GIM 诊断中的 AI
2022年3月28日 更新者：Rapat Pittayanon、King Chulalongkorn Memorial Hospital
人工智能 (AI) 在胃肠化生诊断中的实用性
本研究将使用人工智能 (AI) 诊断胃肠化生。
研究概览
详细说明
将纳入先前诊断为胃肠化生（GIM）并接受胃镜检查的患者。
除了在 GIM 和正常粘膜处分别拍摄至少 5 张照片之外，还将执行常规监视程序。
将进行活检以确认 GIM 和正常粘膜的诊断。
所有图片都将被插入到基于卷积神经网络 (CNN) 的 AI 算法中。
然后，人工智能程序将在日常内窥镜检查中与病理学进行比较验证。
准确性、灵敏度和特异性可以通过 2x2 表计算。
研究类型
介入性
注册 (预期的)
120
阶段
- 不适用
联系人和位置
本节提供了进行研究的人员的详细联系信息，以及有关进行该研究的地点的信息。
学习联系方式
- 姓名：Rapat Pittayanon, MD
- 电话号码：66804224999
- 邮箱：rapat125@gmail.com
学习地点
-
-
Bangkok
-
Pathum Wan、Bangkok、泰国、10330
- 招聘中
- Rapat Pittayanon
-
接触：
- Rapat Pittayanon
- 邮箱：rapat125@gmail.com
-
-
参与标准
研究人员寻找符合特定描述的人，称为资格标准。这些标准的一些例子是一个人的一般健康状况或先前的治疗。
资格标准
适合学习的年龄
14年 及以上 (成人、年长者)
接受健康志愿者
不
有资格学习的性别
全部
描述
纳入标准：
- 18岁以上
- 能够签署同意书
排除标准：
- 胃手术史
- 凝血障碍
- 怀孕/哺乳
学习计划
本节提供研究计划的详细信息，包括研究的设计方式和研究的衡量标准。
研究是如何设计的？
设计细节
- 主要用途：诊断
- 分配：不适用
- 介入模型：单组作业
- 屏蔽：无（打开标签）
武器和干预
参与者组/臂 |
干预/治疗 |
|---|---|
|
实验性的：GIM患者
在内窥镜检查期间，将对 GIM 患者和正常粘膜进行评估。
|
基于卷积神经网络（CNN）的AI算法将用于分析胃肠化生和正常粘膜的图片。
然后，人工智能将在常规内窥镜检查中以病理学为金标准，作为 GIM 的诊断工具。
|
研究衡量的是什么？
主要结果指标
结果测量 |
措施说明 |
大体时间 |
|---|---|---|
|
人工智能对 GIM 诊断的准确性
大体时间：1年
|
准确度、灵敏度、特异性可以通过2x2表计算（病理是金标准）
|
1年
|
合作者和调查者
在这里您可以找到参与这项研究的人员和组织。
研究记录日期
这些日期跟踪向 ClinicalTrials.gov 提交研究记录和摘要结果的进度。研究记录和报告的结果由国家医学图书馆 (NLM) 审查，以确保它们在发布到公共网站之前符合特定的质量控制标准。
研究主要日期
学习开始 (实际的)
2020年5月1日
初级完成 (预期的)
2023年11月30日
研究完成 (预期的)
2024年2月28日
研究注册日期
首次提交
2020年4月12日
首先提交符合 QC 标准的
2020年4月21日
首次发布 (实际的)
2020年4月24日
研究记录更新
最后更新发布 (实际的)
2022年3月31日
上次提交的符合 QC 标准的更新
2022年3月28日
最后验证
2022年3月1日
更多信息
此信息直接从 clinicaltrials.gov 网站检索，没有任何更改。如果您有任何更改、删除或更新研究详细信息的请求，请联系 register@clinicaltrials.gov. clinicaltrials.gov 上实施更改，我们的网站上也会自动更新.