell intelligens och endoskopisters noggrannhet i endoskopiskt ultraljud för identifiering av normala anatomiska strukturer: en multiinstitutionell, tvärsnittsstudie
Endoskopiskt ultraljud (EUS) synavtryck är operatörsberoende och kan hindra diagnostisk noggrannhet, särskilt hos mindre erfarna endoskopister. Implementeringen av artificiell intelligens kan potentiellt minska operatörernas beroende och tolkningsvariabilitet, hjälpa eller förbättra den övergripande noggrannheten.
Utredarna syftar därför till att jämföra diagnostisk noggrannhet mellan artificiell intelligens (AI)-baserad modell och endoskopister när de identifierar normala anatomiska strukturer i EUS-procedurer.
Studieöversikt
Status
Betingelser
Intervention / Behandling
Detaljerad beskrivning
EUS är ett operatörsberoende förfarande där noggrannheten beror på erfarenhet och kompetens. Numera kan EUS-utbildning uppnås genom en formell gemenskapsutbildning i ett center under 6-24 månader eller en informell utbildning genom didaktiska sessioner med en kort praktisk erfarenhet. Men parametrarna för en korrekt och fullständig mätning av inlärningsupplevelsen är ännu inte definierade. Implementeringen av artificiell intelligens på EUS kan potentiellt mildra den operatörsberoende variabeln och förbättra diagnostisk noggrannhet.
Därför detektering av normala anatomiska strukturer på separat basis med hjälp av en AI-baserad modell, experter och icke-experter endoskopister för att avgöra var AI skulle vara mest användbar.
Utredarna strävar efter att jämföra den diagnostiska noggrannheten hos den AI-baserade modellen med endoskopisters identifiering av normala anatomiska strukturer i EUS-procedurer.
Studietyp
Inskrivning (Faktisk)
Kontakter och platser
Studieorter
-
-
Guayas
-
Guayaquil, Guayas, Ecuador, 090505
- IECED
-
-
Deltagandekriterier
Urvalskriterier
Åldrar som är berättigade till studier
- Vuxen
- Äldre vuxen
Tar emot friska volontärer
Testmetod
Studera befolkning
Beskrivning
Inklusionskriterier:
- Expert gastrointestinala EUS-endoskopister.
- Icke-expert gastrointestinala endoskopister utbildning för EUS.
- Patienter med kronisk dyspepsi utan andra fynd.
- Patienter med tidigare CT-bilder eller övre matsmältningsendoskopi rapporterar inga andra fynd.
- Patienter som kräver EUS för övervakning på grund av familjehistoria av pankreascancer utan fynd på MRT.
Exklusions kriterier:
- Internetanslutning mindre än 100 MB per sekund.
- Patienter med onormala strukturer eller med synliga lesioner.
Studieplan
Hur är studien utformad?
Designdetaljer
Kohorter och interventioner
Grupp / Kohort |
Intervention / Behandling |
|---|---|
|
AI-baserad modell
AIWorks-EUS Convolutional Neural Network version 2 (CNNv2) (mdconsgroup, Guayaquil, Ecuador) tillämpas på förinspelade videor för detektering av normala anatomiska strukturer.
|
Förinspelade videor, beskurna enligt de olika fönstren (mediastinal, gastrisk, duodenal) kommer att analyseras av AIWorks-EUS-modellen och endoskopister vid olika tidpunkter för att känna igen de olika normala anatomiska strukturerna.
|
|
Expert endoskopister
Endoskopister med >190 EUS-ingrepp per år, inklusive 75 ingrepp i pankreatobiliär och mukosal cancer vardera, 40 subepiteliala fall; och 50 fall av EUS-finnålsaspiration (FNA) (25 av dem är pankreasfall); enligt American Society for Gastrointestinal Endoscopy (ASGE) rekommendationer.
|
Förinspelade videor, beskurna enligt de olika fönstren (mediastinal, gastrisk, duodenal) kommer att analyseras av AIWorks-EUS-modellen och endoskopister vid olika tidpunkter för att känna igen de olika normala anatomiska strukturerna.
|
|
Icke-experta endoskopister
Endoskopister med <190 EUS-ingrepp per år, inklusive 75 ingrepp i pankreatobiliär och mukosal cancer vardera, 40 subepiteliala fall; och 50 fall av EUS-FNA (25 av dem är pankreasfall); enligt American Society for Gastrointestinal Endoscopy (ASGE) rekommendationer.
|
Förinspelade videor, beskurna enligt de olika fönstren (mediastinal, gastrisk, duodenal) kommer att analyseras av AIWorks-EUS-modellen och endoskopister vid olika tidpunkter för att känna igen de olika normala anatomiska strukturerna.
|
Vad mäter studien?
Primära resultatmått
Resultatmått |
Åtgärdsbeskrivning |
Tidsram |
|---|---|---|
|
Diagnostisk noggrannhet
Tidsram: 5 månader
|
Det sanna positiva, sant negativa, falska positiva och falska negativa baserat på detektering av anatomiska strukturer enligt en extern expert endoskopist som guldstandard.
|
5 månader
|
Sekundära resultatmått
Resultatmått |
Åtgärdsbeskrivning |
Tidsram |
|---|---|---|
|
Interobservatörsavtal
Tidsram: 5 månader
|
Jämförelse av diagnostisk noggrannhet mellan artificiell intelligens (AI)-baserad modell och båda grupperna (experta och icke-experta endoskopister) med Fleiss Kappa.
|
5 månader
|
Samarbetspartners och utredare
Samarbetspartners
Utredare
- Huvudutredare: Carlos Robles-Medranda, MD FASGE, Instituto Ecuatoriano de Enfermedades Digestivas (IECED)
Publikationer och användbara länkar
Allmänna publikationer
- Han C, Nie C, Shen X, Xu T, Liu J, Ding Z, Hou X. Exploration of an effective training system for the diagnosis of pancreatobiliary diseases with EUS: A prospective study. Endosc Ultrasound. 2020 Sep-Oct;9(5):308-318. doi: 10.4103/eus.eus_47_20.
- Cho CM. Training in Endoscopy: Endoscopic Ultrasound. Clin Endosc. 2017 Jul;50(4):340-344. doi: 10.5946/ce.2017.067. Epub 2017 Jul 31.
- Finocchiaro M, Cortegoso Valdivia P, Hernansanz A, Marino N, Amram D, Casals A, Menciassi A, Marlicz W, Ciuti G, Koulaouzidis A. Training Simulators for Gastrointestinal Endoscopy: Current and Future Perspectives. Cancers (Basel). 2021 Mar 20;13(6):1427. doi: 10.3390/cancers13061427.
- Robles-Medranda C, Baquerizo-Burgos J, Puga-Tejada M, Del Valle R, Mendez JC, Egas-Izquierdo M, Arevalo-Mora M, Cunto D, Alcivar-Vasquez J, Pitanga-Lukashok H, Tabacelia D. Development of convolutional neural network models that recognize normal anatomic structures during real-time radial-array and linear-array EUS (with videos). Gastrointest Endosc. 2024 Feb;99(2):271-279.e2. doi: 10.1016/j.gie.2023.10.028. Epub 2023 Oct 10.
Studieavstämningsdatum
Studera stora datum
Studiestart (Faktisk)
Primärt slutförande (Faktisk)
Avslutad studie (Faktisk)
Studieregistreringsdatum
Först inskickad
Först inskickad som uppfyllde QC-kriterierna
Första postat (Beräknad)
Uppdateringar av studier
Senaste uppdatering publicerad (Beräknad)
Senaste inskickade uppdateringen som uppfyllde QC-kriterierna
Senast verifierad
Mer information
Termer relaterade till denna studie
Nyckelord
Ytterligare relevanta MeSH-villkor
Andra studie-ID-nummer
- IECED-12345
Plan för individuella deltagardata (IPD)
Planerar du att dela individuella deltagardata (IPD)?
Läkemedels- och apparatinformation, studiedokument
Studerar en amerikansk FDA-reglerad läkemedelsprodukt
Studerar en amerikansk FDA-reglerad produktprodukt
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 .