Меню
Идёт набор NCT06066372

Application of Machine Learning Models to Reduce Need for Diagnostic EUS or MRCP in Patients With Intermediate Likelihood of Choledocholithiasis

— Наблюдательное Choledocholithiasis

Ориентир для пациента и семьи

Простыми словами

Автоматическая сводка по структурированным данным реестра. Она помогает сориентироваться, но не заменяет официальный протокол или оценку врача.

Что изучают
Это наблюдательное исследование: исследуемое лечение участникам по протоколу не назначают.
Кому может быть актуально
Состояния в реестре: Choledocholithiasis. Базовые параметры: 18 лет — 80 лет · Все.
Что важно проверить
Возраст, диагноз и пол — только базовые ориентиры. Предыдущее лечение, анализы и другие обязательные условия указаны ниже в критериях участия.
Где проводится
Индия
Следующий шаг
Сохраните исследование, покажите его лечащему врачу и уточните актуальный статус у исследовательского центра. Расходы, документы и поездка →

Не всё понятно в терминах? Прочитайте наш гид для пациентов →

Официальное название

Application of Machine Learning Models to Reduce Need for Diagnostic EUS or MRCP in Patients With Intermediate Likelihood of Choledocholithiasis- A Prospective, Open Label, Diagnostic Study

Обзор

Machine learning predictive model can help in stratifying heterogenous intermediate likelihood group to reduce need for EUS or MRCP in selected subgroup of patients.

Подробное описание

The current guidelines for suspected choledocholithiasis are aimed to reduce the risk of patient receiving diagnostic ERCP and reduce the risk of post ERCP adverse events. In this process there is apparent increase in number of patients in the intermediate likelihood group requiring EUS or MRCP. This can increase the health care utilization and cost of care for intermediate likelihood patients. The field of artificial intelligence in clinical medicine is evolving rapidly. The use of artificial intelligence based machine learning model is not adequately studied for prediction of choledocholithiasis. Machine learning predictive model can help in stratifying heterogenous intermediate likelihood group to reduce need for EUS or MRCP in selected subgroup of patients.

Первичные конечные точки

  • Area Under the Receiver Operating Characteristic Curve (AUROC) of the Machine Learning Model [Срок оценки: 1 month]
Вторичные конечные точки (2)
  • Diagnostic Accuracy Metrics of Endoscopic Ultrasound (EUS) or Magnetic Resonance Cholangiopancreatography (MRCP) [Срок оценки: 1 Month]
  • Validation Performance of the Machine Learning Prediction Model [Срок оценки: 1 Month]

Критерии участия

Критерии включения

  • Individual 18 years or older with a suspected choledocholithiasis satisfying either ASGE or ESGE risk stratification criteria of intermediate likelihood undergoing EUS or MRCP

Критерии исключения

  • Patients having co-exiting disease of pancreato biliary system other than gall stones and choledocholithiasis which include chronic pancreatitis, biliary stricture, pancreatobiliary malignancy, portal biliopathy
  • Patients having underlying chronic liver diseases
  • Pregnancy and breast feeding
  • Previous history of cholecystectomy

Критерии приведены из реестра в оригинале (на английском). Окончательную оценку соответствия проводит исследовательский центр.

Дизайн исследования

Модель наблюдения
Только случаи

Центры проведения

Индия · 1 центр
  • Asian Institute of Gastroenterology — Hyderabad

Идентификаторы

NCT: NCT06066372 · AI EUS Choledocholithiasis

Первоисточники (государственные реестры)

Открыть это исследование на ClinicalTrials.gov ↗