Diese Seite wurde automatisch übersetzt und die Genauigkeit der Übersetzung wird nicht garantiert. Bitte wende dich an die englische Version für einen Quelltext.

Automatisierte Erkennung von Knochenmetastasen bei Knochenszintigraphie-Scans

16. März 2023 aktualisiert von: Maastricht University

Klinische In-Silico-Studie zum Vergleich der Lesegenauigkeit von Ärzten und eines Deep-Learning-Algorithmus zur Erkennung von Knochenmetastasen bei Knochenszintigraphie-Scans.

Knochenszintigraphie-Scans sind zweidimensionale medizinische Bilder, die in der Nuklearmedizin stark verwendet werden. Die Scans erkennen Veränderungen im Knochenstoffwechsel mit hoher Sensitivität, es fehlt jedoch die Spezifität für die zugrunde liegenden Ursachen. Daher wäre eine weitere Bildgebung erforderlich, um die zugrunde liegende Ursache zu bestätigen. Das Ziel dieser Studie ist es zu untersuchen, ob Deep Learning die klinische Entscheidung basierend auf Knochenszintigraphie-Scans verbessern kann.

Studienübersicht

Status

Abgeschlossen

Bedingungen

Intervention / Behandlung

Studientyp

Beobachtungs

Einschreibung (Tatsächlich)

2365

Kontakte und Standorte

Dieser Abschnitt enthält die Kontaktdaten derjenigen, die die Studie durchführen, und Informationen darüber, wo diese Studie durchgeführt wird.

Studienorte

  • Niederlande
    • Limburg
      • Maastricht, Limburg, Niederlande, 6229ER
        • Maastricht University

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

Probenahmeverfahren

Nicht-Wahrscheinlichkeitsprobe

Studienpopulation

Jeder Patient, der eine Indikation für eine Knochenszintigraphie in einem der teilnehmenden Zentren hatte.

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

Dieser Abschnitt enthält Einzelheiten zum Studienplan, einschließlich des Studiendesigns und der Messung der Studieninhalte.

Wie ist die Studie aufgebaut?

Designdetails

Kohorten und Interventionen

Gruppe / Kohorte
Intervention / 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.
Sonstiges: Deep-Learning-basierte Erkennung von Knochenmetastasen bei Knochenszintigraphie-Scans.
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.
Sonstiges: Deep-Learning-basierte Erkennung von Knochenmetastasen bei Knochenszintigraphie-Scans.
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.
Sonstiges: Deep-Learning-basierte Erkennung von Knochenmetastasen bei Knochenszintigraphie-Scans.
Ziel ist es zu untersuchen, ob Deep-Learning-Algorithmen Knochenmetastasen mit hoher Genauigkeit und Spezifität erkennen können.

Was misst die Studie?

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

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

Hier finden Sie Personen und Organisationen, die an dieser Studie beteiligt sind.

Sponsor

Maastricht University

Mitarbeiter

Aalborg University Hospital
Centre Hospitalier Universitaire de Liege
University Hospital, Aachen
University of Namur

Publikationen und hilfreiche Links

Die Bereitstellung dieser Publikationen erfolgt freiwillig durch die für die Eingabe von Informationen über die Studie verantwortliche Person. Diese können sich auf alles beziehen, was mit dem Studium zu tun hat.

Allgemeine Veröffentlichungen

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)

10. März 2021

Primärer Abschluss (Tatsächlich)

30. Dezember 2021

Studienabschluss (Tatsächlich)

31. Dezember 2021

Studienanmeldedaten

Zuerst eingereicht

19. April 2021

Zuerst eingereicht, das die QC-Kriterien erfüllt hat

25. Oktober 2021

Zuerst gepostet (Tatsächlich)

8. November 2021

Studienaufzeichnungsaktualisierungen

Letztes Update gepostet (Tatsächlich)

20. März 2023

Letztes eingereichtes Update, das die QC-Kriterien erfüllt

16. März 2023

Zuletzt verifiziert

1. März 2023

Mehr Informationen

Begriffe im Zusammenhang mit dieser Studie

Zusätzliche relevante MeSH-Bedingungen

Andere Studien-ID-Nummern

  • MBDDL

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 .

Klinische Studien zur Metastasierender Knochentumor

Suchen Sie nach ähnlichen Studien

Sponsoren und Mitarbeiter

Krankheiten

Drogeninterventionen

CROs by country

CROs in Guinea

Bedingungen

Seltene Krankheiten

Drogeninterventionen

Nahrungsergänzungsmittel

Sponsor / Mitarbeiter

Standorte

Abonnieren