此页面是自动翻译的，不保证翻译的准确性。请参阅 英文版 对于源文本。

基于人工智能技术的胃镜操作质量控制有效性研究

2023年11月28日 更新者：Peng Yuan、Peking University
本研究旨在构建一个基于人工智能技术的实时质量监控系统。

研究概览

地位

完全的

条件

干预/治疗

详细说明

胃镜检查对上消化道疾病的检测和诊断具有重要作用。 内镜医师有必要按照规范流程操作胃镜，以免遗漏早期病变。 然而，随着内镜检查数量的快速增加，内镜医师的工作量进一步增加。 高工作量降低了内镜检查质量，导致胃镜检查过程中解剖部位观察不全，容易遗漏。 不同内镜医师的操作水平存在显着差异。 因此，开展人工智能方法对于提高内镜诊疗质量具有很好的学术研究和实用价值。

人工智能设备需要使用大量的内窥镜图像，基于此，我们打算从我们医院收集内窥镜图像数据，用于模型的训练和验证。

研究类型

观察性的

注册 (实际的)

1570

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。

学习地点

  • 中国
    • Haidian
      • Beijing、Haidian、中国、100142
        • Beijing Cancer Hospital

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

18年 至 75年 (成人、年长者)

接受健康志愿者

是的

取样方法

非概率样本

研究人群

符合胃镜检查标准的患者。

描述

纳入标准：

  1. 18岁或以上接受胃镜检查的患者；
  2. 能够阅读、理解并签署知情同意书；

排除标准：

  1. 有内镜检查绝对禁忌症的患者；
  2. 孕妇；
  3. 既往胃手术史；
  4. 研究者认为该受试者不适合进行临床试验。

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

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
准确性
大体时间：2020.2.22-2020.7.1
计算AI对图像的判断准确率
2020.2.22-2020.7.1
灵敏度
大体时间：2020.2.22-2020.7.1
AI正确诊断为阳性的图像数量/所有图像为阳性
2020.2.22-2020.7.1
特异性
大体时间：2020.2.22-2020.7.1
AI正确诊断为阴性/所有图像均为阴性的图像数量
2020.2.22-2020.7.1

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。

赞助

Peking University

调查人员

  • 学习椅：Qi Wu, MD.、Peking University Cancer Hospital & Institute

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2月22日

初级完成 (实际的)

2022年1月13日

研究完成 (实际的)

2022年5月1日

研究注册日期

首次提交

2020年5月8日

首先提交符合 QC 标准的

2020年5月8日

首次发布 (实际的)

2020年5月12日

研究记录更新

最后更新发布 (实际的)

2023年11月29日

上次提交的符合 QC 标准的更新

2023年11月28日

最后验证

2023年11月1日

更多信息

与本研究相关的术语

关键字

其他相关的 MeSH 术语

其他研究编号

  • PX2020047

药物和器械信息、研究文件

研究美国 FDA 监管的药品

不

研究美国 FDA 监管的设备产品

不

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.

订阅