Automatisierte Erkennung von Knochenmetastasen bei Knochenszintigraphie-Scans
Klinische In-Silico-Studie zum Vergleich der Lesegenauigkeit von Ärzten und eines Deep-Learning-Algorithmus zur Erkennung von Knochenmetastasen bei Knochenszintigraphie-Scans.
Studienübersicht
Status
Status
Bedingungen
Bedingungen
Intervention / Behandlung
Intervention / Behandlung
Studientyp
Studientyp
Einschreibung (Tatsächlich)
Einschreibung
Kontakte und Standorte
Studienorte
-
-
Limburg
-
Maastricht, Limburg, Niederlande, 6229ER
- Maastricht University
-
-
Teilnahmekriterien
Zulassungskriterien
Zulassungskriterien
Studienberechtigtes Alter
- Kind
- Erwachsene
- Älterer Erwachsener
Akzeptiert gesunde Freiwillige
Studienberechtigte Geschlechter
Probenahmeverfahren
Studienpopulation
Beschreibung
Einschlusskriterien:
- Patienten, die sich zwischen 2010 und 2018 einer Knochenszintigraphie unterzogen haben, die mit dem radiologischen Bericht verfügbar ist
Ausschlusskriterien:
- Das Fehlen eines Knochenscans oder eines entsprechenden radiologischen Berichts
Studienplan
Wie ist die Studie aufgebaut?
Designdetails
Anzahl der Gruppen / Kohorten
Kohorten und Interventionen
Gruppe / KohorteGruppe / Kohorte |
Intervention / BehandlungIntervention / Behandlung |
|---|---|
|
BS-UKA
Patienten, die zwischen 2010 und 2018 am Universitätsklinikum RTWH Aachen einer Knochenszintigraphie unterzogen wurden und einen Knochenscan-Bericht hatten, der das Vorhandensein oder Nichtvorhandensein einer metastasierten Knochenerkrankung anzeigt.
|
Ziel ist es zu untersuchen, ob Deep-Learning-Algorithmen Knochenmetastasen mit hoher Genauigkeit und Spezifität erkennen können.
|
|
BS-Namur
Patienten, die sich zwischen 2010 und 2018 einer Knochenszintigraphie im Universitätskrankenhaus Namur unterzogen und einen Knochenscan-Bericht hatten, der das Vorhandensein oder Nichtvorhandensein einer metastasierten Knochenerkrankung anzeigt.
|
Ziel ist es zu untersuchen, ob Deep-Learning-Algorithmen Knochenmetastasen mit hoher Genauigkeit und Spezifität erkennen können.
|
|
BS-Aalborg
Patienten, die sich zwischen 2010 und 2018 einer Knochenszintigraphie im Universitätskrankenhaus Aalborg unterzogen und einen Knochenscan-Bericht hatten, der das Vorhandensein oder Nichtvorhandensein einer metastasierten Knochenerkrankung anzeigt.
|
Ziel ist es zu untersuchen, ob Deep-Learning-Algorithmen Knochenmetastasen mit hoher Genauigkeit und Spezifität erkennen können.
|
Was misst die Studie?
Primäre Ergebnismessungen
Primäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Die Klassifizierungsleistung des DL-Algorithmus im Vergleich zur Grundwahrheit
Zeitfenster: Juni 2021
|
Berichterstattung über die Leistungskennzahlen (Fläche unter der Kurve, Genauigkeit, Spezifität usw.)
|
Juni 2021
|
Sekundäre Ergebnismessungen
Sekundäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Vergleich der Klassifikationsleistung des DL-Algorithmus mit der von Ärzten
Zeitfenster: Juni 2021
|
Korrektheit der Diagnose von Dr versus AI (dichotome Variable: richtig versus nicht richtig) auf einer Teilmenge der Validierungsdaten unter Verwendung eines statistischen McNemar-Tests
|
Juni 2021
|
Mitarbeiter und Ermittler
Sponsor
Sponsor
Mitarbeiter
Mitarbeiter
Publikationen und hilfreiche Links
Studienaufzeichnungsdaten
Haupttermine studieren
Studienbeginn (Tatsächlich)
Studienbeginn
Primärer Abschluss (Tatsächlich)
Primärer Abschluss
Studienabschluss (Tatsächlich)
Studienabschluss
Studienanmeldedaten
Zuerst eingereicht
Zuerst eingereicht
Zuerst eingereicht, das die QC-Kriterien erfüllt hat
Zuerst eingereicht, das die QC-Kriterien erfüllt hat
Zuerst gepostet (Tatsächlich)
Zuerst gepostet
Studienaufzeichnungsaktualisierungen
Letztes Update gepostet (Tatsächlich)
Letztes Update gepostet
Letztes eingereichtes Update, das die QC-Kriterien erfüllt
Letztes eingereichtes Update, das die QC-Kriterien erfüllt
Zuletzt verifiziert
Zuletzt verifiziert
Mehr Informationen
Begriffe im Zusammenhang mit dieser Studie
Zusätzliche relevante MeSH-Bedingungen
Andere Studien-ID-Nummern
Andere Studien-ID-Nummern
- MBDDL
Arzneimittel- und Geräteinformationen, Studienunterlagen
Studiert ein von der US-amerikanischen FDA reguliertes Arzneimittelprodukt
Studiert ein von der US-amerikanischen FDA reguliertes Geräteprodukt
Diese Informationen wurden ohne Änderungen direkt von der Website clinicaltrials.gov abgerufen. Wenn Sie Ihre Studiendaten ändern, entfernen oder aktualisieren möchten, wenden Sie sich bitte an register@clinicaltrials.gov. Sobald eine Änderung auf clinicaltrials.gov implementiert wird, wird diese automatisch auch auf unserer Website aktualisiert .