AI-Augmented Skin Cancer Diagnosis in Teledermatoscopy (AIDMel)
AI-Augmented Skin Cancer Diagnosis in Teledermatoscopy: A Prospective Randomized Study
Studieoversigt
Status
Intervention / Behandling
Detaljeret beskrivelse
Deep-learning algoritmer kan potentielt gavne mange områder i sundhedsvæsenet, herunder diagnosticering af hudkræft ved hjælp af teledermatoskopi. Der er dog mangel på klinisk, prospektiv forskning i human-AI-interaktion i diagnostiske opgaver, der tager hensyn til menneskelige faktorer.
I denne undersøgelse vil vi undersøge virkningen af sådanne faktorer i en virkelig verden, hvor vi integrerer en algoritme i en eksisterende teledermatoskopi-platform, der bruges klinisk på et tertiært hospital i Sverige. Vi vil undersøge, hvilken indflydelse forskellige implementeringer af AI-værktøjsoutput i forhold til menneskelige faktorer har på diagnostisk nøjagtighed og ledelsesbeslutninger.
Undersøgelsespersoner rekrutteres på Dermatologisk Afdeling på Karolinska Universitetshospitalet og vil blive bedt om at vurdere potentielle teledermatoskopiske konsultationer med og uden AI-støtte. Hver konsultation vil blive randomiseret i en af tre arbejdsgange med eller uden én foruddefineret implementering af AI-værktøjet. Undersøgelsespersoner bliver også bedt om at udfylde to undersøgelser med demografiske oplysninger og spørgsmål vedrørende forskellige menneskelige faktorer. Patienter, der deltager i undersøgelsen, vil blive diagnosticeret uden for undersøgelsen før inklusion uden involvering af et AI-værktøj, især af to erfarne hudlæger, der ikke deltager som forsøgspersoner.
Undersøgelsestype
Tilmelding (Anslået)
Fase
- Ikke anvendelig
Kontakter og lokationer
Studiesteder
-
-
-
Stockholm, Sverige
- Karolinska University Hospital
-
-
Deltagelseskriterier
Berettigelseskriterier
Aldre berettiget til at studere
- Voksen
- Ældre voksen
Tager imod sunde frivillige
Beskrivelse
Inklusionskriterier:
- Autoriseret læge
- Arbejder på en hudklinik
- Tilstrækkelig viden i svensk
- Skriftligt samtykke til deltagelse
Ekskluderingskriterier:
- Ingen erfaring med brug af dermatoskopi
- ønsker ikke at deltage
- Ufuldstændige svar
- Læger, der er involveret i patienternes kliniske pleje i forbindelse med den teledermoskopiske konsultation
Studieplan
Hvordan er undersøgelsen tilrettelagt?
Design detaljer
- Primært formål: Diagnostisk
- Tildeling: Randomiseret
- Interventionel model: Crossover opgave
- Maskning: Ingen (Åben etiket)
Våben og indgreb
Deltagergruppe / Arm |
Intervention / Behandling |
|---|---|
|
Ingen indgriben: Arbejdsgang 1
Standard for pleje
|
|
|
Eksperimentel: Arbejdsgang 2
Rådfør dig med AI-assistance
|
Deltagerne vil blive informeret om de diagnostiske sandsynligheder for hver af ti differentialdiagnoser i henhold til AI-værktøjet
|
|
Eksperimentel: Arbejdsgang 3
Først arbejdsgang 1, derefter arbejdsgang 2
|
Deltagerne vil blive informeret om de diagnostiske sandsynligheder for hver af ti differentialdiagnoser i henhold til AI-værktøjet
|
Hvad måler undersøgelsen?
Primære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
Diagnostisk nøjagtighed
Tidsramme: 1 år
|
Bestem sensitivitet, specificitet, nøjagtighed og AUROC i form af diagnostisk nøjagtighed for hudlæger med vs uden AI-rådgivning.
Yderligere at undersøge de forskellige arbejdsganges rolle (diagnose med eller uden AI med varierende sekvensering) og indflydelsen af demografiske og menneskelige faktorer (f.eks. erfaringsniveau) på diagnostisk nøjagtighed
|
1 år
|
|
Nøjagtighed af ledelsesbeslutninger
Tidsramme: 1 år
|
Bestem sensitivitet, specificitet, nøjagtighed og AUROC med hensyn til nøjagtighed for ledelsesbeslutninger for hudlæger med kontra uden AI, og undersøg rollen af de forskellige arbejdsgange (med eller uden AI med varierende sekvensering) og indflydelsen af demografiske og menneskelige faktorer (f.eks. erfaring) om ledelsesbeslutninger (biopsi/kirurgi, ingen intervention eller opfølgning)
|
1 år
|
|
Tendens til at ændre initial diagnose eller ledelsesbeslutning
Tidsramme: 1 år
|
Vurder, hvilke faktorer der påvirker sandsynligheden for, at en læge ændrer sin vurdering efter at have modtaget algoritmisk input
|
1 år
|
|
Selvrapporteret tillid til diagnose og ledelsesbeslutninger
Tidsramme: 1 år
|
Undersøg om AI eller andre faktorer påvirker lægens tillid til deres diagnose og ledelsesbeslutninger
|
1 år
|
Samarbejdspartnere og efterforskere
Sponsor
Datoer for undersøgelser
Studer store datoer
Studiestart (Faktiske)
Primær færdiggørelse (Anslået)
Studieafslutning (Anslået)
Datoer for studieregistrering
Først indsendt
Først indsendt, der opfyldte QC-kriterier
Først opslået (Faktiske)
Opdateringer af undersøgelsesjournaler
Sidste opdatering sendt (Faktiske)
Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier
Sidst verificeret
Mere information
Begreber relateret til denne undersøgelse
Yderligere relevante MeSH-vilkår
Andre undersøgelses-id-numre
- 960024
Plan for individuelle deltagerdata (IPD)
Planlægger du at dele individuelle deltagerdata (IPD)?
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 .