Klinische Anwendung eines künstlich intelligenten Systems zur Vorhersage von Dissectionstrajekten (ADTPS) bei der endoskopischen Submukosadissektion

Kurzzusammenfassung

In dieser prospektiven Paarstudie und randomisierten kontrollierten Ein-Zentren-Studie werden Patienten mit frühem esophagealen squamösen Neoplasma oder hochgradiger intraepithelialer Neoplasia, die die Ein- und Ausschlusskriterien erfüllen, in eine Paarstudie (60 Patienten) aufgenommen und subsequently randomisiert (1:1) in die endoskopische submukosale Dissektion (ESD) mit AI-gesteuerte Dissection Trajectory Prediction System (ADTPS) -Guidance oder konventionelle ESD (ohne AI) zugewiesen. Klinische Daten und Operator Arbeitslast-Scores (NASA-TLX) werden während des Verfahrens gesammelt, und postoperative Follow-up-Assessment werden an Tagen 1, 3, 7 und 14 durchgeführt. Das Ziel der Studie ist es, den Einfluss von ADTPS auf die mittlere Einzeldissektion Zeit und Operator Arbeitslast bei Patienten, die ESD durchführen, zu analysieren, indem die Effizienzunterschiede zwischen den experimentellen und Kontrollgruppen verglichen werden. Darüber hinaus untersucht die Studie die Auswirkungen von ADTPS auf andere postoperative Komplikationen einschließlich R0 Resektion Rate, Musculus propria Verletzung, intraoperative Blutung, Perforation (akut und verzögert), und die Gesamtdauer des Verfahrens; führt eine comparative Analyse der Sicherheit und Effizienz von AI-assisted versus konventionelle ESD durch; und entwickelt effektive klinische Strategien zur Optimierung der Dissection Trajectory und zur Reduzierung von Komplikationen in der endoskopischen submukosalen Dissektion.