Diagnostisk ydeevne af lavdosis-CT til akutte abdominale tilstande (DETECT_Acute)
Diagnostisk ydeevne af deep Learning billedrekonstruktion i lavdosis CT til påvisning af akutte abdominale tilstande
Målet med dette non-inferiority observationsstudie er at vurdere den diagnostiske ydeevne af lavdosis CT med deep learning image reconstruction (DLIR) hos voksne deltagere med akutte abdominale tilstande. Det primære forskningsspørgsmål er:
• Kan lavdosis CT med DLIR opnå samme diagnostiske ydeevne som standard CT til diagnosticering af akutte abdominale tilstande.
Deltagerne vil blive undersøgt med en ekstra lavdosis CT direkte efter standard CT. Deltageren vil være deres egne kontroller.
Studieoversigt
Status
Status
Betingelser
Betingelser
Intervention / Behandling
Intervention / Behandling
Detaljeret beskrivelse
Baggrund Computertomografi (CT) er blevet et væsentligt værktøj i moderne klinisk medicin. Med udbredt tilgængelighed er en hurtig stigning i brugen af CT-billeddannelse blevet observeret i løbet af de sidste årtier. Med den tilhørende stigning i strålingseksponering er den potentielle øgede risiko for strålingsinduceret malignitet blevet et folkesundhedsproblem. Dette gælder især for CT-scanninger af mave og bækken, som i øjeblikket udgør 50 % af den samlede CT-dosis. Da fordelen ved dosisreduktion generelt opvejes af forringelse af billedkvaliteten, efterstræbes teknologiske fremskridt for at reducere strålingsdosis uden at gå på kompromis med billedkvaliteten i klinisk praksis.
Inden for CT-billedrekonstruktion har filtreret tilbageprojektion (FBP) været den dominerende billedgenopbygningsteknikalgoritme siden begyndelsen af 1970'erne, suppleret med de første kommercielle iterative rekonstruktions (IR) algoritmer i 2009.
En ny DLIR-algoritme (deep learning image reconstruction) modtog klinisk godkendelse i 2019 (TrueFidelity, GE Healthcare, Milwaukee, WI). Andre leverandørspecifikke algoritmer til deep learning-billedrekonstruktion dukker også op (AiCE, Canon Medical Systems, Otawara, Japan). Som forklaret af en teknisk hvidbog, der er blevet trænet med højdosis- og lavdosis-FBP-datasæt på tværs af fantom- og patienttilfælde, stræber DLIR-algoritmen efter at undertrykke billedstøj uden at gå på kompromis med billedkvaliteten. Brugen af deep learning billedrekonstruktion har vist potentiale for forbedret billedkvalitet og dosisreduktion uden at ændre støjtekstur.
For patienter med akutte abdominale tilstande anses CT af abdomen og bækkenet som den bedste første- eller andenlinjediagnostiske tilgang. For disse patienter er en hurtig og præcis diagnose af stor betydning for at undgå behandlingsforsinkelse og efterfølgende komplikationer såsom mave-tarmperforation i tilfælde af blindtarmsbetændelse eller divertikulitis. På den anden side er det også vigtigt at undgå unødvendige kirurgiske indgreb og de relaterede komplikationer. En mulig lavdosis CT-protokol skal derfor give en ikke-inferiør diagnostisk ydeevne for at lette hurtig diagnosticering og undgå overbehandling og inkonklusive undersøgelser.
Der er rapporteret lovende resultater vedrørende lavdosis CT-undersøgelser med modelbaseret IR og dosisreduktion på op til 75-80%. Med introduktionen af DLIR synes endnu yderligere dosisreduktion dog mulig. Vores egne resultater fra en undersøgelse af billedkvalitetsopfattelse med DLIR indikerer, at en dosisreduktion på op til 92,5 % sammenlignet med standard CT kan bevare acceptabel diagnostisk billedkvalitet (endnu upubliceret arbejde).
På dette grundlag er formålet med denne undersøgelse at vurdere den diagnostiske ydeevne af lavdosis CT med DLIR til diagnosticering af akutte abdominale tilstande i et non-inferioritetsmiljø med en stor prøvestørrelse leveret af to store traumecentre i Nordeuropa.
Mål
Primær:
For at evaluere den diagnostiske ydeevne for akutte abdominale tilstande med kontrastforstærket lavdosis CT med DLIR "TrueFidelity" (TF) sammenlignet med standard fulddosis CT.
Sekundær:
At evaluere teknisk og opfattet billedkvalitet (kvalitativt og kvantitativt).
Etik
Godkendelse vil blive opnået fra den regionale etiske komité og institutionens databeskyttelsesansvarlige.
Der vil blive indhentet skriftligt informeret samtykke fra alle deltagere. Dette projekt vil være i overensstemmelse med Helsinki-erklæringen.
Risici Der er minimale risici på grund af en let stigning i strålingseksponering. Den ekstra strålingseksponering på 27,5 % ligger inden for den nationale variation af strålingseksponering fra CT-undersøgelser udført for tilsvarende kliniske opgaver. Forskerne estimerede den gennemsnitlige yderligere effektive dosis til 1,5 mSv, hvilket svarer til omkring 4 måneder med naturlig baggrundsstrålingseksponering i Norge (4,1 mSv/år). Den ekstra strålingseksponering udmønter sig i en teoretisk overdreven livstidsrisiko for dødelig strålingsinduceret kræft på mellem 0,004 - 0,03 %. De kliniske risici ved denne eksponering anses for at være minimale/ikke signifikante.
Materiale og metoder Undersøgelsen vil blive registreret på ClinicalTrials.gov før påbegyndelse. Undersøgelsesmetoder og resultater vil blive rapporteret i overensstemmelse med Standards for Reporting of Diagnostic Accuracy Studies (STARD)-erklæringen fra 2015. Det skal bemærkes, at STARD-AI-styregruppen er ved at forberede en AI-specifik udvidelse. Hvis disse STARD-AI-retningslinjer offentliggøres inden afslutningen af undersøgelsen, vil resultaterne også blive rapporteret i overensstemmelse hermed. For at kompensere for AI-specifikke elementer, der ikke er behandlet i STARD, vil efterforskerne, når det er relevant, stole på tjeklisten for kunstig intelligens i medicinsk billeddannelse (CLAIM), som er modelleret efter STARD-retningslinjen.
Pilot Der vil blive udført et studiepilot med 10 patienter fordelt ligeligt mellem Oslo og Odense for at muliggøre test af studielogistik og justeringer af stråledosisniveauet for lavdosis-CT.
Undersøgelsesprotokol / billeddiagnostik Undersøgelser vil blive udført i henhold til lokale rutineprocedurer og etablerede CT-protokoller (CT-scanner: GE Revolution).
Ud over CT med standard undersøgelsesprotokol vil der blive udført en lavdosis CT-scanning, der ikke overstiger 30 % stråledosis af standard CT. Lavdosis CT-billeder vil blive rekonstrueret med TF høj. Den lave dosis CT vil blive udført direkte efter standard CT for at undgå bias fra forskelle i tidspunktet for kontrastfasen.
Beliggenhed og lokal undersøgelsespopulation Undersøgelsen vil blive udført som en multicenterundersøgelse, der involverer Oslo og Odense med prospektiv dataindsamling.
Den anslåede samlede undersøgelsespopulation vil blive fordelt ligeligt mellem de to hospitaler.
Billedevaluering Lavdosis-CT'en vil ikke blive brugt til diagnostiske formål eller patientbehandling. Billedevaluering og sammenligning vil blive udført adskilt fra den kliniske rutinemæssige arbejdsgang.
Alle lavdosis-CT-undersøgelser vil blive evalueret uafhængigt af to fastboende radiologer og af to erfarne radiologer med speciale i abdominal radiologi med mere end 10 års erfaring med abdominal CT. Læserne vil blive blindet for al information fra tidligere undersøgelser, den primære CT-rapport, eventuelle fund fra de andre læsere, al behandlingsrelateret information og for den endelige diagnose.
De vil have adgang til kliniske henvisninger og laboratorieundersøgelser udført forud for den oprindelige CT-undersøgelse. Billedevaluering vil blive udført i radiologernes kliniske miljø ved hjælp af diagnostiske monitorer.
I udfaldsanalysen vil diagnosen for hver patient fra lavdosis CT blive sammenlignet med den oprindelige radiologiske diagnose baseret på fulddosis CT.
For intralæseraftale vil et tilfældigt udvalg fra 10% af sagerne blive præsenteret to gange for hver læser.
Teknisk billedkvalitet vurderes ved at placere områder af interesse (ROI) i et homogent segment af portvenen, tilstødende normal leverparenchymaorta, erector spinae-muskler og i det subkutane fedt. Contrast-to-Noise Ratio (CNR) vil blive beregnet.
Opfattet billedkvalitet vil blive vurderet af mindst to radiologer på en Likert-skala efter billedkvalitetskriterier baseret på de europæiske retningslinjer for billedkvalitet ved abdominal CT.
Statistik Dedikeret statistisk software som Stata og SPSS vil blive brugt til analyse af undersøgelsesdata. Alfa-signifikansniveauet vil blive sat til 5 %, og 95 % konfidensintervaller vil blive brugt. Kappa-statistikker vil blive brugt til inter- og intralæseraftale. Logistisk regression vil blive brugt til vurdering af billedkvalitet. Passende parametriske eller ikke-parametriske test vil blive brugt til evaluering af numeriske variable. Den diagnostiske ydeevne vil blive defineret af areal under kurven, sensitivitet, specificitet, positiv og negativ prædiktiv værdi. Signifikante forskelle i sensitivitet og specificitet vil blive bestemt af McNemars test.
Effektberegning og prøvestørrelse Et non-inferioritetsstudiedesign vil blive brugt til at vise noninferioritet med hensyn til den diagnostiske ydeevne af lavdosis-CT sammenlignet med standard-CT. Efterforskerne estimerede følsomheden af standard-CT til 90 %. Forekomsten af akutte abdominale tilstande med en synlig korrelation på standard CT er estimeret til 70 % blandt alle henvisninger, der opfylder inklusionskriterierne. En non-inferiority margin på 10 % for sensitivitet blev anset for at være klinisk acceptabel, dvs. sandsynligheden for positive fund på lavdosis CT i tilfælde af positiv standard CT blev antaget at være 90 %.
S_L = Sandsynlighed (positiv lavdosis CT | positiv standard CT)
0-hypotesen blev defineret som:
S_L < 90 %
Den alternative hypotese blev derefter defineret som:
S_L > 90 % For at identificere en ensidig 6 % forskel (stigning) fra non-inferioritetsmarginen med en styrke på 80 % og et alfa-signifikansniveau på 5 %, estimerede efterforskerne de nødvendige patienter med positive CT-fund til n= 116 (binominal fordeling). Det samlede antal nødvendige patienter blev derefter beregnet til 116/0,7=166.
Undersøgelsestype
Undersøgelsestype
Tilmelding (Faktiske)
Tilmelding
Kontakter og lokationer
Deltagelseskriterier
Berettigelseskriterier
Berettigelseskriterier
Aldre berettiget til at studere
Tager imod sunde frivillige
Prøveudtagningsmetode
Studiebefolkning
Beskrivelse
Inklusionskriterier:
- Patienter under udredning for en akut abdominal tilstand, som henvises til CT af mave og bækken.
- Alder >18 år
- Patienterne skal kunne give deres mundtlige og skriftlige samtykke til studiedeltagelse.
Ekskluderingskriterier:
- Kontraindikationer vedrørende kontrastforstærkede CT-undersøgelser som kendte iodholdige kontrastmidlers bivirkninger eller klaustrofobi.
- Graviditet.
Studieplan
Hvordan er undersøgelsen tilrettelagt?
Design detaljer
- Observationsmodeller: Kohorte
- Tidsperspektiver: Fremadrettet
Antal grupper/kohorter
Kohorter og interventioner
Gruppe / kohorteGruppe / kohorte |
Intervention / BehandlingIntervention / Behandling |
|---|---|
|
Mavesmerter
Deltagere under udredning for en akut abdominal tilstand, som henvises til CT af mave og bækken.
|
Lavdosis CT-scanning vil blive udført, der ikke overstiger 30 % stråledosis af standard CT.
Lavdosis CT-billeder vil blive rekonstrueret med TrueFidelity high.
Den lave dosis CT vil blive udført direkte efter standard CT for at undgå bias fra forskelle i tidspunktet for kontrastfasen.
|
Hvad måler undersøgelsen?
Primære resultatmål
Primære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
Diagnostic performance of low-dose CT
Tidsramme: 6 to 12 months
|
Diagnostic performance of low-dose CT compared to standard CT according to ICD 10 diagnosis. Diagnostic performance measured in terms of: Sensitivity, derived from mixed-effects logistic regression. |
6 to 12 months
|
Sekundære resultatmål
Sekundære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
Diagnostic performance
Tidsramme: 6 to 12 month
|
Diagnostic performance measured in terms of: Specificity, positive predictive value, negative predictive value, and accuracy derived from mixed-effects logistic regression.
|
6 to 12 month
|
|
Radiation dose
Tidsramme: 6 to 12 months
|
Compare radiation dose; low-dose vs standard CT: Radiation dose measured in terms of DLP and CTDIvol. |
6 to 12 months
|
|
Reading time.
Tidsramme: 6 to 12 month
|
Reading time difference between low-dose CT and standard CT.
|
6 to 12 month
|
|
Perceived image quality
Tidsramme: 6 to 12 months
|
Compare perceived image quality; low-dose vs standard CT: Perceived image quality scored on a ordinal, 5-point Likert scale (at least two readers). |
6 to 12 months
|
|
Image quality - noise
Tidsramme: 6 to 12 months
|
Compare technical image quality; low-dose vs standard CT: Image noise in terms of standard deviation within a region of interest (ROI); numerical as Hounsfield unit (HU), several points of measurement. |
6 to 12 months
|
|
Image quality - contrast-to-noise ratio
Tidsramme: 6 to 12 months
|
Compare technical image quality; low-dose vs standard CT: Contrast-to-noise ratio; numerical, several points of measurement. Calculated according to: CNR=(│〖HU〗_Kidney - 〖HU〗_(Water )│)/√((〖SD〗_Kidney 2 + 〖SD〗_Water 2 )/2) |
6 to 12 months
|
|
Diagnoses
Tidsramme: 6 to 12 months
|
Descriptive exploration of diagnoses among patients referred to CT examinations; diagnoses according to ICD 10.
|
6 to 12 months
|
Samarbejdspartnere og efterforskere
Sponsor
Sponsor
Samarbejdspartnere
Samarbejdspartnere
Efterforskere
Efterforskere
- Ledende efterforsker: Anselm Schulz, PhD, Oslo University Hospital
Publikationer og nyttige links
Generelle publikationer
- Berrington de Gonzalez A, Mahesh M, Kim KP, Bhargavan M, Lewis R, Mettler F, Land C. Projected cancer risks from computed tomographic scans performed in the United States in 2007. Arch Intern Med. 2009 Dec 14;169(22):2071-7. doi: 10.1001/archinternmed.2009.440.
- Brenner DJ, Hall EJ. Computed tomography--an increasing source of radiation exposure. N Engl J Med. 2007 Nov 29;357(22):2277-84. doi: 10.1056/NEJMra072149. No abstract available.
- Novelline RA, Rhea JT, Rao PM, Stuk JL. Helical CT in emergency radiology. Radiology. 1999 Nov;213(2):321-39. doi: 10.1148/radiology.213.2.r99nv01321.
- OECD. Computed tomography (CT) exams. 2018.
- Mettler FA Jr, Thomadsen BR, Bhargavan M, Gilley DB, Gray JE, Lipoti JA, McCrohan J, Yoshizumi TT, Mahesh M. Medical radiation exposure in the U.S. in 2006: preliminary results. Health Phys. 2008 Nov;95(5):502-7. doi: 10.1097/01.HP.0000326333.42287.a2.
- Pan X, Sidky EY, Vannier M. Why do commercial CT scanners still employ traditional, filtered back-projection for image reconstruction? Inverse Probl. 2009 Jan 1;25(12):1230009. doi: 10.1088/0266-5611/25/12/123009.
- Beister M, Kolditz D, Kalender WA. Iterative reconstruction methods in X-ray CT. Phys Med. 2012 Apr;28(2):94-108. doi: 10.1016/j.ejmp.2012.01.003. Epub 2012 Feb 10.
- Hsieh JL, E.; Nett, B.; Tang, J.; Thibault JB.; Sahney, S. A new era of image reconstruction: TrueFidelity. Technical white paper on deep learning image reconstruction. 2019.
- Jensen CT, Liu X, Tamm EP, Chandler AG, Sun J, Morani AC, Javadi S, Wagner-Bartak NA. Image Quality Assessment of Abdominal CT by Use of New Deep Learning Image Reconstruction: Initial Experience. AJR Am J Roentgenol. 2020 Jul;215(1):50-57. doi: 10.2214/AJR.19.22332. Epub 2020 Apr 14.
- Njolstad T, Schulz A, Godt JC, Brogger HM, Johansen CK, Andersen HK, Martinsen ACT. Improved image quality in abdominal computed tomography reconstructed with a novel Deep Learning Image Reconstruction technique - initial clinical experience. Acta Radiol Open. 2021 Apr 9;10(4):20584601211008391. doi: 10.1177/20584601211008391. eCollection 2021 Apr.
- Solomon J, Lyu P, Marin D, Samei E. Noise and spatial resolution properties of a commercially available deep learning-based CT reconstruction algorithm. Med Phys. 2020 Sep;47(9):3961-3971. doi: 10.1002/mp.14319. Epub 2020 Jul 6.
- Greffier J, Hamard A, Pereira F, Barrau C, Pasquier H, Beregi JP, Frandon J. Image quality and dose reduction opportunity of deep learning image reconstruction algorithm for CT: a phantom study. Eur Radiol. 2020 Jul;30(7):3951-3959. doi: 10.1007/s00330-020-06724-w. Epub 2020 Feb 25.
- Brady SL, Trout AT, Somasundaram E, Anton CG, Li Y, Dillman JR. Improving Image Quality and Reducing Radiation Dose for Pediatric CT by Using Deep Learning Reconstruction. Radiology. 2021 Jan;298(1):180-188. doi: 10.1148/radiol.2020202317. Epub 2020 Nov 17.
- Larson DB, Johnson LW, Schnell BM, Salisbury SR, Forman HP. National trends in CT use in the emergency department: 1995-2007. Radiology. 2011 Jan;258(1):164-73. doi: 10.1148/radiol.10100640. Epub 2010 Nov 29.
- Rud B, Vejborg TS, Rappeport ED, Reitsma JB, Wille-Jorgensen P. Computed tomography for diagnosis of acute appendicitis in adults. Cochrane Database Syst Rev. 2019 Nov 19;2019(11):CD009977. doi: 10.1002/14651858.CD009977.pub2.
- Kabir SA, Kabir SI, Sun R, Jafferbhoy S, Karim A. How to diagnose an acutely inflamed appendix; a systematic review of the latest evidence. Int J Surg. 2017 Apr;40:155-162. doi: 10.1016/j.ijsu.2017.03.013. Epub 2017 Mar 6.
- Moloney F, James K, Twomey M, Ryan D, Grey TM, Downes A, Kavanagh RG, Moore N, Murphy MJ, Bye J, Carey BW, McSweeney SE, Deasy C, Andrews E, Shanahan F, Maher MM, O'Connor OJ. Low-dose CT imaging of the acute abdomen using model-based iterative reconstruction: a prospective study. Emerg Radiol. 2019 Apr;26(2):169-177. doi: 10.1007/s10140-018-1658-z. Epub 2018 Nov 17.
- Poletti PA, Becker M, Becker CD, Halfon Poletti A, Rutschmann OT, Zaidi H, Perneger T, Platon A. Emergency assessment of patients with acute abdominal pain using low-dose CT with iterative reconstruction: a comparative study. Eur Radiol. 2017 Aug;27(8):3300-3309. doi: 10.1007/s00330-016-4712-9. Epub 2017 Jan 12.
- Widmark A. Diagnostic reference level (DRL) in Norway 2017. Results, revision:and establishment of new DRL.NRPA Report 2018:3. Norwegian Radiation Protection Authority, Østerås 2018.
- Komperød M, Rudjord AL, Skuterud L, Dyve JE. Radiation Doses from the Environment. Calculations of the Public's Exposure to Radiation from the Environment in Norway. Strålevern Rapport 2015:11 Østerås: Norwegian Radiation Protection Authority 2015.
- Bossuyt PM, Reitsma JB, Bruns DE, Gatsonis CA, Glasziou PP, Irwig L, Lijmer JG, Moher D, Rennie D, de Vet HC, Kressel HY, Rifai N, Golub RM, Altman DG, Hooft L, Korevaar DA, Cohen JF; STARD Group. STARD 2015: An Updated List of Essential Items for Reporting Diagnostic Accuracy Studies. Radiology. 2015 Dec;277(3):826-32. doi: 10.1148/radiol.2015151516. Epub 2015 Oct 28.
- Sounderajah V, Ashrafian H, Golub RM, Shetty S, De Fauw J, Hooft L, Moons K, Collins G, Moher D, Bossuyt PM, Darzi A, Karthikesalingam A, Denniston AK, Mateen BA, Ting D, Treanor D, King D, Greaves F, Godwin J, Pearson-Stuttard J, Harling L, McInnes M, Rifai N, Tomasev N, Normahani P, Whiting P, Aggarwal R, Vollmer S, Markar SR, Panch T, Liu X; STARD-AI Steering Committee. Developing a reporting guideline for artificial intelligence-centred diagnostic test accuracy studies: the STARD-AI protocol. BMJ Open. 2021 Jun 28;11(6):e047709. doi: 10.1136/bmjopen-2020-047709.
- Mongan J, Moy L, Kahn CE Jr. Checklist for Artificial Intelligence in Medical Imaging (CLAIM): A Guide for Authors and Reviewers. Radiol Artif Intell. 2020 Mar 25;2(2):e200029. doi: 10.1148/ryai.2020200029. eCollection 2020 Mar. No abstract available.
- Report EUR 16262 EN. European guidelines on quality criteria for computed tomography. 2000.
- Ahn S, Park SH, Lee KH. How to demonstrate similarity by using noninferiority and equivalence statistical testing in radiology research. Radiology. 2013 May;267(2):328-38. doi: 10.1148/radiol.12120725.
- Eng KA, Abadeh A, Ligocki C, Lee YK, Moineddin R, Adams-Webber T, Schuh S, Doria AS. Acute Appendicitis: A Meta-Analysis of the Diagnostic Accuracy of US, CT, and MRI as Second-Line Imaging Tests after an Initial US. Radiology. 2018 Sep;288(3):717-727. doi: 10.1148/radiol.2018180318. Epub 2018 Jun 19.
- Expert Panel on Gastrointestinal Imaging:; Garcia EM, Camacho MA, Karolyi DR, Kim DH, Cash BD, Chang KJ, Feig BW, Fowler KJ, Kambadakone AR, Lambert DL, Levy AD, Marin D, Moreno C, Peterson CM, Scheirey CD, Siegel A, Smith MP, Weinstein S, Carucci LR. ACR Appropriateness Criteria(R) Right Lower Quadrant Pain-Suspected Appendicitis. J Am Coll Radiol. 2018 Nov;15(11S):S373-S387. doi: 10.1016/j.jacr.2018.09.033.
- Expert Panel on Gastrointestinal Imaging:; Peterson CM, McNamara MM, Kamel IR, Al-Refaie WB, Arif-Tiwari H, Cash BD, Chernyak V, Goldstein A, Grajo JR, Hindman NM, Horowitz JM, Noto RB, Porter KK, Srivastava PK, Zaheer A, Carucci LR. ACR Appropriateness Criteria(R) Right Upper Quadrant Pain. J Am Coll Radiol. 2019 May;16(5S):S235-S243. doi: 10.1016/j.jacr.2019.02.013.
- Akagi M, Nakamura Y, Higaki T, Narita K, Honda Y, Zhou J, Yu Z, Akino N, Awai K. Deep learning reconstruction improves image quality of abdominal ultra-high-resolution CT. Eur Radiol. 2019 Nov;29(11):6163-6171. doi: 10.1007/s00330-019-06170-3. Epub 2019 Apr 11.
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
Nøgleord
Yderligere relevante MeSH-vilkår
- Smerte
- Neurologiske manifestationer
- Patologiske processer
- Tegn og symptomer, fordøjelsessystemet
- Tarmsygdomme
- Infektioner
- Sygdomme i fordøjelsessystemet
- Gastrointestinale sygdomme
- Pancreassygdomme
- Galdevejssygdomme
- Gastroenteritis
- Galdeblæresygdomme
- Cecale sygdomme
- Intraabdominale infektioner
- Patologiske tilstande, tegn og symptomer
- Tegn og symptomer
- Kolecystitis
- Mavesmerter
- Pancreatitis
- Sygdom
- Akut smerte
- Kolecystitis, akut
- Blindtarmsbetændelse
Andre undersøgelses-id-numre
Andre undersøgelses-id-numre
- PVO ref. 22/11840
- 22/11840 (Anden identifikator: Data protection officer at Oslo University Hospital)
- 468490 (Anden identifikator: Regional Comittees for Medical Research Ethics South East)
Plan for individuelle deltagerdata (IPD)
Planlægger du at dele individuelle deltagerdata (IPD)?
IPD-planbeskrivelse
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 .