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
Yderligere relevante MeSH-vilkår
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 .