Utveckling av artificiell intelligens för diagnos av kolorektal polyp

Användningen av artificiell intelligens vid datorstödd detektion (CADe) för att upptäcka polyper (pre-cancerösa utväxter) under koloskopi vinner ökat intresse och acceptans med flera enheter som redan finns på den vanliga marknaden. Utredaren vet redan från arbete i andra länder att upptäckt av fler polyper resulterar i en minskad risk för tarmcancer för patienten som genomgår ingreppet, under åren efter koloskopi (dvs. pre-cancerösa utväxter upptäcktes och avlägsnades). Detta har legat till grund för nationella screeningprogram för tarmcancer. Med ökad upptäckt av kolorektala polyper, finns det ett växande behov av att korrekt identifiera polypens natur för att informera om risken för kolorektal cancer med polypen detekterad och även den potentiella framtida risken för patienten. Noggrann polypdiagnos krävs också för att bestämma det korrekta läget eller avlägsnandet – om detta överhuvudtaget kräver avlägsnande (vilket leder till bevarande av kostnader och resurser i ett utmanande nuvarande klimat), om endoskopiskt avlägsnande är möjligt och i så fall med vilken procedur, om operation krävs.

Publicerade data visar att ungefär en fjärdedel av kirurgiskt avlägsnade kolorektala polyper med patienter som genomgick större operation var godartade och därför kunde större operationer ha undvikits med dessa polyper borttagna endoskopiskt, vilket minskade risken för komplikationer och organbevarande för patienten.

Nuvarande polypdiagnostekniker involverar användning och tolkning av specialiserade färgämnen och förstoringsendoskop som kommer med att få expertisexpertis med en tillhörande inlärningskurva och ökad procedurtid. Det är av dessa skäl som trots att de introduceras i klinisk praxis är upptaget av sådana tekniker begränsat och nuvarande metoder för polyperriskstratifiering under koloskopi utan AI är suboptimala.

Nuvarande polypdiagnos AI (CADx) algoritmer är begränsade till mindre klassificering. Nuvarande CADx-plattformar skiljer mellan cancerösa och icke-cancerösa polyper, vilket är av begränsat värde för att ge en personlig patientrisk för kolorektal cancer. Utvecklingen av en multiklassalgoritm är av större komplexitet än en binär klassificering och kräver större utbildnings- och valideringsdatauppsättningar. En robust CADx-algoritm bör också involvera globala träningsbara data för att minimera införandet av bias. Det är av dessa skäl som detta är en planerad internationell multicenterstudie

Prospektiv insamling av data:

Denna studie kommer att genomföras tillsammans med vanlig patientvård, men kommer att kräva att forskarpersonal anger data på ett säkert webbaserat rapportformulär (REDCAP-databas). Detta innebär att deltagarna kommer att genomgå exakt samma procedur, utan skillnader och inga extra besök eller data, än vad som annars skulle ha inträffat. Deltagarna kommer att vara de patienter som har planerats att genomgå en koloskopi av standardskäl. Patienter kommer att bjudas in på vanligt sätt för koloskopi.

De kan - där det är möjligt - skickas PIS med sitt mötesbrev (upp till 6 veckor i förväg). Vid ankomsten till endoskopienheten kommer de att kontaktas av en medlem av forskargruppen och få en kopia av PIS att läsa - upp till en timme innan deras ingrepp. De kommer att tillhandahållas personlig information och förklaring, innan de ger skriftligt medgivande för att tillåta att deras data samlas in i databasen. Eftersom studien inte kräver några förändringar eller ytterligare procedurer, anser utredaren att ett första tillvägagångssätt vid ankomsten till endoskopienheten kommer att ge tillräcklig, lämplig tid för att ge sitt samtycke, även om PIS inte har lästs i förväg (även om det kommer att skickas om möjligt). Den enda ytterligare övervägande kommer att vara samtycke till inspelning av videon (ingen patientidentifierbar data kommer att överföras som en del av denna aspekt).

När koloskopin är klar kommer det inte att bli några ytterligare besök.