Intelligent støtte til radiologisk rapportering af lunge-neoplasmer (SPOILERS)
Intelligent støtte til radiologisk rapportering af lungeneoplasmer - SPOILERS-studiet
Lungekræft er en af de mest almindelige kræftformer og har en af de værste prognoser, primært på grund af vanskelighederne ved tidlig diagnose. I Italien estimeres der hvert år 41.000 nye tilfælde, og i 2021 var sygdommen ansvarlig for omkring 34.000 dødsfald. Den sociale påvirkning er betydelig, da sygdommen ofte diagnosticeres i et fremskredet stadie, når overlevelseschancerne er reduceret: 5-års overlevelsesraten er omkring 18% i fremskredne stadier, mens den kan nå 90%, hvis den diagnosticeres i et tidligt stadie.
Tidlig stadie lungekræft manifesterer sig hovedsageligt i form af lungeknuder, som kan påvises ved computertomografi (CT). Diagnosen af disse knuder kræver dog ofte invasive procedurer, såsom bronkoskopi, CT-vejledt nålebiopsi eller kirurgiske biopsier, som påvirker patienternes livskvalitet og sundhedsomkostninger. Af denne grund er evnen til præcist at skelne mellem godartede og ondartede knuder et centralt tema i klinisk forskning.
I de seneste år har kunstig intelligens, især deep learning-teknikker, vist betydeligt potentiale i at støtte CT-screening. Resultater viser, at AI kan opnå præstationer overlegen til individuelle radiologer og sammenlignelige med et multidisciplinært team, ved at bruge histologiske rapporter som diagnostisk reference. Dette bekræfter værdien af AI som et værktøj til at støtte klinisk beslutningstagning.
I betragtning af den multimodale natur af kliniske data (billeder, tekstrapporter, diagnostiske tests), er der stigende interesse for modeller, der er i stand til at integrere flere informationskilder. I denne sammenhæng sigter forskningsprojektet mod at udvikle et system, der kan genkende lungeknuder automatisk og generere naturligt sprog tekstbeskrivelser af fundene.
Studieoversigt
Status
Betingelser
Intervention / Behandling
Undersøgelsestype
Tilmelding (Faktiske)
Kontakter og lokationer
Studiesteder
-
-
Piedmont
-
Alessandria, Piedmont, Italien, 15121
- SSD Laboratori di Ricerca (DAIRI) - AOU Alessandria
-
-
Deltagelseskriterier
Berettigelseskriterier
Aldre berettiget til at studere
- Voksen
- Ældre voksen
Tager imod sunde frivillige
Prøveudtagningsmetode
Studiebefolkning
Beskrivelse
Inklusionskriterier:
- Alder ≥18 år
- Evidens for lungeknude dokumenteret radiologisk ved bryst CT-scanning
- Tilstedeværelse af CT-scan rapport
- Tilstedeværelse af histologisk rapport (lungeknudebiopsi)
- Tilstedeværelse af skriftlig informeret samtykke, underskrevet
Eksklusionskriterier:
- Tidligere kræft
- Tidligere lungeoperation
- Tidligere stråleterapi og/eller kemoterapi
Studieplan
Hvordan er undersøgelsen tilrettelagt?
Design detaljer
Kohorter og interventioner
Gruppe / kohorte |
Intervention / Behandling |
|---|---|
|
Patienter med lungeknuder
Patienter, der har lungeknuder ved computer-tomografi (CT) evaluering og som gennemgår biopsi, vil blive inkluderet.
|
Interventionen indebærer at inkludere patienter med lungeknuder og indsamle kliniske data, anonymisere dem, forbehandle CT-billeder og forberede dem til brug i træning af kunstig intelligens-modeller, hvilket sikrer klinisk validering og etisk overholdelse.
|
Hvad måler undersøgelsen?
Primære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
Udvikling af en AI-computermodel
Tidsramme: Gennem studiefærdiggørelse, i gennemsnit 18 måneder
|
Udvikling af en computermodel, der gennem anvendelse af kunstig intelligens er i stand til at genkende og differentiere lungeknuder.
|
Gennem studiefærdiggørelse, i gennemsnit 18 måneder
|
Sekundære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
Automatisk generering af resultater af AI-modellen
Tidsramme: Gennem studiefærdiggørelse, i gennemsnit 18 måneder
|
Generér automatisk naturligt sprogtekst, der beskriver de resultater, som AI-modellen har genkendt fra de data, der er stillet til rådighed for den
|
Gennem studiefærdiggørelse, i gennemsnit 18 måneder
|
Samarbejdspartnere og efterforskere
Datoer for undersøgelser
Studer store datoer
Studiestart (Faktiske)
Primær færdiggørelse (Faktiske)
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
- ASO.Rad.23.01
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 .