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 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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
| 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 ».