Künstliche Intelligenz beschleunigt die Lernkurve zur Beherrschung der kontrastmittelverstärkten Ultraschalluntersuchung von Schilddrüsenknoten (AIA-CEUD-TN)
22. März 2026 aktualisiert von: Sun Yat-Sen Memorial Hospital of Sun Yat-Sen University
Künstliche Intelligenz beschleunigt die Lernkurve für die Beherrschung der Schilddrüsen-Bildgebungsberichte und des Datensystems für kontrastverstärkten Ultraschall
Ziel dieser Beobachtungsstudie ist es, mehr über die Lernkurve für die Beherrschung des Schilddrüsen-Bildgebungsberichts- und Datensystems des kontrastverstärkten Ultraschalls mit Hilfe künstlicher Intelligenz bei Patienten mit Schilddrüsenknoten zu erfahren. Die wichtigsten Fragen, die beantwortet werden sollen, sind:
- Können wir eine künstliche intelligente Software entwickeln, die Ärzte bei der Diagnose von Schilddrüsenknoten mittels kontrastmittelverstärktem Ultraschall unterstützt?
- Kann künstliche Intelligenz die Fallzahlen und die Zeit reduzieren, die Ärzte für die Beherrschung der kontrastmittelverstärkten Ultraschalldiagnostik von Schilddrüsenknoten benötigen?
Die Teilnehmer werden gebeten, sich einer kontrastmittelverstärkten Ultraschalluntersuchung und einer ultraschallgesteuerten Feinnadelaspiration von Schilddrüsenknoten zu unterziehen. Forscher werden die Anzahl der Fälle und die Zeit vergleichen, die Ärzte mit und ohne künstliche Intelligenz benötigen, um die kontrastmittelverstärkte Ultraschalldiagnose von Schilddrüsenknoten zu meistern, um zu sehen, ob künstliche Intelligenz die Anzahl der Fälle und die Zeit reduziert.
Studienübersicht
Status
Abgeschlossen
Bedingungen
Intervention / Behandlung
Studientyp
Interventionell
Einschreibung (Tatsächlich)
1955
Phase
- Unzutreffend
Kontakte und Standorte
Dieser Abschnitt enthält die Kontaktdaten derjenigen, die die Studie durchführen, und Informationen darüber, wo diese Studie durchgeführt wird.
Studienorte
-
-
Guangdong
-
Guangzhou, Guangdong, China, 510289
- Sun Yat-Sen Memorial Hospital, Sun Yat-Sen 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
- Erwachsene
- Älterer Erwachsener
Akzeptiert gesunde Freiwillige
Nein
Studienpopulation
Studienpopulation mit gleicher Indikation für kontrastmittelverstärkten Ultraschall und Feinnadelaspirationsbiopsie:
- Geplante Ablation oder Operation;
- Mindestens ein verdächtiges Ultraschallmerkmal, z. B. echoarm/sehr echoarm, unregelmäßiger/gelappter Rand, größer als breit oder punktförmige echogene Herde.
Beschreibung
Einschlusskriterien:
- Patienten mit Schilddrüsenknoten mit einem festen Anteil ≥5 mm, bestätigt durch konventionellen Ultraschall;
- Patienten, die sich einer konventionellen Ultraschalluntersuchung, einer kontrastmittelverstärkten Ultraschalluntersuchung und einer Feinnadelaspirationsbiopsie unterzogen haben;
- Patienten mit endgültigen gutartigen oder bösartigen pathologischen Ergebnissen.
Ausschlusskriterien:
- Patienten mit Zytopathologie von Bethesda I, III oder IV und ohne abschließende gutartige oder bösartige Pathologie;
- Patienten mit einer Schilddrüsenablation oder -operation in der Vorgeschichte;
- Patienten mit minderwertigen Ultraschallbildern.
Studienplan
Dieser Abschnitt enthält Einzelheiten zum Studienplan, einschließlich des Studiendesigns und der Messung der Studieninhalte.
Wie ist die Studie aufgebaut?
Designdetails
- Hauptzweck: Diagnose
- Zuteilung: N / A
- Interventionsmodell: Einzelgruppenzuweisung
- Maskierung: Keine (Offenes Etikett)
Waffen und Interventionen
Teilnehmergruppe / Arm |
Intervention / Behandlung |
|---|---|
|
Sonstiges: Testset
Teilnehmer mit Schilddrüsenknoten unterzogen sich einer kontrastverstärkten Ultraschalluntersuchung und einer ultraschallgeführten Feinnadelaspiration zwischen Januar 2021 und Dezember 2022 im Sun Yat-sen Memorial Hospital der Sun Yat-sen University, dem Houjie Hospital in Dongguan und dem Affiliated Huadu Hospital der Southern Medical University.
|
Künstliche Intelligenz unterstützte kontrastmittelverstärkte Ultraschalldiagnose von Schilddrüsenknoten.
|
Was misst die Studie?
Primäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Diagnostische Leistung
Zeitfenster: Erste Woche nach dem primären Abschlussdatum.
|
Sensitivität, Spezifität, positiver Vorhersagewert, negativer Vorhersagewert, Genauigkeit, Fläche unter der Kurve
|
Erste Woche nach dem primären Abschlussdatum.
|
|
Die Notwendigkeit einer Biopsie
Zeitfenster: Erste Woche nach dem primären Abschlussdatum.
|
Unnötige Biopsierate
|
Erste Woche nach dem primären Abschlussdatum.
|
Mitarbeiter und Ermittler
Hier finden Sie Personen und Organisationen, die an dieser Studie beteiligt sind.
Ermittler
- Hauptermittler: Jingliang Ruan, PhD, Sun Yat-Sen Memorial Hospital of Sun Yat-Sen University
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
- Haugen BR, Alexander EK, Bible KC, Doherty GM, Mandel SJ, Nikiforov YE, Pacini F, Randolph GW, Sawka AM, Schlumberger M, Schuff KG, Sherman SI, Sosa JA, Steward DL, Tuttle RM, Wartofsky L. 2015 American Thyroid Association Management Guidelines for Adult Patients with Thyroid Nodules and Differentiated Thyroid Cancer: The American Thyroid Association Guidelines Task Force on Thyroid Nodules and Differentiated Thyroid Cancer. Thyroid. 2016 Jan;26(1):1-133. doi: 10.1089/thy.2015.0020.
- Russ G, Bonnema SJ, Erdogan MF, Durante C, Ngu R, Leenhardt L. European Thyroid Association Guidelines for Ultrasound Malignancy Risk Stratification of Thyroid Nodules in Adults: The EU-TIRADS. Eur Thyroid J. 2017 Sep;6(5):225-237. doi: 10.1159/000478927. Epub 2017 Aug 8.
- Burgos N, Zhao J, Brito JP, Hoang JK, Pitoia F, Maraka S, Castro MR, Lee JH, Singh Ospina N. Clinician Agreement on the Classification of Thyroid Nodules Ultrasound Features: A Survey of 2 Endocrine Societies. J Clin Endocrinol Metab. 2022 Jul 14;107(8):e3288-e3294. doi: 10.1210/clinem/dgac279.
- Tessler FN, Middleton WD, Grant EG, Hoang JK, Berland LL, Teefey SA, Cronan JJ, Beland MD, Desser TS, Frates MC, Hammers LW, Hamper UM, Langer JE, Reading CC, Scoutt LM, Stavros AT. ACR Thyroid Imaging, Reporting and Data System (TI-RADS): White Paper of the ACR TI-RADS Committee. J Am Coll Radiol. 2017 May;14(5):587-595. doi: 10.1016/j.jacr.2017.01.046. Epub 2017 Apr 2.
- Burgos N, Ospina NS, Sipos JA. The Future of Thyroid Nodule Risk Stratification. Endocrinol Metab Clin North Am. 2022 Jun;51(2):305-321. doi: 10.1016/j.ecl.2021.12.002. Epub 2022 May 4.
- Zhou J, Yin L, Wei X, Zhang S, Song Y, Luo B, Li J, Qian L, Cui L, Chen W, Wen C, Peng Y, Chen Q, Lu M, Chen M, Wu R, Zhou W, Xue E, Li Y, Yang L, Mi C, Zhang R, Wu G, Du G, Huang D, Zhan W; Superficial Organ and Vascular Ultrasound Group of the Society of Ultrasound in Medicine of the Chinese Medical Association; Chinese Artificial Intelligence Alliance for Thyroid and Breast Ultrasound. 2020 Chinese guidelines for ultrasound malignancy risk stratification of thyroid nodules: the C-TIRADS. Endocrine. 2020 Nov;70(2):256-279. doi: 10.1007/s12020-020-02441-y. Epub 2020 Aug 21.
- Shin JH, Baek JH, Chung J, Ha EJ, Kim JH, Lee YH, Lim HK, Moon WJ, Na DG, Park JS, Choi YJ, Hahn SY, Jeon SJ, Jung SL, Kim DW, Kim EK, Kwak JY, Lee CY, Lee HJ, Lee JH, Lee JH, Lee KH, Park SW, Sung JY; Korean Society of Thyroid Radiology (KSThR) and Korean Society of Radiology. Ultrasonography Diagnosis and Imaging-Based Management of Thyroid Nodules: Revised Korean Society of Thyroid Radiology Consensus Statement and Recommendations. Korean J Radiol. 2016 May-Jun;17(3):370-95. doi: 10.3348/kjr.2016.17.3.370. Epub 2016 Apr 14.
- Kwak JY, Han KH, Yoon JH, Moon HJ, Son EJ, Park SH, Jung HK, Choi JS, Kim BM, Kim EK. Thyroid imaging reporting and data system for US features of nodules: a step in establishing better stratification of cancer risk. Radiology. 2011 Sep;260(3):892-9. doi: 10.1148/radiol.11110206. Epub 2011 Jul 19.
- Sidhu PS, Cantisani V, Dietrich CF, Gilja OH, Saftoiu A, Bartels E, Bertolotto M, Calliada F, Clevert DA, Cosgrove D, Deganello A, D'Onofrio M, Drudi FM, Freeman S, Harvey C, Jenssen C, Jung EM, Klauser AS, Lassau N, Meloni MF, Leen E, Nicolau C, Nolsoe C, Piscaglia F, Prada F, Prosch H, Radzina M, Savelli L, Weskott HP, Wijkstra H. The EFSUMB Guidelines and Recommendations for the Clinical Practice of Contrast-Enhanced Ultrasound (CEUS) in Non-Hepatic Applications: Update 2017 (Long Version). Ultraschall Med. 2018 Apr;39(2):e2-e44. doi: 10.1055/a-0586-1107. Epub 2018 Mar 6.
- Zhang Y, Zhou P, Tian SM, Zhao YF, Li JL, Li L. Usefulness of combined use of contrast-enhanced ultrasound and TI-RADS classification for the differentiation of benign from malignant lesions of thyroid nodules. Eur Radiol. 2017 Apr;27(4):1527-1536. doi: 10.1007/s00330-016-4508-y. Epub 2016 Aug 15.
- Tang C, Fang K, Guo Y, Li R, Fan X, Chen P, Chen Z, Liu Q, Zou Y. Safety of Sulfur Hexafluoride Microbubbles in Sonography of Abdominal and Superficial Organs: Retrospective Analysis of 30,222 Cases. J Ultrasound Med. 2017 Mar;36(3):531-538. doi: 10.7863/ultra.15.11075. Epub 2017 Jan 10.
- Seifert P, Gorges R, Zimny M, Kreissl MC, Schenke S. Interobserver agreement and efficacy of consensus reading in Kwak-, EU-, and ACR-thyroid imaging recording and data systems and ATA guidelines for the ultrasound risk stratification of thyroid nodules. Endocrine. 2020 Jan;67(1):143-154. doi: 10.1007/s12020-019-02134-1. Epub 2019 Nov 18.
- Wildman-Tobriner B, Buda M, Hoang JK, Middleton WD, Thayer D, Short RG, Tessler FN, Mazurowski MA. Using Artificial Intelligence to Revise ACR TI-RADS Risk Stratification of Thyroid Nodules: Diagnostic Accuracy and Utility. Radiology. 2019 Jul;292(1):112-119. doi: 10.1148/radiol.2019182128. Epub 2019 May 21.
- Zhang B, Tian J, Pei S, Chen Y, He X, Dong Y, Zhang L, Mo X, Huang W, Cong S, Zhang S. Machine Learning-Assisted System for Thyroid Nodule Diagnosis. Thyroid. 2019 Jun;29(6):858-867. doi: 10.1089/thy.2018.0380. Epub 2019 Apr 27.
- Jin Z, Pei S, Ouyang L, Zhang L, Mo X, Chen Q, You J, Chen L, Zhang B, Zhang S. Thy-Wise: An interpretable machine learning model for the evaluation of thyroid nodules. Int J Cancer. 2022 Dec 15;151(12):2229-2243. doi: 10.1002/ijc.34248. Epub 2022 Sep 12.
- Chen Y, Gao Z, He Y, Mai W, Li J, Zhou M, Li S, Yi W, Wu S, Bai T, Zhang N, Zeng W, Lu Y, Liu H. An Artificial Intelligence Model Based on ACR TI-RADS Characteristics for US Diagnosis of Thyroid Nodules. Radiology. 2022 Jun;303(3):613-619. doi: 10.1148/radiol.211455. Epub 2022 Mar 22.
- Zhao CK, Ren TT, Yin YF, Shi H, Wang HX, Zhou BY, Wang XR, Li X, Zhang YF, Liu C, Xu HX. A Comparative Analysis of Two Machine Learning-Based Diagnostic Patterns with Thyroid Imaging Reporting and Data System for Thyroid Nodules: Diagnostic Performance and Unnecessary Biopsy Rate. Thyroid. 2021 Mar;31(3):470-481. doi: 10.1089/thy.2020.0305. Epub 2020 Sep 9.
- Zhao J, Zhou X, Shi G, Xiao N, Song K, Zhao J, Hao R, Li K. Semantic consistency generative adversarial network for cross-modality domain adaptation in ultrasound thyroid nodule classification. Appl Intell (Dordr). 2022;52(9):10369-10383. doi: 10.1007/s10489-021-03025-7. Epub 2022 Jan 13.
- Peng S, Liu Y, Lv W, Liu L, Zhou Q, Yang H, Ren J, Liu G, Wang X, Zhang X, Du Q, Nie F, Huang G, Guo Y, Li J, Liang J, Hu H, Xiao H, Liu Z, Lai F, Zheng Q, Wang H, Li Y, Alexander EK, Wang W, Xiao H. Deep learning-based artificial intelligence model to assist thyroid nodule diagnosis and management: a multicentre diagnostic study. Lancet Digit Health. 2021 Apr;3(4):e250-e259. doi: 10.1016/S2589-7500(21)00041-8.
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)
3. Juni 2023
Primärer Abschluss (Tatsächlich)
2. März 2026
Studienabschluss (Tatsächlich)
16. März 2026
Studienanmeldedaten
Zuerst eingereicht
24. Juli 2023
Zuerst eingereicht, das die QC-Kriterien erfüllt hat
8. August 2023
Zuerst gepostet (Tatsächlich)
9. August 2023
Studienaufzeichnungsaktualisierungen
Letztes Update gepostet (Tatsächlich)
25. März 2026
Letztes eingereichtes Update, das die QC-Kriterien erfüllt
22. März 2026
Zuletzt verifiziert
1. März 2026
Mehr Informationen
Begriffe im Zusammenhang mit dieser Studie
Schlüsselwörter
Zusätzliche relevante MeSH-Bedingungen
- Erkrankungen des endokrinen Systems
- Pathologische Prozesse
- Neubildungen nach Standort
- Neubildungen
- Schilddrüsenneoplasmen
- Neoplasmen der endokrinen Drüse
- Kopf-Hals-Neubildungen
- Schilddrüsenerkrankungen
- Pathologische Zustände, Anzeichen und Symptome
- Schilddrüsenknoten
- Erkrankung
- Algorithmen
- Mathematische Konzepte
- Künstliche Intelligenz
Andere Studien-ID-Nummern
- SYSKY-2023-702-01
Plan für individuelle Teilnehmerdaten (IPD)
Planen Sie, individuelle Teilnehmerdaten (IPD) zu teilen?
JA
Beschreibung des IPD-Plans
Die im Rahmen der Studie generierten oder analysierten Daten sind auf Anfrage beim Hauptprüfer erhältlich.
IPD-Sharing-Zeitrahmen
Die erste Woche nach der Veröffentlichung der Forschungsarbeiten.
IPD-Sharing-Zugriffskriterien
Die während der Studie generierten oder analysierten Daten sind auf Anfrage beim Hauptprüfarzt verfügbar.
Art der unterstützenden IPD-Freigabeinformationen
- STUDIENPROTOKOLL
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 .