Artificial Intelligence as a Surrogate for Inspection Time to Assess Completeness in Esophagogastroduodenoscopy: A Prospective, Randomized, Noninferiority Study
Notice bibliographique
Résumé
INTRODUCTION: The completeness of esophagogastroduodenoscopy (EGD) is a prerequisite for detecting lesions. This study aims to explore whether the quality of complete examinations assisted by artificial intelligence (AI) would be comparable with those conducted within the guideline-recommended inspection time. METHODS: Patients referred for diagnostic, screening, or surveillance EGD were enrolled at Renmin Hospital of Wuhan University. Patients were randomly assigned to 2 groups in a 1:1 ratio. In the AI-assisted group, endoscopists completed observation of the entire upper gastrointestinal tract with AI assistance. In the control group, endoscopists were instructed to spend no less than 7 minutes on each procedure. The primary outcome was the detection rate of neoplastic lesions. Noninferiority was confirmed when the lower bound of the 95% confidence interval (CI) was greater than the margin of -1.5%. RESULTS: A total of 1,723 patients were prospectively enrolled between July 3, 2023, and April 7, 2024. Seven hundred ninety-six and 763 patients in the AI-assisted and control groups were included in the final analysis, respectively. The detection rates of neoplastic lesions in the AI-assisted and control groups were 3.14% and 2.36%, respectively, resulting in an absolute proportion difference of 0.78% (95% CI -0.58% to 2.14%; odds ratio 1.342 [95% CI 0.726-2.480]). The median inspection time was reduced by 1.5 minutes in the AI-assisted group (6.18 [2.87] vs 7.70 [1.90], P < 0.001). DISCUSSION: Inspection time of complete EGD can be significantly shortened by AI without compromising its quality. These findings provide crucial evidence to support that AI-assisted procedural completeness serves as an objective and effective quality indicator for EGD.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».