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

Artificiell intelligens-guidad detektering av blodkärl för att förbättra säkerheten vid tredje-rum-endoskopiska procedurer

14 april 2026 uppdaterad av: Abhishek Tyagi, Asian Institute of Gastroenterology, India

Artificiell intelligens-guidad detektering av anatomiska markörer för att förbättra säkerheten i endoskopiska procedurer i det tredje utrymmet

Denna prospektiva studie syftar till att utvärdera prestandan hos ett nytt artificiellt intelligens-verktyg (AI) för kliniskt beslutsstöd under tredje rymd endoskopiska ingrepp, såsom endoskopisk submukosdissection (ESD) och peroral endoskopisk myotomi (POEM).

Även om dessa procedurer är effektiva för behandling av gastrointestinala neoplasi och motilitetsstörningar, medför de risker för intraprocedurblödning och perforation om submukösa blodkärl inte identifieras och koaguleras korrekt. Baserat på tidigare retrospektiv validering kommer denna studie att bedöma om en realtids AI-modell kan assistera endoskopister med att upptäcka och avgränsa blodkärl mer exakt och snabbare under levande humana procedurer.

Studieöversikt

Status

Rekrytering

Betingelser

Intervention / Behandling

Detaljerad beskrivning

Bakgrund och motivering

Procedurer inom tredje-utrymmesendoskopi är tekniskt krävande. Den främsta utmaningen ligger i oavsiktlig avskärning av submukösa kärl, vilket leder till blödningar som döljer det kirurgiska fältet och ökar risken för perforation. För närvarande är kärlidentifiering helt beroende av operatören.

Vårt team har utvecklat en djupinlärningsbaserad artificiell intelligensmodell tränad på 250 000 annoterade bilder från 150 POEM-procedurer. Denna modell är optimerad för minimal fördröjning, vilket möjliggör realtidsvisuella överlägg (avgränsning) av blodkärl på endoskopmonitorn.

Studiemål Det primära målet är att utvärdera kärldetekteringsfrekvensen (VDR) – andelen kärl som identifierats av endoskopisten när de bistås av AI jämfört med standardpraxis.

Studien kommer också att undersöka:

Kärldetekteringstid (VDT): Fördröjningen mellan att ett kärl visas i synfältet och dess identifiering.

Studiedesign och arbetsflöde:

I denna prospektiva studie kommer AI-systemet att integreras i Olympus EVIS X1-seriens endoskopistack. När endoskopisten navigerar i det submukösa utrymmet kommer AI att ge realtidsvisuella segmenteringsmasker som markerar kärl. Prestandan kommer att registreras och jämföras mot en oberoende expertgranskning efter proceduren för att beräkna känslighet och detekteringshastighet.

Studietyp

Interventionell

Inskrivning (Beräknad)

20

Fas

  • Inte tillämpbar

Kontakter och platser

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

Studiekontakt

Studera Kontakt Backup

Studieorter

  • Indien
    • Telangana
      • Hyderabad, Telangana, Indien, 500032
        • Rekrytering
        • Asian Institute of Gastroenterology
        • Kontakt:
        • Huvudutredare:
          • Abhishek Tyagi, M.S.

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

  • Barn
  • Vuxen
  • Äldre vuxen

Tar emot friska volontärer

Nej

Beskrivning

Inklusionskriterier:

  • Patienter diagnostiserade med Achalasia Cardia eller neoplasi.

Exklusionskriterier:

  • Patienter med tillstånd som anses olämpliga för tredje rymdens endoskopiprocedurer (t.ex.: Kandidatos)

Studieplan

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

Hur är studien utformad?

Designdetaljer

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

Vapen och interventioner

Deltagargrupp / Arm
Intervention / Behandling
Aktiv komparator: Med artificiell intelligens
Endoskopisten kommer att se den AI-genererade segmenteringsmasken
Enhet: AI-genererad segmenteringsmask för sub-mukösa blodkärl
Realtidsgenererade AI-segmenteringsmasker eller konturer för avgränsning av submukösa blodkärl synliga på endoskopiskärmen.
Inget ingripande: Utan artificiell intelligens
Endoskopisten kommer inte att se den AI-genererade segmenteringsmasken

Vad mäter studien?

Primära resultatmått

Resultatmått
Åtgärdsbeskrivning
Tidsram
Fartygsdetektionsgrad (VDR)
Tidsram: 3 månader
andelen kärl som identifierats av endoskopisten
3 månader

Sekundära resultatmått

Resultatmått
Åtgärdsbeskrivning
Tidsram
Fartygsdetekteringstid (VDT)
Tidsram: 3 månader
Fördröjningen mellan att ett fartyg dyker upp i synfältet och dess identifiering.
3 månader

Samarbetspartners och utredare

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

Sponsor

Asian Institute of Gastroenterology, India

Utredare

  • Huvudutredare: Abhishek Tyagi, Asian Intitute of Gastroenterology

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)

10 februari 2026

Primärt slutförande (Beräknad)

30 april 2026

Avslutad studie (Beräknad)

30 april 2026

Studieregistreringsdatum

Först inskickad

27 januari 2026

Först inskickad som uppfyllde QC-kriterierna

3 februari 2026

Första postat (Faktisk)

10 februari 2026

Uppdateringar av studier

Senaste uppdatering publicerad (Faktisk)

15 april 2026

Senaste inskickade uppdateringen som uppfyllde QC-kriterierna

14 april 2026

Senast verifierad

1 februari 2026

Mer information

Termer relaterade till denna studie

Nyckelord

Ytterligare relevanta MeSH-villkor

Andra studie-ID-nummer

  • AITSE-1

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

produkt tillverkad i och exporterad från U.S.A.

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