Colorectal mucosal exposure area assessment using artificial intelligence: a multicenter prospective observational study
Notice bibliographique
Résumé
Background: This study proposed a new quality control indicator for colonoscopy, the cumulative colorectal mucosal exposure area (CCMEA), to assess mucosal exposure, constructed a CCMEA system based on deep learning, and validated the indicator in a multicenter prospective observational study. Methods: The CCMEA system was based on ResNet50 and UNet++. A CCMEA threshold was determined on the basis of an adenoma detection rate (ADR) of 25%. A multicenter prospective observational study was conducted to evaluate the system and the threshold in clinical practice. Based on the CCMEA threshold, patients were divided into qualified and unqualified colonoscopy groups. The ADR and other lesion detection rates were then compared between the two groups. Results: 510 participants who underwent colonoscopy were evaluated, being grouped as having qualified (n = 270) or unqualified (n = 240) colonoscopies based on a CCMEA qualification threshold of 2000. The ADR was 39.5 percentage points higher in the qualified group than in the unqualified group (53.7% vs. 14.2%; adjusted odds ratio [aOR] 8.0, 95%CI 5.0–12.8; P < 0.001), and notably was higher for lesions ≤5 mm (42.2% vs. 10.0%; aOR 6.9, 95%CI 4.1–11.5; P < 0.001). The qualified group also had a significantly higher polyp detection rate (89.6% vs. 40.0%; aOR 13.1, 95%CI 7.8–21.8; P < 0.001) and higher mean numbers of both adenomas (1.0 vs. 0.2; adjusted incident rate ratio [aIRR] 5.9, 95%CI 4.3–8.4; P < 0.001) and polyps (5.8 vs. 1.3; aIRR 4.0, 95%CI 3.5–4.5; P < 0.001). Conclusions: The CCMEA qualified group, based on a CCMEA threshold of 2000, showed a higher ADR than the unqualified group, indicating CCMEA could be a promising colonoscopy quality indicator.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 ».