Kunstig Intelligens (AI)-forbedret forbehandlings-fagfællebedømmelsesproces til forbedring af patientsikkerhed i stråleonkologi
Udvikling og vurdering af kunstig intelligens (AI)-forbedret forbehandlingspeer-review-proces for at forbedre patientsikkerheden i stråleonkologi
Denne prospektive undersøgelse vil teste beslutningsstøtteværktøjer baseret på kunstig intelligens (AI) og maskinlæring (ML). Dette værktøj er designet til at hjælpe læger, fysikere og andet personale under forbehandlingsgennemgang, et trin hvor behandlingsplaner kontrolleres, før en patient påbegynder behandling.
Systemet fremhæver oversigter, der viser, hvordan forskellige udbydere kan variere i deres behandlingsplanlægning (udbyder-variationsoversigter) og peger på de bedste signaler eller advarselstegn at være opmærksom på (optimale signaler). Ved at henlede opmærksomheden på disse mønstre og signaler sigter værktøjet mod at hjælpe gennemgangerne med at opdage mulige behandlingsplanlægningsfejl tidligere, reducere risikoen for fejl og forbedre den samlede patientsikkerhed.
Studieoversigt
Status
Betingelser
Intervention / Behandling
Detaljeret beskrivelse
Efterhånden som stråleterapi (RT) bliver mere kompleks, stiger antallet af mulige fejlveje. AI-understøttet peer review kan hjælpe med at fange fejl, der ellers kunne gå ubemærket hen, og fremme konsekvente, retfærdige sikkerhedsstandarder på tværs af både landklinikker og byklinikker.
Stråleterapi (RT) anvendes hos omkring 50 % af kræftpatienter og gives normalt i ambulatorier. Nyere teknologier som intensitetsmoduleret stråleterapi (IMRT), volumetrisk moduleret buestråleterapi (VMAT) og billedvejledt stråleterapi (IGRT) forbedrer behandlingen ved bedre at beskytte normalt væv og give højere dosis i målområder. De er dog mere komplekse og kræver en meget præcis definition af tumormål og normalt væv. Selv små fejl i udpegningen af disse områder kan føre til underbehandling af tumor eller overbehandling af sundt væv. Studier viser, at fejl i definitionen af målområder er steget i moderne stråleonkologi. Fordi disse behandlinger er mere kognitivt krævende, er risikoen for planlægningsfejl steget, og i nogle tilfælde kan fejl forårsage alvorlig skade.
Forbehandlings peer review, hvor et tværfagligt team gennemgår behandlingsplanen før terapiens start, er et vigtigt sikkerhedstrin og anbefales kraftigt. Det er mest effektivt, når det udføres før behandlingen starter, da rettelser senere kan forårsage behandlingsforsinkelser, hastede ændringer og tilføjet Det potentielle indvirkning på patientsikkerheden er betydelig.
På grund af den stigende kompleksitet og arbejdsbyrde er der behov for at styrke og delvist automatisere forbehandlings peer review. AI/ML beslutningsstøtteværktøjer kan hjælpe ved at sammenfatte nøgleinformation, fremhæve usædvanlige planfunktioner og henlede opmærksomheden på områder med potentiel risiko. Disse værktøjer træffer ikke behandlingsbeslutninger. I stedet leverer de analyser og visuelle oversigter for at støtte klinikere og reducere kognitiv belastning.
Fordi værktøjet også fremhæver forskelle i, hvordan udbydere planlægger behandlinger, kan det hjælpe med at identificere variation i pleje og henlede opmærksomheden på potentielle sundhedsforskelle, hvilket støtter fremtidige indsatser for at forbedre retfærdighed i stråleonkologi.
Undersøgelsestype
Tilmelding (Anslået)
Fase
- Ikke anvendelig
Kontakter og lokationer
Studiekontakt
- Navn: Olivia Morton
- Telefonnummer: (984) 974-8441
- E-mail: olivia_roberts@med.unc.edu
Undersøgelse Kontakt Backup
- Navn: Victoria Xu
- Telefonnummer: (984) 974-8444
- E-mail: victoria_xu@med.unc.edu
Studiesteder
-
-
North Carolina
-
Chapel Hill, North Carolina, Forenede Stater, 27599
- University of North Carolina at Chapel Hill, Department of Radiation Oncology
-
Kontakt:
- Olivia Morton
- Telefonnummer: 984-974-8441
- E-mail: olivia_roberts@med.unc.edu
-
Ledende efterforsker:
- Lukasz Mazur, PhD
-
-
Deltagelseskriterier
Berettigelseskriterier
Aldre berettiget til at studere
- Voksen
- Ældre voksen
Tager imod sunde frivillige
Beskrivelse
For at deltage i denne undersøgelse skal en person opfylde alle de berettigelseskriterier, der er skitseret nedenfor.
Inklusionskriterier:
Kun udbydere
- ≥18 år
- Peer-review deltagere på deltagende klinikker
Kun patienter
- ≥18 år
- Alle patienter med prostatakræft-stråleterapi-sager behandlet på deltagende steder (ingen intervention leveret til patienter)
Eksklusionskriterier:
Kun udbydere • Udbydere, der er uvillige/ikke i stand til at overholde undersøgelsesprocedurer; steder, der ikke kan implementere arbejdsgangen eller levere de krævede resultater.
Patienter og udbydere
• Har demens, ændret mental status eller enhver psykiatrisk eller komorbid tilstand, der forhindrer forståelsen eller givelsen af informeret samtykke
Studieplan
Hvordan er undersøgelsen tilrettelagt?
Design detaljer
- Primært formål: Sundhedstjenesteforskning
- Tildeling: Ikke-randomiseret
- Interventionel model: Parallel tildeling
- Maskning: Ingen (Åben etiket)
Våben og indgreb
Deltagergruppe / Arm |
Intervention / Behandling |
|---|---|
|
Andet: Udbydere
Stråleonkologiske udbydere, der deltager i fagfællebedømmelse på deltagende klinikker.
|
Al behandlingsplanlægning og klinisk monitorering udføres i overensstemmelse med institutionelle standarder og etablerede afdelingspolitikker.
Peer review-aktiviteter fortsætter, som de ville gøre i rutinemæssig klinisk praksis, med tilføjelsen af valgfrie kunstig intelligens (AI) genererede analyser tilgængelige for klinisk gennemgang.
AI / Machine Learning (ML) systemet er integreret i planlagte afdelings peer review-møder og præsenterer analytiske opsummeringer og visualiseringer gennem et dashboard, der er integreret i den eksisterende kliniske arbejdsgang.
Systemet fungerer udelukkende som et beslutningsstøttehjælpemiddel og udfører eller initierer ikke nogen autonom behandlingsplanlægningshandlinger, dosisleveringsændringer eller kliniske indgreb.
Under simuleringsgennemgang (SIM) gennemgåes lægegenererede mål- og risikoorgankonturer først, i overensstemmelse med standardpraksis.
Først efter denne indledende gennemgang kan behandlingslægen valgfrit få adgang til de AI-genererede konturer til sammenligningsformål.
Andre navne:
|
|
Ingen indgriben: Patienter
Prostatakræftpatienter, der modtager stråleterapi, bidrager med anonymiserede sikkerhedsresultater.
|
Hvad måler undersøgelsen?
Primære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
Procentdel af patienter med ændringer i nodalvolumenkonturer
Tidsramme: Baseline
|
Procentdel af patienter med dokumenterede ændringer vedrørende nodal volumenkonturer efter kunstig intelligens (AI)-forbedret peer review.
|
Baseline
|
Samarbejdspartnere og efterforskere
Samarbejdspartnere
Efterforskere
- Ledende efterforsker: Lukasz Mazur, PhD, UNC Lineberger Comprehensive Cancer Center
Publikationer og nyttige links
Datoer for undersøgelser
Studer store datoer
Studiestart (Anslået)
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
Nøgleord
Yderligere relevante MeSH-vilkår
Andre undersøgelses-id-numre
- LCCC2607
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
produkt fremstillet i og eksporteret fra U.S.A.
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 .