S655 AI-Enhanced Colonoscopy Improves Adenoma Detection Without Delaying Procedure: Meta-Analysis of 9,500 Patients
Notice bibliographique
Résumé
Introduction: Colorectal cancer (CRC) is a major global health challenge, with nearly 2 million new cases reported in 2020. Colonoscopy is the cornerstone of CRC prevention, and adenoma detection rate (ADR) is a validated performance metric inversely associated with interval CRC. Yet, ADR varies significantly among endoscopists. Computer-aided detection (CADe) systems using artificial intelligence (AI) offer real-time support that may improve detection consistency. While single studies and trials suggest benefit, a robust synthesis across diverse settings is lacking. Methods: Following PRISMA guidelines, we searched PubMed, Embase, Cochrane Library, and ClinicalTrials.gov (2000–2024) using terms such as “AI-assisted colonoscopy” and “adenoma detection.” Eligible studies included randomized controlled trials and cohort studies comparing AI-assisted to standard colonoscopy and reporting ADR, polyp detection rate (PDR), and missed adenoma rate (MAR). Two independent reviewers assessed study quality using Cochrane Risk of Bias and Newcastle-Ottawa tools. Pooled odds ratios (ORs) with 95% confidence intervals (CIs) were calculated using a random-effects model. Publication bias was evaluated using Egger’s test and funnel plots. Results: Thirty-eight studies (22 RCTs, 16 cohort studies) including 9,500 patients were analyzed. AI-assisted colonoscopy significantly increased ADR (31.5% vs 25.3%; odds ratio [OR] 1.48, 95% CI 1.35–1.62; P < 0.01) and PDR (48.2% vs 39.4%; OR 1.42, 95% CI 1.30–1.53; P < 0.01). MAR from tandem studies was significantly lower in the AI group (16.9% vs 24.5%; P = 0.01). Detection of diminutive adenomas (<5 mm; P = 0.02) and sessile serrated lesions (P = 0.03) also improved. No significant difference in withdrawal time was found (P = 0.07). Findings align with key multicenter trials including COLO-DETECT (OR 1.47, 95% CI 1.21–1.78; P < 0.0001). No significant publication bias was observed. Conclusion: AI-enhanced colonoscopy significantly improves ADR and reduces missed lesions, including subtle and flat polyps, without extending procedure time. These findings support routine AI integration into colorectal cancer screening to enhance diagnostic consistency and potentially reduce interval cancers.
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 | 0,015 | 0,031 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,012 | 0,045 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».