KI-gestützte Hautkrebsdiagnose in der Teledermatoskopie (AIDMel)
KI-gestützte Hautkrebsdiagnose in der Teledermatoskopie: Eine prospektive randomisierte Studie
Studienübersicht
Status
Intervention / Behandlung
Detaillierte Beschreibung
Deep-Learning-Algorithmen können in vielen Bereichen des Gesundheitswesens von Nutzen sein, darunter auch bei der Diagnose von Hautkrebs mittels Teledermatoskopie. Allerdings mangelt es an klinischer, prospektiver Forschung zur Mensch-KI-Interaktion bei diagnostischen Aufgaben, die menschliche Faktoren berücksichtigt.
In dieser Studie werden wir die Auswirkungen solcher Faktoren in einer realen Umgebung untersuchen, indem wir einen Algorithmus in eine bestehende Teledermatoskopie-Plattform integrieren, die klinisch in einem Tertiärkrankenhaus in Schweden eingesetzt wird. Wir werden untersuchen, welche Auswirkungen verschiedene Implementierungen der KI-Tool-Ausgabe in Bezug auf menschliche Faktoren auf die Diagnosegenauigkeit und Managemententscheidungen haben.
Die Studienteilnehmer werden in der Abteilung für Dermatologie des Karolinska-Universitätskrankenhauses rekrutiert und gebeten, zukünftige teledermatoskopische Konsultationen mit und ohne KI-Unterstützung zu bewerten. Jede Beratung wird nach dem Zufallsprinzip einem von drei Arbeitsabläufen mit oder ohne einer vordefinierten Implementierung des KI-Tools zugeteilt. Die Studienteilnehmer werden außerdem gebeten, zwei Umfragen mit demografischen Informationen und Fragen zu verschiedenen menschlichen Faktoren auszufüllen. Patienten, die an der Studie teilnehmen, werden vor der Aufnahme außerhalb der Studie ohne jegliche Beteiligung eines KI-Tools diagnostiziert, insbesondere durch zwei erfahrene Dermatologen, die nicht als Studienteilnehmer teilnehmen.
Studientyp
Einschreibung (Geschätzt)
Phase
- Unzutreffend
Kontakte und Standorte
Studienorte
-
-
-
Stockholm, Schweden
- Karolinska University Hospital
-
-
Teilnahmekriterien
Zulassungskriterien
Studienberechtigtes Alter
- Erwachsene
- Älterer Erwachsener
Akzeptiert gesunde Freiwillige
Beschreibung
Einschlusskriterien:
- Approbierter Arzt
- Arbeit in einer Hautklinik
- Ausreichende Schwedischkenntnisse
- Schriftliche Einwilligung zur Teilnahme
Ausschlusskriterien:
- Keine Erfahrung mit der Dermatoskopie
- Möchte nicht teilnehmen
- Unvollständige Antworten
- Ärzte, die an der klinischen Betreuung der Patienten im Zusammenhang mit der teledermoskopischen Beratung beteiligt sind
Studienplan
Wie ist die Studie aufgebaut?
Designdetails
- Hauptzweck: Diagnose
- Zuteilung: Zufällig
- Interventionsmodell: Crossover-Aufgabe
- Maskierung: Keine (Offenes Etikett)
Waffen und Interventionen
Teilnehmergruppe / Arm |
Intervention / Behandlung |
|---|---|
|
Kein Eingriff: Arbeitsablauf 1
Pflegestandard
|
|
|
Experimental: Arbeitsablauf 2
Wenden Sie sich an die KI-Unterstützung
|
Den Teilnehmern werden die Diagnosewahrscheinlichkeiten für jede der zehn Differenzialdiagnosen gemäß dem KI-Tool mitgeteilt
|
|
Experimental: Arbeitsablauf 3
Zuerst Workflow 1, dann Workflow 2
|
Den Teilnehmern werden die Diagnosewahrscheinlichkeiten für jede der zehn Differenzialdiagnosen gemäß dem KI-Tool mitgeteilt
|
Was misst die Studie?
Primäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Diagnosegenauigkeit
Zeitfenster: 1 Jahr
|
Bestimmen Sie Sensitivität, Spezifität, Genauigkeit und AUROC im Hinblick auf die diagnostische Genauigkeit für Dermatologen mit vs. ohne KI-Beratung.
Darüber hinaus soll die Rolle der verschiedenen Arbeitsabläufe (Diagnose mit oder ohne KI mit unterschiedlicher Reihenfolge) und der Einfluss demografischer Merkmale und menschlicher Faktoren (z. B. Erfahrungsniveau) auf die Diagnosegenauigkeit untersucht werden
|
1 Jahr
|
|
Genauigkeit der Managemententscheidungen
Zeitfenster: 1 Jahr
|
Bestimmen Sie Sensitivität, Spezifität, Genauigkeit und AUROC im Hinblick auf die Genauigkeit von Managemententscheidungen für Dermatologen mit vs. ohne KI und untersuchen Sie die Rolle der verschiedenen Arbeitsabläufe (mit oder ohne KI mit unterschiedlicher Reihenfolge) und den Einfluss demografischer und menschlicher Faktoren (z. B. Grad der Erfahrung) bei Managemententscheidungen (Biopsie/Operation, keine Intervention oder Nachsorge)
|
1 Jahr
|
|
Tendenz, die Erstdiagnose oder Managemententscheidung zu ändern
Zeitfenster: 1 Jahr
|
Bewerten Sie, welche Faktoren die Wahrscheinlichkeit beeinflussen, dass ein Arzt seine Bewertung ändert, nachdem er algorithmische Eingaben erhalten hat
|
1 Jahr
|
|
Selbstberichtetes Vertrauen in Diagnose- und Managemententscheidungen
Zeitfenster: 1 Jahr
|
Untersuchen Sie, ob KI oder andere Faktoren das Vertrauen des Arztes in seine Diagnose- und Managemententscheidungen beeinflussen
|
1 Jahr
|
Mitarbeiter und Ermittler
Studienaufzeichnungsdaten
Haupttermine studieren
Studienbeginn (Tatsächlich)
Primärer Abschluss (Geschätzt)
Studienabschluss (Geschätzt)
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
- 960024
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 .