在培训中实施计算机辅助检测可提高未来结肠镜检查的质量
2025年1月15日 更新者：Zofia Orzeszko、Jagiellonian University
在初始内窥镜培训中实施计算机辅助检测可提高学员未来结肠镜检查的质量指标
基于人工智能（AI）的计算机辅助检测（CADe）可以提高结肠镜检查的质量。
越来越多的年轻内窥镜医师在人工智能环境中接受培训，但其对受训者未来结果的影响仍不清楚。
该研究旨在评估在人工智能环境中接受培训的内窥镜医生与传统培训的内窥镜医生的质量指标。
研究概览
详细说明
基于人工智能（AI）的计算机辅助检测（CADe）可以提高结肠镜检查的质量。
越来越多的年轻内窥镜医师在人工智能环境中接受培训，但其对受训者未来结果的影响仍不清楚。
该研究旨在评估在人工智能环境中接受培训的内窥镜医生与传统培训的内窥镜医生的质量指标。
一项研究纳入了 6,000 名因各种原因接受结肠镜检查的成年患者。
该研究回顾性评估了六名内窥镜医师完成培训后完全依靠内窥镜医师检测技能而没有人工智能增强的情况下执行的前 1,000 例手术。
其中三名年轻的内窥镜医师接受了 CADe 培训，另外三名则没有获得额外的帮助。
对两组的质量指标进行评估。
对检测到的息肉的形态进行评估，以确定人工智能增强训练对横向扩散肿瘤（LST）检出率的影响。
研究类型
观察性的
注册 (实际的)
6000
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
-
-
-
Kraków、波兰、31007
- Jagiellonian University
-
-
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
- 成人
- 年长者
接受健康志愿者
不
取样方法
非概率样本
研究人群
这项研究纳入了 6,000 名因各种原因在克拉科夫一家高容量内窥镜诊所接受结肠镜检查的成年患者。
描述
纳入标准：
- 因各种原因接受结肠镜检查的成年参与者，由特定内窥镜医师进行，并根据质量指标进行评估
排除标准：
- 有肠切除史
- 确诊炎症性肠病
- 其他影像学检查怀疑息肉或癌症
- 怀疑家族性腺瘤性息肉病
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
队列和干预
团体/队列 |
干预/治疗 |
|---|---|
|
A组
由在人工智能增强环境中接受过培训的内窥镜医师进行结肠镜检查。
质量指标是在没有AI增强的情况下完成训练后测量的。
|
内窥镜医师在人工智能增强的环境中接受培训。
他们的质量指标是在完成训练后测量的，无需额外的人工智能增强。
|
|
B组
结肠镜检查由接受过常规培训的内窥镜医师进行。
质量指标是在没有AI增强的情况下完成训练后测量的。
|
内窥镜医师接受常规培训
|
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 |
|---|---|---|
|
提款时间
大体时间：结肠镜检查期间
|
从盲肠插管到检查结束的时间
|
结肠镜检查期间
|
|
盲肠插管率 (CIR)
大体时间：结肠镜检查期间
|
盲肠插管成功的结肠镜检查百分比
|
结肠镜检查期间
|
|
腺瘤检出率 (ADR)
大体时间：结肠镜检查期间
|
发现腺瘤时进行结肠镜检查的百分比
|
结肠镜检查期间
|
|
晚期腺瘤检出率 (AADR)
大体时间：结肠镜检查期间
|
发现晚期腺瘤（>10mm）时进行结肠镜检查的百分比
|
结肠镜检查期间
|
|
腺瘤结肠镜检查评分 (APC)
大体时间：结肠镜检查期间
|
单次结肠镜检查中检出腺瘤的平均数量
|
结肠镜检查期间
|
|
锯齿状息肉检出率 (SDR)
大体时间：结肠镜检查期间
|
发现锯齿状息肉时结肠镜检查的百分比
|
结肠镜检查期间
|
次要结果测量
结果测量 |
措施说明 |
大体时间 |
|---|---|---|
|
横向扩散肿瘤检出率
大体时间：结肠镜检查期间
|
发现横向扩散肿瘤病灶时进行结肠镜检查的百分比
|
结肠镜检查期间
|
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。
调查人员
- 首席研究员：Zofia Orzeszko, MD、Jagiellonian University
- 学习椅：Miroslaw Szura, PhD, Prof.、Jagiellonian University
出版物和有用的链接
负责输入研究信息的人员自愿提供这些出版物。这些可能与研究有关。
一般刊物
- Repici A, Badalamenti M, Maselli R, Correale L, Radaelli F, Rondonotti E, Ferrara E, Spadaccini M, Alkandari A, Fugazza A, Anderloni A, Galtieri PA, Pellegatta G, Carrara S, Di Leo M, Craviotto V, Lamonaca L, Lorenzetti R, Andrealli A, Antonelli G, Wallace M, Sharma P, Rosch T, Hassan C. Efficacy of Real-Time Computer-Aided Detection of Colorectal Neoplasia in a Randomized Trial. Gastroenterology. 2020 Aug;159(2):512-520.e7. doi: 10.1053/j.gastro.2020.04.062. Epub 2020 May 1.
- Corley DA, Jensen CD, Marks AR, Zhao WK, Lee JK, Doubeni CA, Zauber AG, de Boer J, Fireman BH, Schottinger JE, Quinn VP, Ghai NR, Levin TR, Quesenberry CP. Adenoma detection rate and risk of colorectal cancer and death. N Engl J Med. 2014 Apr 3;370(14):1298-306. doi: 10.1056/NEJMoa1309086.
- Kaminski MF, Regula J, Kraszewska E, Polkowski M, Wojciechowska U, Didkowska J, Zwierko M, Rupinski M, Nowacki MP, Butruk E. Quality indicators for colonoscopy and the risk of interval cancer. N Engl J Med. 2010 May 13;362(19):1795-803. doi: 10.1056/NEJMoa0907667.
- Spadaccini M, Iannone A, Maselli R, Badalamenti M, Desai M, Chandrasekar VT, Patel HK, Fugazza A, Pellegatta G, Galtieri PA, Lollo G, Carrara S, Anderloni A, Rex DK, Savevski V, Wallace MB, Bhandari P, Roesch T, Gralnek IM, Sharma P, Hassan C, Repici A. Computer-aided detection versus advanced imaging for detection of colorectal neoplasia: a systematic review and network meta-analysis. Lancet Gastroenterol Hepatol. 2021 Oct;6(10):793-802. doi: 10.1016/S2468-1253(21)00215-6. Epub 2021 Aug 5.
- Barua I, Vinsard DG, Jodal HC, Loberg M, Kalager M, Holme O, Misawa M, Bretthauer M, Mori Y. Artificial intelligence for polyp detection during colonoscopy: a systematic review and meta-analysis. Endoscopy. 2021 Mar;53(3):277-284. doi: 10.1055/a-1201-7165. Epub 2020 Sep 29.
- Wang P, Liu P, Glissen Brown JR, Berzin TM, Zhou G, Lei S, Liu X, Li L, Xiao X. Lower Adenoma Miss Rate of Computer-Aided Detection-Assisted Colonoscopy vs Routine White-Light Colonoscopy in a Prospective Tandem Study. Gastroenterology. 2020 Oct;159(4):1252-1261.e5. doi: 10.1053/j.gastro.2020.06.023. Epub 2020 Jun 17.
- Glissen Brown JR, Mansour NM, Wang P, Chuchuca MA, Minchenberg SB, Chandnani M, Liu L, Gross SA, Sengupta N, Berzin TM. Deep Learning Computer-aided Polyp Detection Reduces Adenoma Miss Rate: A United States Multi-center Randomized Tandem Colonoscopy Study (CADeT-CS Trial). Clin Gastroenterol Hepatol. 2022 Jul;20(7):1499-1507.e4. doi: 10.1016/j.cgh.2021.09.009. Epub 2021 Sep 14.
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)
2022年1月1日
初级完成 (实际的)
2024年1月31日
研究完成 (实际的)
2024年3月31日
研究注册日期
首次提交
2024年9月30日
首先提交符合 QC 标准的
2024年10月1日
首次发布 (实际的)
2024年10月2日
研究记录更新
最后更新发布 (实际的)
2025年3月25日
上次提交的符合 QC 标准的更新
2025年1月15日
最后验证
2025年1月1日
更多信息
与本研究相关的术语
其他研究编号
- 2024.000.367
计划个人参与者数据 (IPD)
计划共享个人参与者数据 (IPD)？
不
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
在美国制造并从美国出口的产品
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.