Evaluation of Use of Diagnostic AI for Lung Cancer in Practice
20. Juli 2019 aktualisiert von: Ensemble Group Holdings, LLC
This study investigates ways of improving radiologists performance of the classification of CT-scans as cancerous or non-cancerous.
Participants interact with an AI to classify CT-scans under three different conditions.
Studienübersicht
Detaillierte Beschreibung
The three conditions are as follows: "probabilistic classification", where the radiologist diagnoses scans using an AI cancer likelihood score; "classification plus detection", where the radiologist see detecting lung nodules in addition to the AI's probabilistic classification score before making her own examination of the CT-scan; and "classification with delayed detection", where the radiologist identifies regions of interest independently of the AI and then sees the AI's detected ROIs.
Studientyp
Interventionell
Einschreibung (Voraussichtlich)
15
Phase
- Unzutreffend
Kontakte und Standorte
Dieser Abschnitt enthält die Kontaktdaten derjenigen, die die Studie durchführen, und Informationen darüber, wo diese Studie durchgeführt wird.
Studienorte
-
-
-
Hong Kong, Hongkong
- University of Hong Kong
-
-
Teilnahmekriterien
Forscher suchen nach Personen, die einer bestimmten Beschreibung entsprechen, die als Auswahlkriterien bezeichnet werden. Einige Beispiele für diese Kriterien sind der allgemeine Gesundheitszustand einer Person oder frühere Behandlungen.
Zulassungskriterien
Studienberechtigtes Alter
- Kind
- Erwachsene
- Älterer Erwachsener
Akzeptiert gesunde Freiwillige
Nein
Studienberechtigte Geschlechter
Alle
Beschreibung
Inclusion Criteria:
- The participant performs radiology screenings professionally
Exclusion Criteria:
-
Studienplan
Dieser Abschnitt enthält Einzelheiten zum Studienplan, einschließlich des Studiendesigns und der Messung der Studieninhalte.
Wie ist die Studie aufgebaut?
Designdetails
- Hauptzweck: Diagnose
- Zuteilung: Zufällig
- Interventionsmodell: Crossover-Aufgabe
- Maskierung: Single
Waffen und Interventionen
Teilnehmergruppe / Arm |
Intervention / Behandlung |
|---|---|
|
Experimental: Probabilistic Classification
Radiologists see a "score" from 1-100 that represents the AI's prediction of whether the CT-scan comes from a patient with cancer or not before beginning their analysis of the scan.
|
Exploring what kinds of AI-human interaction improve radiologists detection accuracy.
|
|
Experimental: Classification Plus Detection
Radiologists see a "score" from 1-100 that represents the AI's prediction of whether the CT-scan comes from a patient with cancer or not before beginning their analysis of the scan.
They also see ROIs identified by the AI that represent lung nodules.
|
Exploring what kinds of AI-human interaction improve radiologists detection accuracy.
|
|
Experimental: Classification With Delayed Detection
Radiologists see a "score" from 1-100 that represents the AI's prediction of whether the CT-scan comes from a patient with cancer or not before beginning their analysis of the scan.
After identifying their own ROIs, the radiologist then can see ROIs identified by the AI that represent lung nodules before making final decisions.
|
Exploring what kinds of AI-human interaction improve radiologists detection accuracy.
|
Was misst die Studie?
Primäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Classification accuracy
Zeitfenster: up to 4 months after initiation of evaluation of the test set
|
This compares radiologists' classifications with the ground truth in the tested cases.
|
up to 4 months after initiation of evaluation of the test set
|
Sekundäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
detection concordance
Zeitfenster: up to 4 months after initiation of evaluation of the test set
|
Evaluation of concordance between radiologists in the tested cases in detection of lung nodules > 4 mm
|
up to 4 months after initiation of evaluation of the test set
|
Mitarbeiter und Ermittler
Hier finden Sie Personen und Organisationen, die an dieser Studie beteiligt sind.
Sponsor
Studienaufzeichnungsdaten
Diese Daten verfolgen den Fortschritt der Übermittlung von Studienaufzeichnungen und zusammenfassenden Ergebnissen an ClinicalTrials.gov. Studienaufzeichnungen und gemeldete Ergebnisse werden von der National Library of Medicine (NLM) überprüft, um sicherzustellen, dass sie bestimmten Qualitätskontrollstandards entsprechen, bevor sie auf der öffentlichen Website veröffentlicht werden.
Haupttermine studieren
Studienbeginn (Tatsächlich)
14. Dezember 2018
Primärer Abschluss (Voraussichtlich)
15. Dezember 2019
Studienabschluss (Voraussichtlich)
15. Dezember 2019
Studienanmeldedaten
Zuerst eingereicht
16. Dezember 2018
Zuerst eingereicht, das die QC-Kriterien erfüllt hat
17. Dezember 2018
Zuerst gepostet (Tatsächlich)
19. Dezember 2018
Studienaufzeichnungsaktualisierungen
Letztes Update gepostet (Tatsächlich)
23. Juli 2019
Letztes eingereichtes Update, das die QC-Kriterien erfüllt
20. Juli 2019
Zuletzt verifiziert
1. Juli 2019
Mehr Informationen
Begriffe im Zusammenhang mit dieser Studie
Zusätzliche relevante MeSH-Bedingungen
Andere Studien-ID-Nummern
- EN-122018
Plan für individuelle Teilnehmerdaten (IPD)
Planen Sie, individuelle Teilnehmerdaten (IPD) zu teilen?
Unentschieden
Arzneimittel- und Geräteinformationen, Studienunterlagen
Studiert ein von der US-amerikanischen FDA reguliertes Arzneimittelprodukt
Nein
Studiert ein von der US-amerikanischen FDA reguliertes Geräteprodukt
Nein
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 .