Artificial intelligence-assisted colonoscopy improves adenoma detection rates in routine colonoscopy practice: a single-center, retrospective, propensity score-matched study with concurrent controls
Notice bibliographique
Résumé
BACKGROUND/AIMS: This study aimed to investigate whether a real-time artificial intelligence (AI)-assisted polyp detection system can improve adenoma detection rates (ADRs) in real-world colonoscopy practice. METHODS: This single-center, retrospective, propensity score-matched study collected data from consecutive patients who underwent colonoscopy-either AI-assisted or standard colonoscopy- between March 2023 and February 2024. Propensity score matching was conducted to adjust for baseline characteristics across the groups. RESULTS: During the study period, 1,085 patients who underwent colonoscopy were eligible for inclusion. After propensity score matching, 474 patients who underwent AI-assisted colonoscopy and 474 who underwent standard colonoscopy were included in the primary analysis. The ADR was significantly higher in the AI-assisted colonoscopy group than in the standard colonoscopy group (35.9% vs. 26.4%; p = 0.002). Additionally, the number of adenomas detected per colonoscopy was significantly higher in the AI-assisted group than in the standard group (0.69 ± 1.22 vs. 0.43 ± 0.91; p < 0.001). However, the detection rates of advanced adenomas and sessile serrated lesions did not differ significantly between the two groups. CONCLUSION: AI-assisted colonoscopy significantly improves ADRs in real-world colonoscopy practice.
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 | 0,003 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».