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

Artificiell intelligens i koloskopi

15 januari 2025 uppdaterad av: Zofia Orzeszko, Jagiellonian University

Artificiell intelligens vid endoskopisk diagnos av kolorektala polyper: en prospektiv randomiserad studie.

Kolorektal cancer är den näst vanligaste maligniteten i länderna i Europeiska unionen. Koloskopi är den primära metoden för att upptäcka och förhindra utveckling av kolorektal cancer är endoskopisk undersökning. Denna studie syftar till att utvärdera effekten av artificiell intelligens på upptäcktsfrekvensen av polyper och tidiga stadier av kolorektal cancer.

Studieöversikt

Status

Rekrytering

Betingelser

Intervention / Behandling

Detaljerad beskrivning

Kolorektal cancer är den näst vanligaste maligniteten i länderna i Europeiska unionen. Den primära metoden för att upptäcka och förhindra utveckling av kolorektal cancer är endoskopisk undersökning-koloskopi, under vilken precancerösa lesioner som adenom och tandade polyper kan avlägsnas. Effektiviteten av koloskopi beror på adenomdetektionsfrekvensen, som varierar mellan endoskopister och påverkas av deras kompetens och erfarenhet. Det har bevisats att koloskopi av hög kvalitet förhindrar utelämnandet av kolorektal cancer, som i framtiden kan utvecklas som så kallad intervallcancer. Ett genombrott inom maskininlärning de senaste åren har möjliggjort utvecklingen av kommersiella system för artificiell intelligens. Dessa system syftar till att förbättra upptäcktsfrekvensen av precancerösa polyper och, följaktligen, potentiellt minska risken för att utveckla kolorektal cancer. Artificiell intelligens förväntas också hjälpa till att standardisera prestanda över endoskopiska procedurer av varierande kvalitet, och därigenom bidra till en minskning av förekomsten av kolorektal cancer i framtiden. Denna studie syftar till att utvärdera effekten av artificiell intelligens på upptäcktsfrekvensen av polyper och tidiga stadier av kolorektal cancer.

Studietyp

Interventionell

Inskrivning (Beräknad)

630

Fas

  • Inte tillämpbar

Kontakter och platser

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

Studiekontakt

Studieorter

  • Polen
    • Lesser Poladn
      • Krakow, Lesser Poladn, Polen, 31559
        • Rekrytering
        • MEDICINA Medical Center
        • Kontakt:
        • Huvudutredare:
          • Zofia Orzeszko, MD
    • Lesser Polasd
      • Krakow, Lesser Polasd, Polen, 31061
        • Rekrytering
        • Brothers Hospitallers Medical Center, Hospital of St John of god in Krakow
        • Kontakt:
        • Huvudutredare:
          • Tomasz Gach, PhD

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

Beskrivning

Inklusionskriterier:

  • samtycke till att delta i studien,
  • Ålder mellan 50 och 65 år,
  • Schemalagd poliklinisk koloskopi.

Uteslutningskriterier:

  • Tidigare koloskopi,
  • Historik av kolorektal kirurgi,
  • Pågående biologisk terapi för alla indikationer,
  • Primär skleroserande kolangit,
  • Familjärt polypossyndrom,
  • Kronisk diarré,
  • Ulcerös kolit,
  • Crohns sjukdom.

Studieplan

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

Hur är studien utformad?

Designdetaljer

  • Primärt syfte: Diagnostisk
  • Tilldelning: Randomiserad
  • Interventionsmodell: Parallellt uppdrag
  • Maskning: Ingen (Open Label)

Vapen och interventioner

Deltagargrupp / Arm
Intervention / Behandling
Experimentell: AI-grupp
AI-gruppen kommer att inkludera patienter som genomgår koloskopi med stöd av ENDO-AID OIP-1 artificiell intelligenssystem för detektion av kolorektal polyp.
Enhet: Datorstödd detektering (CADe)
Endo-Aid CADe-system är en AI-assisterad datorstödd applikation för upptäckt av lesions på ENDO-AID-hårdvara. Den använder en komplex algoritm skapad via ett neuralt nätverk som utvecklats och lärs ut av Olympus. Med denna nya app kan det sofistikerade maskininlärningssystemet varna endoskopisten i realtid när en misstänkt lesion dyker upp på skärmen. Bilden från visionprocessorn överförs till CADe-enheten. Datorapplikationen känner igen formen på polyperna och markerar deras plats på skärmen.
Inget ingripande: Icke-AI-grupp
Icke-AI-grupp kommer att bestå av patienter som genomgår koloskopi utan hjälp av detta system.

Vad mäter studien?

Primära resultatmått

Resultatmått
Åtgärdsbeskrivning
Tidsram
Adenomdetektionsfrekvens (ADR)
Tidsram: Under koloskopiundersökningen
Andelen koloskopier när minst ett histologiskt bevisat adenom hittades.
Under koloskopiundersökningen

Sekundära resultatmått

Resultatmått
Åtgärdsbeskrivning
Tidsram
Användbarhet av artificiell intelligens för både nybörjare och erfarna endoskopister
Tidsram: Under koloskopiundersökningen
Skillnaden i adenomdetektionsfrekvens (ADR) uppnådd med och utan AI hos praktikanter och expertendoskopister.
Under koloskopiundersökningen
Bedömning av morfologin hos polyper som upptäckts under koloskopi
Tidsram: Under koloskopiundersökningen
Bedömning av skillnaderna i polypers morfologi detekterade i båda armarna av studien.
Under koloskopiundersökningen
Kostnadsanalys av ingrepp som utförs med användning av artificiell intelligens
Tidsram: Genom avslutad studie i snitt 6 månader
Bedömningen av kostnadseffektiviteten för implementering av AI, inklusive de ökade kostnaderna för patologisk utvärdering och ytterligare övervakningsundersökningar.
Genom avslutad studie i snitt 6 månader

Samarbetspartners och utredare

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

Sponsor

Jagiellonian University

Utredare

  • Studiestol: Miroslaw Szura, Prof., Jagiellonian University in Krakow
  • Huvudutredare: Zofia Orzeszko, MD, Jagiellonian University in Krakow

Publikationer och användbara länkar

Den som ansvarar för att lägga in information om studien tillhandahåller frivilligt dessa publikationer. Dessa kan handla om allt som har med studien att göra.

Allmänna publikationer

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 november 2024

Primärt slutförande (Beräknad)

31 oktober 2025

Avslutad studie (Beräknad)

31 december 2025

Studieregistreringsdatum

Först inskickad

12 januari 2025

Först inskickad som uppfyllde QC-kriterierna

15 januari 2025

Första postat (Faktisk)

25 mars 2025

Uppdateringar av studier

Senaste uppdatering publicerad (Faktisk)

25 mars 2025

Senaste inskickade uppdateringen som uppfyllde QC-kriterierna

15 januari 2025

Senast verifierad

1 januari 2025

Mer information

Termer relaterade till denna studie

Nyckelord

Andra studie-ID-nummer

  • 2024.000.421

Plan för individuella deltagardata (IPD)

Planerar du att dela individuella deltagardata (IPD)?

NEJ

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 .

Prenumerera