- ICH GCP
- US-Register für klinische Studien
- Klinische Studie NCT04562168
Verwendung von KI als diagnostisches Entscheidungsunterstützungstool zur Unterstützung der Diagnose von Hautkrankheiten in der primären Gesundheitsversorgung in Katalonien
Verwendung künstlicher Intelligenz als diagnostisches Entscheidungsunterstützungstool zur Unterstützung der Diagnose von Hautkrankheiten in der primären Gesundheitsversorgung in Katalonien
Hintergrund: Dermatologische Erkrankungen sind ein relevantes Gesundheitsproblem. Modelle des maschinellen Lernens werden zunehmend in der Dermatologie als diagnostisches Entscheidungsunterstützungstool mithilfe von Bildanalysen eingesetzt, insbesondere zur Hautkrebserkennung und -klassifizierung.
Ziel: Das Ziel dieser Studie ist die prospektive Validierung eines Bildanalyse-ML-Modells, das in der Lage ist, 44 verschiedene Hautkrankheitstypen zu screenen, und den Vergleich seiner diagnostischen Kapazität mit der von Hausärzten (GPs) und Dermatologen.
Methoden: In dieser prospektiven Studie werden 100 konsekutive Patienten rekrutiert, die einen teilnehmenden Hausarzt mit einem Hautproblem in Zentralkatalonien aufsuchen, die Datenerhebung ist auf 7 Monate geplant. Anonymisierte Bilder von Hautkrankheiten werden aufgenommen und in die ML-Modellschnittstelle eingefügt, die die Top-5-Genauigkeitsdiagnose zurückgibt. Dasselbe Bild wird auch als Teledermatologie-Konsultation gemäß dem aktuellen Arbeitsablauf gesendet. Die Beurteilungen von Allgemeinmedizinern, ML-Modellen und Dermatologen werden verglichen, um die Präzision, Sensitivität, Spezifität und Genauigkeit des ML-Modells zu berechnen.
Studienübersicht
Status
Bedingungen
Intervention / Behandlung
Detaillierte Beschreibung
Eine sichere, anonyme, eigenständige Webschnittstelle, die mit jedem Mobilgerät kompatibel ist, wird in die Autoderm-API integriert. Die in diesem Projekt durchgeführte Studie wird aus einer prospektiven Studie bestehen, die darauf abzielt, die Leistung des ML-Modells zu bewerten und seine diagnostische Kapazität mit Hausärzten und Dermatologen zu vergleichen.
Zur Durchführung der Studie wird das folgende Verfahren durchgeführt, bis die erforderliche Anzahl von Proben erreicht ist:
- Ein geeigneter Patient mit Hautproblemen wird gebeten, teilzunehmen und die Studienvereinbarung des Patienten zu unterzeichnen.
- Der Hausarzt wird den Hautzustand diagnostizieren.
- Der Hausarzt (oder die Krankenschwester) macht ein Bild in guter Qualität des Hautzustands.
- Der Hausarzt sendet das Foto als Teledermatologie-Konsultation gemäß dem aktuellen Arbeitsablauf.
- Das Bild wird in die Benutzeroberfläche von Autoderm ML eingegeben.
- Der Dermatologe wird den Hautzustand diagnostizieren.
Die Studie wird in Primärversorgungszentren durchgeführt, die vom katalanischen Gesundheitsinstitut verwaltet werden. Die teilnehmenden PCP befinden sich in ländlichen und großstädtischen Gebieten in Zentralkatalonien, zu denen die Regionen Anoia, Bages, Moianès, Berguedà und Osona gehören. Die in die Studie einbezogene Referenzpopulation wird etwa 512.050 betragen. Die Rekrutierung von Studieninteressierten erfolgt konsekutiv.
Allgemeinmediziner sammeln Daten von aufeinanderfolgenden Patienten, die die Einschlusskriterien erfüllen, nachdem sie eine schriftliche Einverständniserklärung erhalten haben. Gesammelte Daten werden ausschließlich in Form von Fallberichten gemeldet (angehängt an Anhang V und VI).
Der Hausarzt diagnostiziert den Hautzustand und füllt die „Beurteilung durch den Hausarzt“ aus. Für jeden Patienten macht der Hausarzt mit einer Smartphone-Kamera eine Nahaufnahme in guter Qualität des Hautproblems. Das Bild ist anonym und es ist nicht möglich, Patienten zu identifizieren. Der Hausarzt verwendet die Autoderm ML-Schnittstelle, um das anonymisierte Bild hochzuladen, und füllt den Fragebogen „Beurteilung durch das ML-Modell“ mit den drei wichtigsten Diagnosen aus, die vom ML-Modell generiert wurden.
Um eine zweite Meinung einzuholen, wird der Hausarzt das anonymisierte Bild und eine genaue Beschreibung der Hautläsion in die Krankengeschichte des Patienten nach dem aktuellen Teledermatologie-Fluss aufnehmen. Der Hausarzt füllt den Fragebogen „Beurteilung durch Teledermatologie“ nach Erhalt der Informationen aus, wobei die Reaktionszeit etwa 2-7 Tage beträgt.
Im Falle einer dermatologischen Überweisung füllt der Hausarzt die „Beurteilung durch einen persönlichen Dermatologen“ aus, indem er auf die elektronischen Patientenakten zugreift, sobald diese verfügbar sind, wobei die durchschnittliche Wartezeit für die Überweisung zwischen 30 und 90 Tagen liegt.
Die Fragebogen-Fallnummer ist für alle Fragebögen gleich und es ist nicht möglich, den Patienten zu identifizieren, da die Fallnummer vor Beginn der Datenerhebungsphase vordefiniert wird.
Um die Leistung des ML-Modells mit der von Hausärzten und Dermatologen zu vergleichen, wird eine Stichprobengröße von 100 Bildern von Hauterkrankungen von Patienten benötigt, die die Einschlusskriterien erfüllen. Die vorgeschlagene Stichprobengröße basiert auf der Berechnung der Stichprobengröße, die in ähnlichen Forschungsarbeiten verwendet wurde.
Studientyp
Einschreibung (Tatsächlich)
Phase
- Unzutreffend
Kontakte und Standorte
Studienorte
-
-
Barcelona
-
Navàs, Barcelona, Spanien, 08670
- CAP Navàs
-
-
Teilnahmekriterien
Zulassungskriterien
Studienberechtigtes Alter
Akzeptiert gesunde Freiwillige
Studienberechtigte Geschlechter
Beschreibung
Einschlusskriterien:
- Patienten mit Hauterkrankungen Grund für den Besuch.
- Patienten, die eine schriftliche Einverständniserklärung abgeben.
- Patienten, die 18 Jahre oder älter sind.
Ausschlusskriterien:
- Patienten mit fortgeschrittener Demenz.
- Patienten mit einer Hautläsion, die nicht mit einem Smartphone fotografiert werden kann, und Bilder mit schlechter Qualität.
- Patienten mit Erkrankungen, die mit dem Risiko einer schlechten Protokolleinhaltung verbunden sind.
Studienplan
Wie ist die Studie aufgebaut?
Designdetails
- Hauptzweck: DIAGNOSE
- Zuteilung: N / A
- Interventionsmodell: SINGLE_GROUP
- Maskierung: KEINER
Waffen und Interventionen
Teilnehmergruppe / Arm |
Intervention / Behandlung |
|---|---|
|
EXPERIMENTAL: Diagnosetest: ML-Modell
Die diagnostische Leistungsfähigkeit des ML-Modells wird mit der von Hausärzten und Dermatologen verglichen.
|
Der Hausarzt macht mit einer Smartphone-Kamera ein Bild des Hautproblems und verwendet die Autoderm ML-Schnittstelle, um das anonymisierte Bild hochzuladen.
Die erhaltene vorhergesagte Diagnose wird in Form eines Fallberichts aufgezeichnet.
|
Was misst die Studie?
Primäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Empfindlichkeit des ML-Modells
Zeitfenster: 1 Jahr
|
Echt-Positiv-Rate des ML-Modells
|
1 Jahr
|
|
Spezifität des ML-Modells
Zeitfenster: 1 Jahr
|
Wahre negative Rate des ML-Modells
|
1 Jahr
|
|
Genauigkeit des ML-Modells
Zeitfenster: 1 Jahr
|
Verhältnis der Anzahl korrekter Vorhersagen zur Gesamtzahl der Eingabestichproben
|
1 Jahr
|
|
Fläche unter der Empfängerbetriebskennlinie des ML-Modells
Zeitfenster: 1 Jahr
|
Diagnosefähigkeit des ML-Modells
|
1 Jahr
|
Sekundäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Anteil der berechtigten Teilnehmer, die einer Teilnahme an der Studie zustimmen
Zeitfenster: 1 Jahr
|
Häufigkeit der Patienten, die der Teilnahme an der klinischen Studie zustimmen und geeignet sind.
|
1 Jahr
|
Mitarbeiter und Ermittler
Sponsor
Publikationen und hilfreiche Links
Allgemeine Veröffentlichungen
- Lim HW, Collins SAB, Resneck JS Jr, Bolognia JL, Hodge JA, Rohrer TA, Van Beek MJ, Margolis DJ, Sober AJ, Weinstock MA, Nerenz DR, Smith Begolka W, Moyano JV. The burden of skin disease in the United States. J Am Acad Dermatol. 2017 May;76(5):958-972.e2. doi: 10.1016/j.jaad.2016.12.043. Epub 2017 Mar 1.
- Schofield JK, Fleming D, Grindlay D, Williams H. Skin conditions are the commonest new reason people present to general practitioners in England and Wales. Br J Dermatol. 2011 Nov;165(5):1044-50. doi: 10.1111/j.1365-2133.2011.10464.x. Epub 2011 Sep 22.
- Dokotor.se [Internet]. Survey Telemedicine statistics Dokotor.se, the % of queries that are dermatology related 2019 [cited 2019]
- Activitat assistencial de la xarxa sanitària de Catalunya, any 2012: registre del conjunt mínim bàsic de dades (CMBD). Barcelona: Departament de Salut. 2013.
- Lowell BA, Froelich CW, Federman DG, Kirsner RS. Dermatology in primary care: Prevalence and patient disposition. J Am Acad Dermatol. 2001 Aug;45(2):250-5. doi: 10.1067/mjd.2001.114598.
- Porta N, San Juan J, Grasa MP, Simal E, Ara M, Querol MA. [Diagnostic agreement between primary care physicians and dermatologists in the health area of a referral hospital]. Actas Dermosifiliogr. 2008 Apr;99(3):207-12. Spanish.
- Lopez Segui F, Franch Parella J, Girones Garcia X, Mendioroz Pena J, Garcia Cuyas F, Adroher Mas C, Garcia-Altes A, Vidal-Alaball J. A Cost-Minimization Analysis of a Medical Record-based, Store and Forward and Provider-to-provider Telemedicine Compared to Usual Care in Catalonia: More Agile and Efficient, Especially for Users. Int J Environ Res Public Health. 2020 Mar 18;17(6):2008. doi: 10.3390/ijerph17062008.
- Borve A, Dahlen Gyllencreutz J, Terstappen K, Johansson Backman E, Aldenbratt A, Danielsson M, Gillstedt M, Sandberg C, Paoli J. Smartphone teledermoscopy referrals: a novel process for improved triage of skin cancer patients. Acta Derm Venereol. 2015 Feb;95(2):186-90. doi: 10.2340/00015555-1906.
- Ferrer RT, Bezares AP, Manes AL, Mas AV, Gutierrez IT, Llado CN, Estaras GM. [Diagnostic reliability of an asynchronous teledermatology consultation]. Aten Primaria. 2009 Oct;41(10):552-7. doi: 10.1016/j.aprim.2008.11.012. Epub 2009 Jun 5. Spanish.
- Gomolin A, Netchiporouk E, Gniadecki R, Litvinov IV. Artificial Intelligence Applications in Dermatology: Where Do We Stand? Front Med (Lausanne). 2020 Mar 31;7:100. doi: 10.3389/fmed.2020.00100. eCollection 2020.
- Esteva A, Kuprel B, Novoa RA, Ko J, Swetter SM, Blau HM, Thrun S. Dermatologist-level classification of skin cancer with deep neural networks. Nature. 2017 Feb 2;542(7639):115-118. doi: 10.1038/nature21056. Epub 2017 Jan 25. Erratum In: Nature. 2017 Jun 28;546(7660):686.
- Liu Y, Jain A, Eng C, Way DH, Lee K, Bui P, Kanada K, de Oliveira Marinho G, Gallegos J, Gabriele S, Gupta V, Singh N, Natarajan V, Hofmann-Wellenhof R, Corrado GS, Peng LH, Webster DR, Ai D, Huang SJ, Liu Y, Dunn RC, Coz D. A deep learning system for differential diagnosis of skin diseases. Nat Med. 2020 Jun;26(6):900-908. doi: 10.1038/s41591-020-0842-3. Epub 2020 May 18.
- Kamulegeya LH, Okello M, Bwanika JM, Musinguzi D, Lubega W, Rusoke D, et al. Using artificial intelligence on dermatology conditions in Uganda: A case for diversity in training data sets for machine learning. bioRxiv [Internet]. 2019 Jan 1;826057. Available from: http://biorxiv.org/content/early/2019/10/31/826057.abstract .
- Evaluation of the diagnostic accuracy of an online artificial intelligence app for skin disease diagnosis. Alexander Larson, Degree Project in Medicine, Sahlgrenska University Hospital Department of Dermatology and Venereology, Gothenburg, Sweden 2018.
- Brinker TJ, Hekler A, Enk AH, Klode J, Hauschild A, Berking C, Schilling B, Haferkamp S, Schadendorf D, Holland-Letz T, Utikal JS, von Kalle C; Collaborators. Deep learning outperformed 136 of 157 dermatologists in a head-to-head dermoscopic melanoma image classification task. Eur J Cancer. 2019 May;113:47-54. doi: 10.1016/j.ejca.2019.04.001. Epub 2019 Apr 10.
- Haenssle HA, Fink C, Schneiderbauer R, Toberer F, Buhl T, Blum A, Kalloo A, Hassen ABH, Thomas L, Enk A, Uhlmann L; Reader study level-I and level-II Groups; Alt C, Arenbergerova M, Bakos R, Baltzer A, Bertlich I, Blum A, Bokor-Billmann T, Bowling J, Braghiroli N, Braun R, Buder-Bakhaya K, Buhl T, Cabo H, Cabrijan L, Cevic N, Classen A, Deltgen D, Fink C, Georgieva I, Hakim-Meibodi LE, Hanner S, Hartmann F, Hartmann J, Haus G, Hoxha E, Karls R, Koga H, Kreusch J, Lallas A, Majenka P, Marghoob A, Massone C, Mekokishvili L, Mestel D, Meyer V, Neuberger A, Nielsen K, Oliviero M, Pampena R, Paoli J, Pawlik E, Rao B, Rendon A, Russo T, Sadek A, Samhaber K, Schneiderbauer R, Schweizer A, Toberer F, Trennheuser L, Vlahova L, Wald A, Winkler J, Wolbing P, Zalaudek I. Man against machine: diagnostic performance of a deep learning convolutional neural network for dermoscopic melanoma recognition in comparison to 58 dermatologists. Ann Oncol. 2018 Aug 1;29(8):1836-1842. doi: 10.1093/annonc/mdy166.
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
- P20/159-P
Plan für individuelle Teilnehmerdaten (IPD)
Planen Sie, individuelle Teilnehmerdaten (IPD) zu teilen?
Beschreibung des IPD-Plans
IPD-Sharing-Zeitrahmen
IPD-Sharing-Zugriffskriterien
Art der unterstützenden IPD-Freigabeinformationen
- STUDIENPROTOKOLL
- CSR
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 .
Klinische Studien zur Hautkrankheiten
-
Oystershell NVEurofins Dermscan PharmascanRekrutierung
-
Federal University of Health Science of Porto AlegreAbgeschlossenSkin-PickingBrasilien
-
Oystershell NVAbgeschlossen
-
University of Wisconsin, MilwaukeeAbgeschlossen
-
Utah State UniversityAktiv, nicht rekrutierendAbschürfungsstörung (Skin-Picking).Vereinigte Staaten
-
Superior UniversityAktiv, nicht rekrutierendPeeling-Skin-SyndromPakistan
-
Jordi Gol i Gurina FoundationAbgeschlossen
-
Hospital de Clinicas de Porto AlegreFederal University of Rio Grande do SulAbgeschlossenSkin-PickingBrasilien
-
University of ChicagoAbgeschlossenTrichotillomanie | Skin-PickingVereinigte Staaten
-
University of ChicagoAbgeschlossenDermatillomanie | Pathologisches Skin Picking | Neurotische Exkoriation | Psychogene ExkoriationVereinigte Staaten