VALIDATION OF A NEW OPTICAL DIAGNOSIS TRAINING PLATFORM TO IMPROVE DYSPLASIA CHARACTERISATION IN INFLAMMATORY BOWEL DISEASE (OPTIC-IBD): A MULTICENTRE RANDOMISED CONTROLLED STUDY
Notice bibliographique
Résumé
Aims To develop and validate online training in optical diagnosis of dysplastic lesions in IBD (NCT04924543). Methods We designed an interactive, self-directed, multi-modality learning module (includes optical diagnosis methods, classification systems, examples and self-assessments). We invited participants from Canada, Italy and the UK. Assessments comprised short endoscopic videos, divided into 8 non-dysplastic (hyperplastic, inflammatory, SSL) and 16 dysplastic IBD colonic lesions (SSL-D, low/high-grade dysplasia, cancer). Participants classified lesions, predicted histology and rated their confidence, then completed online training. The videos were repeated in a random order after≥7-14d. Participants were then randomized 1:1 to feedback and extra training, with a final assessment after 60d. We report diagnostic performance for dysplasia, interrater reliability and rater confidence. Results We present a planned interim analysis of 77 participants ([ Table 1 ]). Diagnostic accuracy for dyplasia improved (primary endpoint: 44.5 to 54.0%, P<0.0001), particularly for novice and intermediate endoscopists (data not shown). In multilevel logistic regression, training was associated with correct diagnoses for high confidence (OR 1.40, 1.13-1.77) but not low confidence ratings (OR 1.09, 0.96-1.25). Consistency between participants improved from slight to fair (Fleiss’ κ 0.16 to 0.24, P=0.015), proportionate with experience. Training increased participants’ confidence to correctly identify dysplasia (high confidence 25% to 46%, P<0.0001). Table 1 Diagnostic Performance for Dysplasia Overall 77 44.5 vs. 54.0, P <0.0001 (43.2-46.2, 52.4-55.6) 50.3 vs. 59.1 (46.8-56.2, 54.5-63.2) 33.0 vs. 43.8 (28.9-37.7, 39.1-48.5) Participant confidence in prediction: Low and High Pre: 18 (13-23) Post: 13 (7-20) 40.4 vs. 46.1, P =0.0455 (38.8-42.3, 44.3-48.1) 46.5 vs. 45.1 (42.2-53.9, 39.4-52.1) 28.5 vs. 48.3 (23.8-34.4, 42.5-54.8) Pre: 6 (1-11) Post: 11 (4-17) 55.0 vs. 64.6, P =0.0574 (52.2-57.8, 61.3-66.5) 59.7 vs. 61.2 (51.3-67.3, 51.4-66.2) 44.9 vs. 70.3 (36.0-53.3, 61.8-75.6) Participant endoscopic experience Novice (<100 lifetime colonoscopies) : 30 Novice : 35.0 vs. 45.8, P =0.0003 (31.7-42.7, 43.7-48.4) Novice : 39.6 vs. 51.7 (34.6-51.0, 45.3-60.2) Novice : 25.8 vs. 34.2 (20.2-34.8, 28.0-42.0) Intermediate : 25 Intermediate : 43.3 vs. 55.7, P =0.0004 (39.1-49.9, 52.7-58.3) Intermediate : 49.8 vs. 59.3 (43.2-59.3, 51.1-66.1) Intermediate : 30.5 vs. 48.5 (24.0-39.8, 39.8-55.9) Experienced (>=1000): 22 Experienced : 58.9 vs. 63.3, P =0.0703 (53.0-63.2, 59.9-65.8) Experienced : 65.6 vs. 69.0 (57.1-72.4, 58.6-75.2) Experienced : 45.5 vs. 51.7 (36.9-53.9, 42.0-59.1) Conclusions The OPTIC-IBD training module improved participants’ accuracy, precision and confidence in optical diagnosis of dysplasia. Next, we will study the training approaches and classification systems that can best be adopted by non-experts and trainees. Our refined training platform will be made available to improve quality of care for people with IBD. Publication History Article published online: 14 April 2022 © 2022. European Society of Gastrointestinal Endoscopy. All rights reserved. Georg Thieme Verlag KG Rüdigerstraße 14, 70469 Stuttgart, Germany
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,007 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».