Denne side blev automatisk oversat, og nøjagtigheden af ​​oversættelsen er ikke garanteret. Der henvises til engelsk version for en kildetekst.

Evaluering af en kunstig intelligens-aktiveret klinisk assistent til støtte af thyroideacancer-behandling

17. juli 2026 opdateret af: Dr. Carlos King-Ho Wong, The University of Hong Kong

Et randomiseret kontrolleret forsøg til evaluering af en kunstig intelligens-drevet klinisk assistent til staging og risikostratificering af skjoldbruskkirtelkræft blandt medicinstuderende og klinikere

Denne undersøgelse har til formål at evaluere den kliniske anvendelighed af at indføre kunstig intelligens (AI)-baserede modeller for at forbedre den kliniske håndtering af skjoldbruskkirtelkræft.

Studieoversigt

Status

Tilmelding efter invitation

Betingelser

Intervention / Behandling

Detaljeret beskrivelse

Med de seneste fremskridt inden for teknologi er AI blevet bredt anvendelig til visuel tekstgenkendelse i kliniske omgivelser. AI-drevet tekstgenkendelse opstår som et yderst effektivt, bæredygtigt og omkostningseffektivt værktøj til beslutningstagning og personlig medicin. Adskillige studier har anvendt natural language processing (NLP) algoritmer, især store sprogmodeller (LLM'er), til at konvertere ustruktureret fri-tekst fra kliniske konsultationsnotater i elektroniske patientjournaler (EHR) til struktureret data, hvilket beriger individuelle kliniske profiler i EHR-databaserne. Over tid har disse AI-modeller kontinuerligt forbedret deres prædiktive nøjagtighed og præstation gennem selv-læring (eller uprøvet læring). Mens AI-modeller har haft en betydelig indvirkning på onkologipraksis i udlandet, forbliver deres anvendelighed til tekstgenkendelse i onkologi begrænset i Hong Kong. Dette foreslåede studie har til formål at evaluere den kliniske gennemførlighed af at implementere AI-baserede modeller for at forbedre slutbrugerens tillid til diagnostisk nøjagtighed og risikoprædiktion ved hjælp af AI-assisterede arbejdsgange i skjoldbruskkirtelkræftbehandling.

Undersøgelsestype

Interventionel

Tilmelding (Anslået)

76

Fase

  • Ikke anvendelig

Kontakter og lokationer

Dette afsnit indeholder kontaktoplysninger for dem, der udfører undersøgelsen, og oplysninger om, hvor denne undersøgelse udføres.

Studiesteder

      • Hong Kong, Hong Kong
        • School of Public Health, The University of Hong Kong
      • Hong Kong, Hong Kong
        • Department of Surgery, School of Clinical Medicine, The University of Hong Kong

Deltagelseskriterier

Forskere leder efter personer, der passer til en bestemt beskrivelse, kaldet berettigelseskriterier. Nogle eksempler på disse kriterier er en persons generelle helbredstilstand eller tidligere behandlinger.

Berettigelseskriterier

Aldre berettiget til at studere

  • Voksen
  • Ældre voksen

Tager imod sunde frivillige

Ja

Beskrivelse

Inklusionskriterier:

  • medicinstuderende
  • klinikere (herunder, men ikke begrænset til, kirurger, onkologer, patologer)

Eksklusionskriterier:

  • medicinstuderende og klinikere, som havde gennemgået de kliniske notater eller var involveret i behandlingen af de kliniske notater før starten af kliniske eksperimentelle studier

Studieplan

Dette afsnit indeholder detaljer om studieplanen, herunder hvordan undersøgelsen er designet, og hvad undersøgelsen måler.

Hvordan er undersøgelsen tilrettelagt?

Design detaljer

  • Primært formål: Sundhedstjenesteforskning
  • Tildeling: Randomiseret
  • Interventionel model: Crossover opgave
  • Maskning: Enkelt

Våben og indgreb

Deltagergruppe / Arm
Intervention / Behandling
Eksperimentel: AI-aktiveret klinisk assistent
Deltagerne vil angive cancerstadieinddelingen og risikokategorien for hver thyroideacancerpatient samt deltagernes tillid til ovenstående diagnostiske vurderinger med AI-understøttet klinisk assistent som intervention. Den AI-assistent er drevet af LLM'er og omfatter en klinisk dashboard. Den kliniske dashboard viser de originale kliniske notater og opsummerer cancerstadieinddelingen og risikokategorien for hver thyroideacancerpatient genereret fra backend-behandlingen af den kliniske assistent. Understøttende beviser fra originale kliniske notater fremhæves også for deltagernes verifikation.
Deltagerne vil fremskaffe cancer-stadieinddelingen og risikokategorien for hver patient med thyroidea-cancer samt deltagernes tillid til ovenstående diagnostiske vurderinger med AI-understøttet klinisk assistent som intervention. Den AI-assistent er drevet af LLM'er og omfatter en klinisk dashboard. Den kliniske dashboard viser de oprindelige kliniske notater og sammenfatter cancer-stadieinddelingen og risikokategorien for hver patient med thyroidea-cancer genereret fra bagud-processeringen af den kliniske assistent. Understøttende bevis fra de oprindelige kliniske notater fremhæves også for deltagernes verifikation.
Ingen indgriben: Manuel diagramgennemgang
Deltagerne vil fremskaffe kræftstadieinddelingen og risikokategorien for hver patient med thyroideakræft samt deltagernes tillid til ovenstående diagnostiske vurderinger ved manuel journalgennemgang.

Hvad måler undersøgelsen?

Primære resultatmål

Resultatmål
Foranstaltningsbeskrivelse
Tidsramme
Efficiency
Tidsramme: Between intervention group and non-intervention group. Cross-over in 4-26 weeks
The time required to complete reviewing one set of clinical notes is compared between intervention and non-intervention groups
Between intervention group and non-intervention group. Cross-over in 4-26 weeks

Sekundære resultatmål

Resultatmål
Foranstaltningsbeskrivelse
Tidsramme
Accuracy of Cancer Staging and Risk Stratification by Participants Compared with Ground Truth across Intervention and Non-intervention Groups
Tidsramme: Between intervention group and non-intervention group. Cross-over in 4-26 weeks

The study will compare the accuracy of cancer staging and risk category assessed by the participants across the intervention group with AI assitance and non-intervention group without AI asssitance.

The participants will review the clinical notes and assess the cancer staging and risk category for each thyroid cancer patient with or without the AI assistant. Participant provided assessments will be compared against the ground truth established by the clinical investigators of the study to guage the accuracy which is quantified as the percentage of correctly graded cancer staging and risk stratification. The accuracy will be compared between the intervention group and non-intervention groups using t-tests to evaluate the clinical impact of the AI assistant.

Between intervention group and non-intervention group. Cross-over in 4-26 weeks
Participants' Confidence in Cancer Staging and Risk Stratification as Assessed by a 0-10 Scale Questionnaire
Tidsramme: Between intervention group and non-intervention group. Cross-over in 4-26 weeks

The study will compare the participants' confidence in grading cancer staging and risk category between the intervention group with AI assistance and non-intervention group without AI-assistance.

After evaluating each thyroid cancer case for providing cancer staging and risk category, participants will complete a short questionnaire rating their confidence in providing their assessments on a scale from 0 (lowest) to 10 (hightest). Meanw confidence score will be compared between the intervention group and non-intervention group to evaluate the clinical impact of the AI assitant.

Between intervention group and non-intervention group. Cross-over in 4-26 weeks

Samarbejdspartnere og efterforskere

Det er her, du vil finde personer og organisationer, der er involveret i denne undersøgelse.

Sponsor

Samarbejdspartnere

Efterforskere

  • Ledende efterforsker: King Ho Carlos Wong, School of Public Health The University of Hong Kong
  • Ledende efterforsker: Man Him Matrix Fung, Department of Surgery, School of Clinical Medicine, The University of Hong Kong

Publikationer og nyttige links

Den person, der er ansvarlig for at indtaste oplysninger om undersøgelsen, leverer frivilligt disse publikationer. Disse kan handle om alt relateret til undersøgelsen.

Datoer for undersøgelser

Disse datoer sporer fremskridtene for indsendelser af undersøgelsesrekord og resumeresultater til ClinicalTrials.gov. Studieregistreringer og rapporterede resultater gennemgås af National Library of Medicine (NLM) for at sikre, at de opfylder specifikke kvalitetskontrolstandarder, før de offentliggøres på den offentlige hjemmeside.

Studer store datoer

Studiestart (Faktiske)

2. oktober 2025

Primær færdiggørelse (Anslået)

31. marts 2027

Studieafslutning (Anslået)

30. april 2027

Datoer for studieregistrering

Først indsendt

29. september 2025

Først indsendt, der opfyldte QC-kriterier

16. november 2025

Først opslået (Faktiske)

18. november 2025

Opdateringer af undersøgelsesjournaler

Sidste opdatering sendt (Faktiske)

21. juli 2026

Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier

17. juli 2026

Sidst verificeret

1. juli 2026

Mere information

Begreber relateret til denne undersøgelse

Andre undersøgelses-id-numre

  • UW24-319-RCT

Plan for individuelle deltagerdata (IPD)

Planlægger du at dele individuelle deltagerdata (IPD)?

JA

IPD-planbeskrivelse

Kun anonymiserede IPD, der anvendes i resultatpublikationer, vil blive delt, så genidentifikation af personer ikke er mulig.

IPD-delingstidsramme

IPD og støtteinformation vil være tilgængelig efter afslutningen af studiet (forventet dato den 31. december 2025) med resultatspredning eller publikation og vil forblive permanent tilgængelig indtil der anmodes om fjernelse.

IPD-delingsadgangskriterier

IPD og støtteinformation vil være tilgængelig sammen med resultatspredning og publikation som dokumentupload eller vedhæftede filer. Enhver, der har adgang til artiklerne, vil kunne få adgang til alle dokumenter.

IPD-deling Understøttende informationstype

  • STUDY_PROTOCOL
  • SAP
  • ICF
  • ANALYTIC_CODE

Lægemiddel- og udstyrsoplysninger, undersøgelsesdokumenter

Studerer et amerikansk FDA-reguleret lægemiddelprodukt

Ingen

Studerer et amerikansk FDA-reguleret enhedsprodukt

Ingen

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 .