- ICH GCP
- US-Register für klinische Studien
- Klinische Studie NCT05651360
Diagnostische Leistung der Niedrigdosis-CT bei akuten abdominalen Erkrankungen (DETECT_Acute)
Diagnostische Leistung der Deep-Learning-Bildrekonstruktion in der Niedrigdosis-CT zur Erkennung akuter abdominaler Erkrankungen
Das Ziel dieser Nicht-Unterlegenheits-Beobachtungsstudie ist es, die diagnostische Leistung von Niedrigdosis-CT mit Deep-Learning-Bildrekonstruktion (DLIR) bei erwachsenen Teilnehmern mit akuten abdominalen Erkrankungen zu bewerten. Die zentrale Forschungsfrage lautet:
• Kann die Niedrigdosis-CT mit DLIR die gleiche diagnostische Leistung wie die Standard-CT für die Diagnose akuter abdominaler Erkrankungen erreichen?
Die Teilnehmer werden direkt nach dem Standard-CT mit einem zusätzlichen Low-Dose-CT untersucht. Teilnehmer werden ihre eigenen Kontrollen sein.
Studienübersicht
Status
Bedingungen
Intervention / Behandlung
Detaillierte Beschreibung
Hintergrund Die Computertomographie (CT) ist zu einem unverzichtbaren Werkzeug in der modernen klinischen Medizin geworden. Mit weit verbreiteter Verfügbarkeit wurde in den letzten Jahrzehnten ein rascher Anstieg der Verwendung von CT-Bildgebung beobachtet. Mit der damit verbundenen Zunahme der Strahlenbelastung ist das potenziell erhöhte Risiko für strahleninduzierte Malignität zu einem Problem für die öffentliche Gesundheit geworden. Dies gilt insbesondere für CT-Untersuchungen des Abdomens und des Beckens, die derzeit 50 % der kollektiven CT-Dosis ausmachen. Da der Vorteil einer Dosisreduktion im Allgemeinen durch eine Verschlechterung der Bildqualität zunichte gemacht wird, werden in der klinischen Praxis technologische Fortschritte angestrebt, um die Strahlendosis zu reduzieren, ohne die Bildqualität zu beeinträchtigen.
Bei der CT-Bildrekonstruktion ist die gefilterte Rückprojektion (FBP) seit den frühen 1970er Jahren der vorherrschende Bildrekonstruktionsalgorithmus, ergänzt durch die ersten kommerziellen iterativen Rekonstruktionsalgorithmen (IR) im Jahr 2009.
Ein neuartiger Deep-Learning-Bildrekonstruktionsalgorithmus (DLIR) erhielt 2019 die klinische Zulassung (TrueFidelity, GE Healthcare, Milwaukee, WI). Andere herstellerspezifische Algorithmen für Deep-Learning-Bildrekonstruktion entstehen ebenfalls (AiCE, Canon Medical Systems, Otawara, Japan). Wie in einem technischen Whitepaper erläutert, strebt der DLIR-Algorithmus, der mit hochdosierten und niedrigdosierten FBP-Datensätzen über Phantom- und Patientenfälle hinweg trainiert wurde, danach, Bildrauschen zu unterdrücken, ohne die Bildqualität zu beeinträchtigen. Die Verwendung von Deep-Learning-Bildrekonstruktion hat das Potenzial für eine verbesserte Bildqualität und Dosisreduzierung gezeigt, ohne die Rauschtextur zu verschieben.
Bei Patienten mit akuten abdominellen Erkrankungen gilt die CT des Abdomens und des Beckens als die beste Erst- oder Zweitliniendiagnostik. Für diese Patienten ist eine schnelle und genaue Diagnose von großer Bedeutung, um Behandlungsverzögerungen und nachfolgende Komplikationen wie Magen-Darm-Perforation im Falle einer Appendizitis oder Divertikulitis zu vermeiden. Andererseits ist es auch wichtig, unnötige chirurgische Eingriffe und die damit verbundenen Komplikationen zu vermeiden. Ein mögliches Low-Dose-CT-Protokoll muss daher eine nicht unterlegene diagnostische Leistung bieten, um eine schnelle Diagnose zu ermöglichen und eine Überbehandlung und nicht aussagekräftige Untersuchungen zu vermeiden.
Vielversprechende Ergebnisse wurden in Bezug auf Niedrigdosis-CT-Untersuchungen mit modellbasierter IR und einer Dosisreduktion von bis zu 75-80 % berichtet. Mit der Einführung von DLIR scheint jedoch eine weitere Dosisreduktion machbar. Unsere eigenen Ergebnisse aus einer Bildqualitätswahrnehmungsstudie mit DLIR zeigen, dass eine Dosisreduktion von bis zu 92,5 % im Vergleich zu Standard-CT eine akzeptable diagnostische Bildqualität bewahren könnte (noch unveröffentlichte Arbeit).
Auf dieser Grundlage besteht der Zweck dieser Studie darin, die diagnostische Leistung von Niedrigdosis-CT mit DLIR für die Diagnose akuter abdominaler Erkrankungen in einem Nicht-Unterlegenheits-Setting mit einer großen Stichprobengröße zu bewerten, die von zwei großen Traumazentren in Nordeuropa bereitgestellt wurde.
Ziele
Primär:
Bewertung der diagnostischen Leistungsfähigkeit von kontrastverstärkter Niedrigdosis-CT mit DLIR „TrueFidelity“ (TF) bei akuten abdominalen Erkrankungen im Vergleich zu Standard-Volldosis-CT.
Sekundär:
Bewertung der technischen und wahrgenommenen Bildqualität (qualitativ und quantitativ).
Ethik
Die Genehmigung wird von der regionalen Ethikkommission und dem Datenschutzbeauftragten der Einrichtung eingeholt.
Von allen Teilnehmern wird eine schriftliche Einverständniserklärung eingeholt. Dieses Projekt steht im Einklang mit der Deklaration von Helsinki.
Risiken Aufgrund einer leichten Erhöhung der Strahlenbelastung bestehen minimale Risiken. Die zusätzliche Strahlenexposition von 27,5 % liegt innerhalb der nationalen Schwankungen der Strahlenexposition aus CT-Untersuchungen, die für entsprechende klinische Aufgaben durchgeführt werden. Die Forscher schätzten die mittlere zusätzliche effektive Dosis auf 1,5 mSv, was etwa 4 Monaten bei natürlicher Hintergrundstrahlenexposition in Norwegen (4,1 mSv/Jahr) entspricht. Die zusätzliche Strahlenbelastung entspricht einem theoretischen Lebenszeitüberschussrisiko für tödlichen strahleninduzierten Krebs zwischen 0,004 und 0,03 %. Die klinischen Risiken dieser Exposition werden als minimal/nicht signifikant angesehen.
Material und Methoden Die Studie wird bei ClinicalTrials.gov registriert vor der Einleitung. Studienmethoden und -ergebnisse werden in Übereinstimmung mit der Erklärung der Standards for Reporting of Diagnostic Accuracy Studies (STARD) von 2015 berichtet. Es sei darauf hingewiesen, dass die STARD-AI-Lenkungsgruppe eine KI-spezifische Erweiterung vorbereitet. Werden diese STARD-AI-Leitlinien vor Studienende veröffentlicht, werden die Befunde ebenfalls entsprechend hiermit berichtet. Um KI-spezifische Elemente zu kompensieren, die in STARD nicht behandelt werden, stützen sich die Prüfärzte gegebenenfalls auf die Checkliste für künstliche Intelligenz in der medizinischen Bildgebung (CLAIM), die der STARD-Leitlinie nachempfunden ist.
Pilot Eine Pilotstudie mit 10 Patienten, die zu gleichen Teilen auf Oslo und Odense verteilt sind, wird durchgeführt, um die Studienlogistik und Anpassungen der Strahlendosis des Niedrigdosis-CT zu testen.
Untersuchungsprotokoll / Bildgebung Die Untersuchungen werden nach lokalen Routineverfahren und etablierten CT-Protokollen (CT-Scanner: GE Revolution) durchgeführt.
Zusätzlich zum CT mit Standard-Untersuchungsprotokoll wird ein Niedrigdosis-CT-Scan durchgeführt, der 30% Strahlendosis des Standard-CT nicht überschreitet. Niedrigdosis-CT-Bilder werden mit TF hoch rekonstruiert. Die Niedrigdosis-CT wird direkt nach der Standard-CT durchgeführt, um Verzerrungen durch Unterschiede im Timing der Kontrastphase zu vermeiden.
Ort und lokale Studienpopulation Die Studie wird als multizentrische Studie unter Beteiligung von Oslo und Odense mit prospektiver Datenerhebung durchgeführt.
Die geschätzte Gesamtpopulation der Studie wird zu gleichen Teilen auf die beiden Krankenhäuser aufgeteilt.
Bildauswertung Das Low-Dose-CT wird nicht für diagnostische Zwecke oder die Patientenbehandlung verwendet. Die Bildauswertung und der Bildvergleich werden getrennt vom klinischen Routineablauf durchgeführt.
Alle Niedrigdosis-CT-Untersuchungen werden unabhängig voneinander von zwei niedergelassenen Radiologen und von zwei erfahrenen Radiologen, die auf Abdominalradiologie spezialisiert sind und über mehr als 10 Jahre Erfahrung in der Abdominal-CT verfügen, ausgewertet. Die Leser werden für alle Informationen aus früheren Untersuchungen, den primären CT-Bericht, alle Befunde der anderen Leser, alle behandlungsbezogenen Informationen und für die endgültige Diagnose geblendet.
Sie haben Zugang zu klinischen Überweisungen und Labortests, die vor der ursprünglichen CT-Untersuchung durchgeführt wurden. Die Bildauswertung wird in der klinischen Umgebung des Radiologen unter Verwendung von diagnostischen Monitoren durchgeführt.
In der Ergebnisanalyse wird die Diagnose für jeden Patienten aus der Niedrigdosis-CT mit der ursprünglichen radiologischen Diagnose basierend auf der Volldosis-CT verglichen.
Für eine Intra-Leser-Vereinbarung wird jedem Leser eine zufällige Auswahl aus 10 % der Fälle zweimal präsentiert.
Die technische Bildqualität wird durch die Positionierung von interessierenden Bereichen (ROI) in einem homogenen Segment der Pfortader, angrenzend an das normale Leberparenchym, die Aorta, die Erector-Spinae-Muskeln und im subkutanen Fettgewebe bewertet. Das Kontrast-Rausch-Verhältnis (CNR) wird berechnet.
Die wahrgenommene Bildqualität wird von mindestens zwei Radiologen auf einer Likert-Skala anhand von Bildqualitätskriterien bewertet, die auf den europäischen Richtlinien für Bildqualität in der Abdominal-CT basieren.
Statistik Für die Analyse der Studiendaten wird spezielle Statistiksoftware wie Stata und SPSS verwendet. Das Alpha-Signifikanzniveau wird auf 5 % festgelegt, und es werden 95 %-Konfidenzintervalle verwendet. Kappa-Statistiken werden für die Inter- und Intra-Leservereinbarung verwendet. Die logistische Regression wird zur Beurteilung der Bildqualität verwendet. Zur Bewertung numerischer Variablen werden geeignete parametrische oder nichtparametrische Tests verwendet. Die diagnostische Leistung wird durch Fläche unter der Kurve, Sensitivität, Spezifität, positiver und negativer prädiktiver Wert definiert. Signifikante Unterschiede in Sensitivität und Spezifität werden durch den McNemar-Test bestimmt.
Power-Berechnung und Stichprobengröße Ein Studiendesign zur Nichtunterlegenheit wird verwendet, um die Nichtunterlegenheit bezüglich der diagnostischen Leistung der Niedrigdosis-CT im Vergleich zur Standard-CT aufzuzeigen. Die Prüfärzte schätzten die Sensitivität des Standard-CT auf 90 %. Die Prävalenz akuter abdominaler Erkrankungen mit einem sichtbaren Korrelat im Standard-CT wird auf 70 % aller Überweisungen geschätzt, die die Einschlusskriterien erfüllen. Als klinisch akzeptabel wurde eine Nichtunterlegenheitsspanne von 10 % für die Sensitivität angesehen, d. h. die Wahrscheinlichkeit für positive Befunde im Low-Dose-CT bei positivem Standard-CT wurde mit 90 % angenommen.
S_L = Wahrscheinlichkeit (positives Niedrigdosis-CT | positives Standard-CT)
Die 0-Hypothese wurde wie folgt definiert:
S_L < 90 %
Die Alternativhypothese wurde dann wie folgt definiert:
S_L > 90 % Um eine einseitige 6 %-Differenz (Erhöhung) von der Nichtunterlegenheitsgrenze mit einer Power von 80 % und einem Alpha-Signifikanzniveau von 5 % zu identifizieren, schätzten die Untersucher die erforderlichen Patienten mit positivem CT-Befund auf n= 116 (Binominalverteilung). Die Gesamtzahl der erforderlichen Patienten wurde dann auf 116/0,7=166 berechnet.
Studientyp
Einschreibung (Tatsächlich)
Kontakte und Standorte
Teilnahmekriterien
Zulassungskriterien
Studienberechtigtes Alter
Akzeptiert gesunde Freiwillige
Probenahmeverfahren
Studienpopulation
Beschreibung
Einschlusskriterien:
- Patienten, die auf eine akute abdominale Erkrankung untersucht werden und an eine CT des Abdomens und des Beckens überwiesen werden.
- Alter >18 Jahre
- Die Patienten müssen in der Lage sein, ihr mündliches und schriftliches Einverständnis zur Studienteilnahme zu geben.
Ausschlusskriterien:
- Kontraindikationen für kontrastverstärkte CT-Untersuchungen wie bekannte Nebenwirkungen von jodhaltigen Kontrastmitteln oder Klaustrophobie.
- Schwangerschaft.
Studienplan
Wie ist die Studie aufgebaut?
Designdetails
- Beobachtungsmodelle: Kohorte
- Zeitperspektiven: Interessent
Kohorten und Interventionen
Gruppe / Kohorte |
Intervention / Behandlung |
|---|---|
|
Bauchschmerzen
Teilnehmer, die auf eine akute abdominale Erkrankung untersucht werden und an eine CT des Abdomens und des Beckens überwiesen werden.
|
Es wird ein Niedrigdosis-CT-Scan durchgeführt, der 30% der Strahlendosis des Standard-CT nicht überschreitet.
Niedrigdosis-CT-Bilder werden mit TrueFidelity High rekonstruiert.
Die Niedrigdosis-CT wird direkt nach der Standard-CT durchgeführt, um Verzerrungen durch Unterschiede im Timing der Kontrastphase zu vermeiden.
|
Was misst die Studie?
Primäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Diagnostic performance of low-dose CT
Zeitfenster: 6 to 12 months
|
Diagnostic performance of low-dose CT compared to standard CT according to ICD 10 diagnosis. Diagnostic performance measured in terms of: Sensitivity, derived from mixed-effects logistic regression. |
6 to 12 months
|
Sekundäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Diagnostic performance
Zeitfenster: 6 to 12 month
|
Diagnostic performance measured in terms of: Specificity, positive predictive value, negative predictive value, and accuracy derived from mixed-effects logistic regression.
|
6 to 12 month
|
|
Radiation dose
Zeitfenster: 6 to 12 months
|
Compare radiation dose; low-dose vs standard CT: Radiation dose measured in terms of DLP and CTDIvol. |
6 to 12 months
|
|
Reading time.
Zeitfenster: 6 to 12 month
|
Reading time difference between low-dose CT and standard CT.
|
6 to 12 month
|
|
Perceived image quality
Zeitfenster: 6 to 12 months
|
Compare perceived image quality; low-dose vs standard CT: Perceived image quality scored on a ordinal, 5-point Likert scale (at least two readers). |
6 to 12 months
|
|
Image quality - noise
Zeitfenster: 6 to 12 months
|
Compare technical image quality; low-dose vs standard CT: Image noise in terms of standard deviation within a region of interest (ROI); numerical as Hounsfield unit (HU), several points of measurement. |
6 to 12 months
|
|
Image quality - contrast-to-noise ratio
Zeitfenster: 6 to 12 months
|
Compare technical image quality; low-dose vs standard CT: Contrast-to-noise ratio; numerical, several points of measurement. Calculated according to: CNR=(│〖HU〗_Kidney - 〖HU〗_(Water )│)/√((〖SD〗_Kidney 2 + 〖SD〗_Water 2 )/2) |
6 to 12 months
|
|
Diagnoses
Zeitfenster: 6 to 12 months
|
Descriptive exploration of diagnoses among patients referred to CT examinations; diagnoses according to ICD 10.
|
6 to 12 months
|
Mitarbeiter und Ermittler
Sponsor
Mitarbeiter
Ermittler
- Hauptermittler: Anselm Schulz, PhD, Oslo University Hospital
Publikationen und hilfreiche Links
Allgemeine Veröffentlichungen
- Berrington de Gonzalez A, Mahesh M, Kim KP, Bhargavan M, Lewis R, Mettler F, Land C. Projected cancer risks from computed tomographic scans performed in the United States in 2007. Arch Intern Med. 2009 Dec 14;169(22):2071-7. doi: 10.1001/archinternmed.2009.440.
- Brenner DJ, Hall EJ. Computed tomography--an increasing source of radiation exposure. N Engl J Med. 2007 Nov 29;357(22):2277-84. doi: 10.1056/NEJMra072149. No abstract available.
- Novelline RA, Rhea JT, Rao PM, Stuk JL. Helical CT in emergency radiology. Radiology. 1999 Nov;213(2):321-39. doi: 10.1148/radiology.213.2.r99nv01321.
- OECD. Computed tomography (CT) exams. 2018.
- Mettler FA Jr, Thomadsen BR, Bhargavan M, Gilley DB, Gray JE, Lipoti JA, McCrohan J, Yoshizumi TT, Mahesh M. Medical radiation exposure in the U.S. in 2006: preliminary results. Health Phys. 2008 Nov;95(5):502-7. doi: 10.1097/01.HP.0000326333.42287.a2.
- Pan X, Sidky EY, Vannier M. Why do commercial CT scanners still employ traditional, filtered back-projection for image reconstruction? Inverse Probl. 2009 Jan 1;25(12):1230009. doi: 10.1088/0266-5611/25/12/123009.
- Beister M, Kolditz D, Kalender WA. Iterative reconstruction methods in X-ray CT. Phys Med. 2012 Apr;28(2):94-108. doi: 10.1016/j.ejmp.2012.01.003. Epub 2012 Feb 10.
- Hsieh JL, E.; Nett, B.; Tang, J.; Thibault JB.; Sahney, S. A new era of image reconstruction: TrueFidelity. Technical white paper on deep learning image reconstruction. 2019.
- Jensen CT, Liu X, Tamm EP, Chandler AG, Sun J, Morani AC, Javadi S, Wagner-Bartak NA. Image Quality Assessment of Abdominal CT by Use of New Deep Learning Image Reconstruction: Initial Experience. AJR Am J Roentgenol. 2020 Jul;215(1):50-57. doi: 10.2214/AJR.19.22332. Epub 2020 Apr 14.
- Njolstad T, Schulz A, Godt JC, Brogger HM, Johansen CK, Andersen HK, Martinsen ACT. Improved image quality in abdominal computed tomography reconstructed with a novel Deep Learning Image Reconstruction technique - initial clinical experience. Acta Radiol Open. 2021 Apr 9;10(4):20584601211008391. doi: 10.1177/20584601211008391. eCollection 2021 Apr.
- Solomon J, Lyu P, Marin D, Samei E. Noise and spatial resolution properties of a commercially available deep learning-based CT reconstruction algorithm. Med Phys. 2020 Sep;47(9):3961-3971. doi: 10.1002/mp.14319. Epub 2020 Jul 6.
- Greffier J, Hamard A, Pereira F, Barrau C, Pasquier H, Beregi JP, Frandon J. Image quality and dose reduction opportunity of deep learning image reconstruction algorithm for CT: a phantom study. Eur Radiol. 2020 Jul;30(7):3951-3959. doi: 10.1007/s00330-020-06724-w. Epub 2020 Feb 25.
- Brady SL, Trout AT, Somasundaram E, Anton CG, Li Y, Dillman JR. Improving Image Quality and Reducing Radiation Dose for Pediatric CT by Using Deep Learning Reconstruction. Radiology. 2021 Jan;298(1):180-188. doi: 10.1148/radiol.2020202317. Epub 2020 Nov 17.
- Larson DB, Johnson LW, Schnell BM, Salisbury SR, Forman HP. National trends in CT use in the emergency department: 1995-2007. Radiology. 2011 Jan;258(1):164-73. doi: 10.1148/radiol.10100640. Epub 2010 Nov 29.
- Rud B, Vejborg TS, Rappeport ED, Reitsma JB, Wille-Jorgensen P. Computed tomography for diagnosis of acute appendicitis in adults. Cochrane Database Syst Rev. 2019 Nov 19;2019(11):CD009977. doi: 10.1002/14651858.CD009977.pub2.
- Kabir SA, Kabir SI, Sun R, Jafferbhoy S, Karim A. How to diagnose an acutely inflamed appendix; a systematic review of the latest evidence. Int J Surg. 2017 Apr;40:155-162. doi: 10.1016/j.ijsu.2017.03.013. Epub 2017 Mar 6.
- Moloney F, James K, Twomey M, Ryan D, Grey TM, Downes A, Kavanagh RG, Moore N, Murphy MJ, Bye J, Carey BW, McSweeney SE, Deasy C, Andrews E, Shanahan F, Maher MM, O'Connor OJ. Low-dose CT imaging of the acute abdomen using model-based iterative reconstruction: a prospective study. Emerg Radiol. 2019 Apr;26(2):169-177. doi: 10.1007/s10140-018-1658-z. Epub 2018 Nov 17.
- Poletti PA, Becker M, Becker CD, Halfon Poletti A, Rutschmann OT, Zaidi H, Perneger T, Platon A. Emergency assessment of patients with acute abdominal pain using low-dose CT with iterative reconstruction: a comparative study. Eur Radiol. 2017 Aug;27(8):3300-3309. doi: 10.1007/s00330-016-4712-9. Epub 2017 Jan 12.
- Widmark A. Diagnostic reference level (DRL) in Norway 2017. Results, revision:and establishment of new DRL.NRPA Report 2018:3. Norwegian Radiation Protection Authority, Østerås 2018.
- Komperød M, Rudjord AL, Skuterud L, Dyve JE. Radiation Doses from the Environment. Calculations of the Public's Exposure to Radiation from the Environment in Norway. Strålevern Rapport 2015:11 Østerås: Norwegian Radiation Protection Authority 2015.
- Bossuyt PM, Reitsma JB, Bruns DE, Gatsonis CA, Glasziou PP, Irwig L, Lijmer JG, Moher D, Rennie D, de Vet HC, Kressel HY, Rifai N, Golub RM, Altman DG, Hooft L, Korevaar DA, Cohen JF; STARD Group. STARD 2015: An Updated List of Essential Items for Reporting Diagnostic Accuracy Studies. Radiology. 2015 Dec;277(3):826-32. doi: 10.1148/radiol.2015151516. Epub 2015 Oct 28.
- Sounderajah V, Ashrafian H, Golub RM, Shetty S, De Fauw J, Hooft L, Moons K, Collins G, Moher D, Bossuyt PM, Darzi A, Karthikesalingam A, Denniston AK, Mateen BA, Ting D, Treanor D, King D, Greaves F, Godwin J, Pearson-Stuttard J, Harling L, McInnes M, Rifai N, Tomasev N, Normahani P, Whiting P, Aggarwal R, Vollmer S, Markar SR, Panch T, Liu X; STARD-AI Steering Committee. Developing a reporting guideline for artificial intelligence-centred diagnostic test accuracy studies: the STARD-AI protocol. BMJ Open. 2021 Jun 28;11(6):e047709. doi: 10.1136/bmjopen-2020-047709.
- Mongan J, Moy L, Kahn CE Jr. Checklist for Artificial Intelligence in Medical Imaging (CLAIM): A Guide for Authors and Reviewers. Radiol Artif Intell. 2020 Mar 25;2(2):e200029. doi: 10.1148/ryai.2020200029. eCollection 2020 Mar. No abstract available.
- Report EUR 16262 EN. European guidelines on quality criteria for computed tomography. 2000.
- Ahn S, Park SH, Lee KH. How to demonstrate similarity by using noninferiority and equivalence statistical testing in radiology research. Radiology. 2013 May;267(2):328-38. doi: 10.1148/radiol.12120725.
- Eng KA, Abadeh A, Ligocki C, Lee YK, Moineddin R, Adams-Webber T, Schuh S, Doria AS. Acute Appendicitis: A Meta-Analysis of the Diagnostic Accuracy of US, CT, and MRI as Second-Line Imaging Tests after an Initial US. Radiology. 2018 Sep;288(3):717-727. doi: 10.1148/radiol.2018180318. Epub 2018 Jun 19.
- Expert Panel on Gastrointestinal Imaging:; Garcia EM, Camacho MA, Karolyi DR, Kim DH, Cash BD, Chang KJ, Feig BW, Fowler KJ, Kambadakone AR, Lambert DL, Levy AD, Marin D, Moreno C, Peterson CM, Scheirey CD, Siegel A, Smith MP, Weinstein S, Carucci LR. ACR Appropriateness Criteria(R) Right Lower Quadrant Pain-Suspected Appendicitis. J Am Coll Radiol. 2018 Nov;15(11S):S373-S387. doi: 10.1016/j.jacr.2018.09.033.
- Expert Panel on Gastrointestinal Imaging:; Peterson CM, McNamara MM, Kamel IR, Al-Refaie WB, Arif-Tiwari H, Cash BD, Chernyak V, Goldstein A, Grajo JR, Hindman NM, Horowitz JM, Noto RB, Porter KK, Srivastava PK, Zaheer A, Carucci LR. ACR Appropriateness Criteria(R) Right Upper Quadrant Pain. J Am Coll Radiol. 2019 May;16(5S):S235-S243. doi: 10.1016/j.jacr.2019.02.013.
- Akagi M, Nakamura Y, Higaki T, Narita K, Honda Y, Zhou J, Yu Z, Akino N, Awai K. Deep learning reconstruction improves image quality of abdominal ultra-high-resolution CT. Eur Radiol. 2019 Nov;29(11):6163-6171. doi: 10.1007/s00330-019-06170-3. Epub 2019 Apr 11.
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
- Schmerzen
- Neurologische Manifestationen
- Pathologische Prozesse
- Anzeichen und Symptome, Verdauungstrakt
- Darmerkrankungen
- Infektionen
- Erkrankungen des Verdauungssystems
- Magen-Darm-Erkrankungen
- Erkrankungen der Bauchspeicheldrüse
- Erkrankungen der Gallenwege
- Gastroenteritis
- Erkrankungen der Gallenblase
- Blinddarmerkrankungen
- Intraabdominelle Infektionen
- Pathologische Zustände, Anzeichen und Symptome
- Anzeichen und Symptome
- Cholezystitis
- Bauchschmerzen
- Pankreatitis
- Erkrankung
- Akuter Schmerz
- Cholezystitis, akut
- Appendizitis
Andere Studien-ID-Nummern
- PVO ref. 22/11840
- 22/11840 (Andere Kennung: Data protection officer at Oslo University Hospital)
- 468490 (Andere Kennung: Regional Comittees for Medical Research Ethics South East)
Plan für individuelle Teilnehmerdaten (IPD)
Planen Sie, individuelle Teilnehmerdaten (IPD) zu teilen?
Beschreibung des IPD-Plans
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 .