- ICH GCP
- US-Register für klinische Studien
- Klinische Studie NCT04208789
Künstlicher Inteligent zur Diagnose von arzneimittelresistenter Tuberkulose
Künstliches neuronales Netzwerk als Diagnosewerkzeug für Rifampicin-resistente Tuberkulose in Indonesien: Eine prädiktive Modellstudie und wirtschaftliche Bewertung
Titel: Künstliches neuronales Netzwerk als Diagnosewerkzeug für Rifampicin-resistente Tuberkulose in Indonesien. Eine prädiktive Modellstudie und wirtschaftliche Bewertung.
Hintergrund: Die arzneimittelresistente Tuberkulose ist insbesondere in Indonesien zu einer globalen Bedrohung geworden. Die Notwendigkeit, die Erkennung zu verbessern, gefolgt von einer angemessenen Behandlung, ist ein Problem bei der Behandlung dieser Fälle. Der molekulare Schnelltest (insbesondere zum Nachweis von Rifampicin-Resistenz) wird jetzt im Gesundheitswesen eingesetzt, insbesondere in der Grundversorgung, mit einigen Herausforderungen, einschließlich der fehlenden Qualitätskontrolle (einschließlich der richtigen Gewinnung und Behandlung der Probe vor der Untersuchung). die dann die Zuverlässigkeit der Ergebnisse beeinträchtigen. Der Arzneimittel-Suszeptibilitätstest (DST) ist nach wie vor der Goldstandard bei der Diagnose einer arzneimittelresistenten Tuberkulose, aber dieses Verfahren ist zeitaufwändig und kostspielig. Die künstliche Intelligenz, einschließlich Datenexploration und -modellierung, ist eine vielversprechende Methode, um potenzielle arzneimittelresistente Fälle basierend auf der Assoziation mehrerer Faktoren zu klassifizieren.
Zielsetzung :
- Entwicklung eines Modells unter Verwendung eines Ansatzes künstlicher Intelligenz, das in der Lage ist, die Möglichkeit einer Rifampicin-resistenten Tuberkulose zu klassifizieren.
- Beurteilung der diagnostischen Leistungsfähigkeit und der Genauigkeit des Modells im Vergleich zu bestehenden Schnelltests und dem Goldstandard
- Bewertung der Kosten-Nutzen-Bewertung des künstlichen neuronalen Netzwerkmodells in webbasierten Anwendungen im Vergleich zu den Standarddiagnosewerkzeugen
Methodik
- Eine Querschnittsstudie mit allen Verdachtsfällen arzneimittelresistenter Tuberkulose, die in den letzten 5 Jahren an das Studienzentrum überwiesen wurden, um sich einem molekularen Schnelltest und einem DST-Test zu unterziehen.
- Eine umfassende, retrospektive Bewertung der Krankenakten und ein Tuberkulose-Einzelbericht werden durchgeführt, um eine interessierende Variable zu erhalten.
- Fragebogenauswertung zur Bestätigung unzureichender Angaben.
- Modellbildung durch maschinelles Lernen und Deep-Learning-Verfahren
- Modellvalidierung und Test mit Trainingsdatensatz und Daten aus verschiedenen Studienzentren
Hypothese :
Das künstliche intelligente Modell liefert ein ähnliches oder besseres Ergebnis der diagnostischen Fähigkeit als der molekulare Schnelltest gemäß dem Arzneimittelempfindlichkeitstest. (Überlegenheitsprüfung)
Studienübersicht
Status
Bedingungen
Detaillierte Beschreibung
VERFAHREN
- Gemäß der von den Studienzentren erteilten Genehmigung wird das Team die Krankenakten aller in Frage kommenden Fälle innerhalb der letzten 5 Jahre erhalten
Die Ermittler sammeln dann die Informationen von interessierenden Variablen/Parametern, die durch Anamneseerhebung und weitere Untersuchungen erhalten wurden, sowie medizinische Abrechnung und Krankenhauszahlung pro Leistung. Für Teilnehmer mit Krankenversicherung basieren die direkten Ausgaben für die Behandlung auf der Zahlung der INA-CBGs (fallbasierte Gruppe). Diese Daten werden dann in einer elektronischen Datenbank erfasst.
Parameter für die Modellentwicklung:
Host-basiert:
- Vorhandensein von Diabetes mellitus (einschließlich Jahre der Diagnose, HbA1c vor DST-Untersuchung und Behandlung, Medikation entweder Insulin oder orales Antidiabetikum)
- Vorhandensein von HIV ((einschließlich Jahre der Diagnose, CD4-Spiegel vor DST-Untersuchung und -Behandlung und antiretrovirale Medikation)
- Tabakentwöhnung (Brinkman-Index)
- Alkoholkonsum
- Geschichte der Verwendung von Immunsuppressiva (Steroid)
- Vorhandensein anderer Krankheiten (Krebs, Schlaganfall, Herz-Kreislauf-Erkrankungen)
- Geschichte des Drogenmissbrauchs
- Geschichte der unerwünschten Arzneimittelwirkung während der Tuberkulosebehandlung
- Adhärenz der vorangegangenen Tuberkulosetherapie
- Vorhandensein von COPD
- Body-Mass-Index
Umfeld
- Geschichte des Kontakts mit Tuberkulose-Patienten
- Gesunder Index der Lebensumgebung (Haushaltsmassen)
Agent
- Grad des Bakterienabstrichs vor DST
- Ausdehnung der Läsion im Röntgen-Thorax
- Vorhandensein von Kavitation
Soziodemografische Faktoren
- Das Alter
- Geschlecht
- Ausbildung
- Einkommensniveau
- Krankenversicherung
- Familienstand
- Beschäftigungsstatus
- Bei unvollständigen Angaben erfolgt eine Rückmeldung an das überweisende Gesundheitszentrum anhand der Tuberkulose-Registrierung oder des Fragebogens.
Die Modellbildung erfolgt unter Verwendung eines künstlichen intelligenten Modells in R. Ein ausgewähltes Modell ist ein künstliches neuronales Netzwerk, das entweder eine radiale Basisfunktion oder ein mehrschichtiges Perzeptron verwendet. Mehrere wichtige Verfahren, darunter:
- Signifikanten Parameter bestimmen
- Umgang mit unzureichender und unausgeglichener Datenklasse (Über- oder Unterabtastung)
- Normalisierung (Batch, Min-Max)
- Schicht und Design
- Trainings- und Testverteilung (70:30)
- Modellauswahl
- Die externe Validierung erfolgt durch das benannte Studienzentrum. Genauigkeit: (richtig positiv + richtig negativ)/Alle Fälle
- Die Simulation des inkrementellen Kosten-Nutzen-Verhältnisses wird durchgeführt, wobei das beste Modell mit dem Goldstandard und GeneXpert verglichen wird, was eine Einsparung pro Effektivitätseinheit ergibt
Studientyp
Einschreibung (Tatsächlich)
Kontakte und Standorte
Studienorte
-
-
East Kalimantan
-
Balikpapan, East Kalimantan, Indonesien, 76115
- Kanudjoso Djatiwibowo General Hospital
-
-
North Kalimantan
-
Tarakan, North Kalimantan, Indonesien, 77113
- Tarakan General Hospital
-
-
South Sulawesi
-
Makasar, South Sulawesi, Indonesien, 90132
- Labuang Baji General Hospital
-
Makasar, South Sulawesi, Indonesien
- Balai Besar Kesehatan Paru Masyarakat
-
Makassar, South Sulawesi, Indonesien, 76124
- Wahidin Sudirohusodo General Hospital
-
-
Teilnahmekriterien
Zulassungskriterien
Studienberechtigtes Alter
- Kind
- Erwachsene
- Älterer Erwachsener
Akzeptiert gesunde Freiwillige
Studienberechtigte Geschlechter
Probenahmeverfahren
Studienpopulation
Beschreibung
Einschlusskriterien:
- Standardfälle nach WHO-Kriterien
- Fehlerfälle nach WHO-Kriterien
- Vom Arzt überwiesene Fälle bei mutmaßlich arzneimittelresistenter TB wie folgt:
Mit oder ohne immungeschwächtem Zustand, Mit oder ohne Nebenwirkungen von Anti-TB-Medikamenten, Mit oder ohne Komorbiditäten (wie Diabetes mellitus, Herzerkrankungen)
Ausschlusskriterien:
- Unvollständige Informationen zu molekularen Schnelltestergebnissen und Kulturergebnissen
- Die Teilnehmer oder Angehörigen sind nicht in der Lage/nicht bereit, zusätzliche Informationen bereitzustellen, die durch den Fragebogen erhalten wurden
Studienplan
Wie ist die Studie aufgebaut?
Designdetails
- Beobachtungsmodelle: Fallkontrolle
- Zeitperspektiven: Retrospektive
Kohorten und Interventionen
Gruppe / Kohorte |
Intervention / Behandlung |
---|---|
Positive Rifampicin-resistente Tuberkulose
Alle Verdachtsfälle, die im Gold-Standard-Test (Kultur auf Lowenstein-Jensen-Medium) eine positive Rifampicin-resistente Tuberkulose ergaben
|
Der GeneXpert MTB/RIF-Assay ist ein Nukleinsäureamplifikationstest (NAA), der gleichzeitig DNA des Mycobacterium tuberculosis-Komplexes (MTBC) und Resistenz gegen Rifampin (RIF) (d. h. Mutation des rpoB-Gens) in weniger als zwei Stunden nachweist.
Dieses System integriert und automatisiert die Probenverarbeitung, die Nukleinsäureamplifikation und den Nachweis der Zielsequenzen.
Die Primer im XpertMTB/RIF-Assay amplifizieren einen Teil des rpoB-Gens, das die 81 Basenpaare lange „Core“-Region enthält.
Die Sonden sind in der Lage, zwischen der konservierten Wildtyp-Sequenz und Mutationen in der Core-Region, die mit Rifampicin-Resistenz assoziiert ist, zu differenzieren.
Die Ausgabe dieser Prozedur ist erkannt, nicht erkannt oder unbestimmt.
Andere Namen:
Das künstliche intelligente Modell ist ein Modell, das aus mehreren assoziierten Faktoren mit maschinellem Lernen und Deep-Learning-Methoden entwickelt wurde, um die Möglichkeit einer arzneimittelresistenten Tuberkulose zu klassifizieren.
Das künstliche neuronale Netz wird mit Deep-Learning-Software aufgebaut.
Andere Namen:
Dieses Verfahren verwendet Löwenstein-Jensen (LJ)-Medium, um zu bestimmen, ob die Isolate von M. tuberculosis für Anti-TB-Mittel anfällig sind.
Medien, die die kritische Konzentration des Anti-TB-Mittels enthalten, werden mit einer Verdünnung einer Kultursuspension (normalerweise eine 10-2-Verdünnung einer MacFarland 1-Suspension) und Kontrollmedien ohne das Anti-TB-Mittel normalerweise mit 10-4 inokuliert Verdünnung einer MacFarland 1-Suspension.
Das Wachstum (d. h. eine Anzahl von Kolonien) auf den wirkstoffhaltigen Medien wird mit dem Wachstum auf den wirkstofffreien Kontrollmedien verglichen.
Das Verhältnis der Zahl der Kolonien auf dem Medium, das das Anti-TB-Mittel enthält, zur Zahl der Kolonien (korrigiert um den Verdünnungsfaktor) auf dem Medium ohne das Anti-TB-Mittel wird berechnet, und das Verhältnis wird als Prozentsatz ausgedrückt.
Vorläufige Ergebnisse für empfindliche Isolate können nach 3-4 Wochen Inkubation abgelesen werden; endgültige Ergebnisse können nach 6 Wochen Inkubation abgelesen werden.
Resistenz kann innerhalb von 3-4 Wochen gemeldet werden.
Andere Namen:
|
Negativ Rifampicin-resistente Tuberkulose
Alle Verdachtsfälle, die im Gold-Standard-Test (Kultur auf Lowenstein-Jensen-Medium) eine negative Rifampicin-resistente Tuberkulose ergaben
|
Der GeneXpert MTB/RIF-Assay ist ein Nukleinsäureamplifikationstest (NAA), der gleichzeitig DNA des Mycobacterium tuberculosis-Komplexes (MTBC) und Resistenz gegen Rifampin (RIF) (d. h. Mutation des rpoB-Gens) in weniger als zwei Stunden nachweist.
Dieses System integriert und automatisiert die Probenverarbeitung, die Nukleinsäureamplifikation und den Nachweis der Zielsequenzen.
Die Primer im XpertMTB/RIF-Assay amplifizieren einen Teil des rpoB-Gens, das die 81 Basenpaare lange „Core“-Region enthält.
Die Sonden sind in der Lage, zwischen der konservierten Wildtyp-Sequenz und Mutationen in der Core-Region, die mit Rifampicin-Resistenz assoziiert ist, zu differenzieren.
Die Ausgabe dieser Prozedur ist erkannt, nicht erkannt oder unbestimmt.
Andere Namen:
Das künstliche intelligente Modell ist ein Modell, das aus mehreren assoziierten Faktoren mit maschinellem Lernen und Deep-Learning-Methoden entwickelt wurde, um die Möglichkeit einer arzneimittelresistenten Tuberkulose zu klassifizieren.
Das künstliche neuronale Netz wird mit Deep-Learning-Software aufgebaut.
Andere Namen:
Dieses Verfahren verwendet Löwenstein-Jensen (LJ)-Medium, um zu bestimmen, ob die Isolate von M. tuberculosis für Anti-TB-Mittel anfällig sind.
Medien, die die kritische Konzentration des Anti-TB-Mittels enthalten, werden mit einer Verdünnung einer Kultursuspension (normalerweise eine 10-2-Verdünnung einer MacFarland 1-Suspension) und Kontrollmedien ohne das Anti-TB-Mittel normalerweise mit 10-4 inokuliert Verdünnung einer MacFarland 1-Suspension.
Das Wachstum (d. h. eine Anzahl von Kolonien) auf den wirkstoffhaltigen Medien wird mit dem Wachstum auf den wirkstofffreien Kontrollmedien verglichen.
Das Verhältnis der Zahl der Kolonien auf dem Medium, das das Anti-TB-Mittel enthält, zur Zahl der Kolonien (korrigiert um den Verdünnungsfaktor) auf dem Medium ohne das Anti-TB-Mittel wird berechnet, und das Verhältnis wird als Prozentsatz ausgedrückt.
Vorläufige Ergebnisse für empfindliche Isolate können nach 3-4 Wochen Inkubation abgelesen werden; endgültige Ergebnisse können nach 6 Wochen Inkubation abgelesen werden.
Resistenz kann innerhalb von 3-4 Wochen gemeldet werden.
Andere Namen:
|
Was misst die Studie?
Primäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
---|---|---|
Genauigkeit des künstlichen intelligenten Modells für die Ergebnisse von Arzneimittelempfindlichkeitstests
Zeitfenster: bis zum Studienabschluss, durchschnittlich 1 Jahr
|
Die Genauigkeit ist die Anzahl korrekter Fälle (die vom Modell erhaltenen Ergebnisse sind die gleichen wie die von der Kultur erhaltenen), die vom Modell pro Gesamtzahl der Fälle vorhergesagt werden.
|
bis zum Studienabschluss, durchschnittlich 1 Jahr
|
Sekundäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
---|---|---|
Genauigkeit des molekularen medikamentenresistenten Tuberkulose-Schnelltests zu den Ergebnissen des Medikamentenempfindlichkeitstests
Zeitfenster: bis zum Studienabschluss, durchschnittlich 1 Jahr
|
Die Genauigkeit ist die Anzahl korrekter Fälle (die vom GeneXpert MTB/RIF erhaltenen Ergebnisse sind die gleichen wie die durch Kultur erhaltenen), die vom Modell pro Gesamtzahl der Fälle vorhergesagt werden.
|
bis zum Studienabschluss, durchschnittlich 1 Jahr
|
Andere Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
---|---|---|
Diagnostische Fähigkeit eines künstlichen intelligenten Modells für die Ergebnisse von Arzneimittelempfindlichkeitstests
Zeitfenster: bis zum Studienabschluss, durchschnittlich 1 Jahr
|
Sensitivität, Spezifität, negativer Vorhersagewert und positiver Vorhersagewert des künstlichen intelligenten Modells für die Ergebnisse von Arzneimittelempfindlichkeitstests
|
bis zum Studienabschluss, durchschnittlich 1 Jahr
|
Mitarbeiter und Ermittler
Sponsor
Mitarbeiter
Ermittler
- Studienleiter: Sathirakorn Pongpanich, Prof, Chulalongkorn University
- Hauptermittler: Wandee Sirichokchatchawan, Ph.D, Chulalongkorn University
- Hauptermittler: Bumi Herman, MD, Hasanuddin University
Publikationen und hilfreiche Links
Allgemeine Veröffentlichungen
- Alipanah N, Jarlsberg L, Miller C, Linh NN, Falzon D, Jaramillo E, Nahid P. Adherence interventions and outcomes of tuberculosis treatment: A systematic review and meta-analysis of trials and observational studies. PLoS Med. 2018 Jul 3;15(7):e1002595. doi: 10.1371/journal.pmed.1002595. eCollection 2018 Jul.
- GBD Tuberculosis Collaborators. The global burden of tuberculosis: results from the Global Burden of Disease Study 2015. Lancet Infect Dis. 2018 Mar;18(3):261-284. doi: 10.1016/S1473-3099(17)30703-X. Epub 2017 Dec 7.
- Dean AS, Cox H, Zignol M. Epidemiology of Drug-Resistant Tuberculosis. Adv Exp Med Biol. 2017;1019:209-220. doi: 10.1007/978-3-319-64371-7_11.
- Kendall EA, Azman AS, Cobelens FG, Dowdy DW. MDR-TB treatment as prevention: The projected population-level impact of expanded treatment for multidrug-resistant tuberculosis. PLoS One. 2017 Mar 8;12(3):e0172748. doi: 10.1371/journal.pone.0172748. eCollection 2017.
- Dheda K, Gumbo T, Maartens G, Dooley KE, McNerney R, Murray M, Furin J, Nardell EA, London L, Lessem E, Theron G, van Helden P, Niemann S, Merker M, Dowdy D, Van Rie A, Siu GK, Pasipanodya JG, Rodrigues C, Clark TG, Sirgel FA, Esmail A, Lin HH, Atre SR, Schaaf HS, Chang KC, Lange C, Nahid P, Udwadia ZF, Horsburgh CR Jr, Churchyard GJ, Menzies D, Hesseling AC, Nuermberger E, McIlleron H, Fennelly KP, Goemaere E, Jaramillo E, Low M, Jara CM, Padayatchi N, Warren RM. The epidemiology, pathogenesis, transmission, diagnosis, and management of multidrug-resistant, extensively drug-resistant, and incurable tuberculosis. Lancet Respir Med. 2017 Mar 15:S2213-2600(17)30079-6. doi: 10.1016/S2213-2600(17)30079-6. Online ahead of print.
- Collins D, Hafidz F, Mustikawati D. The economic burden of tuberculosis in Indonesia. Int J Tuberc Lung Dis. 2017 Sep 1;21(9):1041-1048. doi: 10.5588/ijtld.16.0898.
- Falzon D, Mirzayev F, Wares F, Baena IG, Zignol M, Linh N, Weyer K, Jaramillo E, Floyd K, Raviglione M. Multidrug-resistant tuberculosis around the world: what progress has been made? Eur Respir J. 2015 Jan;45(1):150-60. doi: 10.1183/09031936.00101814. Epub 2014 Sep 26.
- Falzon D, Jaramillo E, Wares F, Zignol M, Floyd K, Raviglione MC. Universal access to care for multidrug-resistant tuberculosis: an analysis of surveillance data. Lancet Infect Dis. 2013 Aug;13(8):690-7. doi: 10.1016/S1473-3099(13)70130-0. Epub 2013 Jun 4.
- van Kampen SC, Susanto NH, Simon S, Astiti SD, Chandra R, Burhan E, Farid MN, Chittenden K, Mustikawati DE, Alisjahbana B. Effects of Introducing Xpert MTB/RIF on Diagnosis and Treatment of Drug-Resistant Tuberculosis Patients in Indonesia: A Pre-Post Intervention Study. PLoS One. 2015 Jun 15;10(6):e0123536. doi: 10.1371/journal.pone.0123536. eCollection 2015.
- Soeroto AY, Lestari BW, Santoso P, Chaidir L, Andriyoko B, Alisjahbana B, van Crevel R, Hill PC. Evaluation of Xpert MTB-RIF guided diagnosis and treatment of rifampicin-resistant tuberculosis in Indonesia: A retrospective cohort study. PLoS One. 2019 Feb 28;14(2):e0213017. doi: 10.1371/journal.pone.0213017. eCollection 2019.
- Prada-Medina CA, Fukutani KF, Pavan Kumar N, Gil-Santana L, Babu S, Lichtenstein F, West K, Sivakumar S, Menon PA, Viswanathan V, Andrade BB, Nakaya HI, Kornfeld H. Systems Immunology of Diabetes-Tuberculosis Comorbidity Reveals Signatures of Disease Complications. Sci Rep. 2017 May 17;7(1):1999. doi: 10.1038/s41598-017-01767-4.
- Pradipta IS, Forsman LD, Bruchfeld J, Hak E, Alffenaar JW. Risk factors of multidrug-resistant tuberculosis: A global systematic review and meta-analysis. J Infect. 2018 Dec;77(6):469-478. doi: 10.1016/j.jinf.2018.10.004. Epub 2018 Oct 16.
- Wang MG, Huang WW, Wang Y, Zhang YX, Zhang MM, Wu SQ, Sandford AJ, He JQ. Association between tobacco smoking and drug-resistant tuberculosis. Infect Drug Resist. 2018 Jun 12;11:873-887. doi: 10.2147/IDR.S164596. eCollection 2018.
- Tegegne BS, Mengesha MM, Teferra AA, Awoke MA, Habtewold TD. Association between diabetes mellitus and multi-drug-resistant tuberculosis: evidence from a systematic review and meta-analysis. Syst Rev. 2018 Oct 15;7(1):161. doi: 10.1186/s13643-018-0828-0.
- Darsey JA, Griffin WO, Joginipelli S, Melapu VK. Architecture and biological applications of artificial neural networks: a tuberculosis perspective. Methods Mol Biol. 2015;1260:269-83. doi: 10.1007/978-1-4939-2239-0_17.
- Souza Filho JBOE, Sanchez M, Seixas JM, Maidantchik C, Galliez R, Moreira ADSR, da Costa PA, Oliveira MM, Harries AD, Kritski AL. Screening for active pulmonary tuberculosis: Development and applicability of artificial neural network models. Tuberculosis (Edinb). 2018 Jul;111:94-101. doi: 10.1016/j.tube.2018.05.012. Epub 2018 May 19.
- Dande P, Samant P. Acquaintance to Artificial Neural Networks and use of artificial intelligence as a diagnostic tool for tuberculosis: A review. Tuberculosis (Edinb). 2018 Jan;108:1-9. doi: 10.1016/j.tube.2017.09.006. Epub 2017 Sep 20.
- de O Souza Filho JB, de Seixas JM, Galliez R, de Braganca Pereira B, de Q Mello FC, Dos Santos AM, Kritski AL. A screening system for smear-negative pulmonary tuberculosis using artificial neural networks. Int J Infect Dis. 2016 Aug;49:33-9. doi: 10.1016/j.ijid.2016.05.019. Epub 2016 May 24.
- Herman B, Sirichokchatchawan W, Pongpanich S, Nantasenamat C. Development and performance of CUHAS-ROBUST application for pulmonary rifampicin-resistance tuberculosis screening in Indonesia. PLoS One. 2021 Mar 25;16(3):e0249243. doi: 10.1371/journal.pone.0249243. eCollection 2021.
Studienaufzeichnungsdaten
Haupttermine studieren
Studienbeginn (Tatsächlich)
Primärer Abschluss (Tatsächlich)
Studienabschluss (Tatsächlich)
Studienanmeldedaten
Zuerst eingereicht
Zuerst eingereicht, das die QC-Kriterien erfüllt hat
Zuerst gepostet (Tatsächlich)
Studienaufzeichnungsaktualisierungen
Letztes Update gepostet (Tatsächlich)
Letztes eingereichtes Update, das die QC-Kriterien erfüllt
Zuletzt verifiziert
Mehr Informationen
Begriffe im Zusammenhang mit dieser Studie
Schlüsselwörter
Zusätzliche relevante MeSH-Bedingungen
Andere Studien-ID-Nummern
- 0111190912
Plan für individuelle Teilnehmerdaten (IPD)
Planen Sie, individuelle Teilnehmerdaten (IPD) zu teilen?
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 .