Automatiseret påvisning af metastatisk knoglesygdom på knoglescintigrafiscanninger
I Silico Clinical Trial, der sammenligner lægers læsenøjagtighed og en dyb indlæringsalgoritme til påvisning af metastatisk knoglesygdom på knoglescintigrafiscanninger.
Studieoversigt
Status
Status
Betingelser
Betingelser
Intervention / Behandling
Intervention / Behandling
Undersøgelsestype
Undersøgelsestype
Tilmelding (Faktiske)
Tilmelding
Kontakter og lokationer
Studiesteder
-
-
Limburg
-
Maastricht, Limburg, Holland, 6229ER
- Maastricht University
-
-
Deltagelseskriterier
Berettigelseskriterier
Berettigelseskriterier
Aldre berettiget til at studere
- Barn
- Voksen
- Ældre voksen
Tager imod sunde frivillige
Køn, der er berettiget til at studere
Prøveudtagningsmetode
Studiebefolkning
Beskrivelse
Inklusionskriterier:
- Patienter, der har gennemgået en knoglescintigrafisk scanning, som er tilgængelig med den røntgenologiske rapport mellem 2010-2018
Ekskluderingskriterier:
- Manglen på en knoglescanning eller tilsvarende radiologisk rapport
Studieplan
Hvordan er undersøgelsen tilrettelagt?
Design detaljer
Antal grupper/kohorter
Kohorter og interventioner
Gruppe / kohorteGruppe / kohorte |
Intervention / BehandlingIntervention / Behandling |
|---|---|
|
BS-UKA
Patienter, der gennemgik knoglescintigrafiscanning mellem 2010 og 2018 på RTWH Aachen universitetshospital og havde en knoglescanningsrapport, der indikerer tilstedeværelse eller fravær af metastatisk knoglesygdom.
|
Formålet er at undersøge, om deep learning algoritmer kan detektere knoglemetastaser med høj nøjagtighed og specificitet.
|
|
BS-Namur
Patienter, der gennemgik knoglescintigrafi-scanning mellem 2010 og 2018 på Namurs universitetshospital og havde en knoglescanningsrapport, der indikerer tilstedeværelse eller fravær af metastatisk knoglesygdom.
|
Formålet er at undersøge, om deep learning algoritmer kan detektere knoglemetastaser med høj nøjagtighed og specificitet.
|
|
BS-Aalborg
Patienter, der har gennemgået knoglescintigrafiscanning mellem 2010 og 2018 på Aalborg Universitetshospital, og har fået en knoglescanningsrapport, der indikerer tilstedeværelse eller fravær af metastatisk knoglesygdom.
|
Formålet er at undersøge, om deep learning algoritmer kan detektere knoglemetastaser med høj nøjagtighed og specificitet.
|
Hvad måler undersøgelsen?
Primære resultatmål
Primære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
Klassificeringsydelsen af DL-algoritmen sammenlignet med grundsandheden
Tidsramme: Juni 2021
|
Rapportering af ydeevnemålene (areal under kurven, nøjagtighed, specificitet osv.)
|
Juni 2021
|
Sekundære resultatmål
Sekundære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
Sammenligning af klassificeringsydelsen af DL-algoritmen med lægers
Tidsramme: Juni 2021
|
Korrekthed af diagnosen Dr versus AI (dikotom variabel: korrekt versus ikke korrekt) på en delmængde af valideringsdata ved hjælp af en McNemar statistisk test
|
Juni 2021
|
Samarbejdspartnere og efterforskere
Sponsor
Sponsor
Samarbejdspartnere
Samarbejdspartnere
Publikationer og nyttige links
Datoer for undersøgelser
Studer store datoer
Studiestart (Faktiske)
Studiestart
Primær færdiggørelse (Faktiske)
Primær færdiggørelse
Studieafslutning (Faktiske)
Studieafslutning
Datoer for studieregistrering
Først indsendt
Først indsendt
Først indsendt, der opfyldte QC-kriterier
Først indsendt, der opfyldte QC-kriterier
Først opslået (Faktiske)
Først opslået
Opdateringer af undersøgelsesjournaler
Sidste opdatering sendt (Faktiske)
Sidste opdatering sendt
Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier
Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier
Sidst verificeret
Sidst verificeret
Mere information
Begreber relateret til denne undersøgelse
Yderligere relevante MeSH-vilkår
Andre undersøgelses-id-numre
Andre undersøgelses-id-numre
- MBDDL
Lægemiddel- og udstyrsoplysninger, undersøgelsesdokumenter
Studerer et amerikansk FDA-reguleret lægemiddelprodukt
Studerer et amerikansk FDA-reguleret enhedsprodukt
Disse oplysninger blev hentet direkte fra webstedet clinicaltrials.gov uden ændringer. Hvis du har nogen anmodninger om at ændre, fjerne eller opdatere dine undersøgelsesoplysninger, bedes du kontakte register@clinicaltrials.gov. Så snart en ændring er implementeret på clinicaltrials.gov, vil denne også blive opdateret automatisk på vores hjemmeside .