Künstliche Intelligenz (KI)-gestützter Vorbehandlungs-Peer-Review-Prozess zur Verbesserung der Patientensicherheit in der Radioonkologie
Entwicklung und Bewertung eines künstlichen Intelligenz (KI)-gestützten Vorbehandlungs-Peer-Review-Verfahrens zur Verbesserung der Patientensicherheit in der Radioonkologie
Diese prospektive Studie wird Entscheidungsunterstützungswerkzeuge auf Basis künstlicher Intelligenz (KI) und maschinellen Lernens (ML) testen. Dieses Tool soll Ärzten, Physikern und anderen Mitarbeitern während der prätherapeutischen Peer-Review helfen, einem Schritt, bei dem Behandlungspläne überprüft werden, bevor ein Patient mit der Behandlung beginnt.
Das System hebt Zusammenfassungen hervor, die zeigen, wie verschiedene Anbieter in ihrer Behandlungsplanung variieren können (Anbieter-Variabilitätszusammenfassungen), und weist auf die besten Signale oder Warnzeichen hin, auf die zu achten ist (optimale Hinweise). Indem es die Aufmerksamkeit auf diese Muster und Hinweise lenkt, zielt das Tool darauf ab, Gutachtern zu helfen, mögliche Fehler in der Behandlungsplanung früher zu erkennen, die Fehlerwahrscheinlichkeit zu verringern und die allgemeine Patientensicherheit zu verbessern.
Studienübersicht
Status
Bedingungen
Intervention / Behandlung
Detaillierte Beschreibung
Da die Strahlentherapie (RT) komplexer wird, nimmt die Anzahl möglicher Fehlerquellen zu. Eine KI-gestützte Peer-Review kann helfen, Fehler zu erkennen, die sonst möglicherweise unbemerkt bleiben, und fördert konsistente, gerechte Sicherheitsstandards sowohl in ländlichen als auch in städtischen Kliniken.
Die Strahlentherapie (RT) wird bei etwa 50 % der Krebspatienten eingesetzt und erfolgt in der Regel in ambulanten Kliniken. Neuere Technologien wie die intensitätsmodulierte Strahlentherapie (IMRT), die volumetrisch modulierte Arc-Therapie (VMAT) und die bildgeführte Strahlentherapie (IGRT) verbessern die Behandlung durch einen besseren Schutz des gesunden Gewebes und eine höhere Dosis in den Zielbereichen. Sie sind jedoch komplexer und erfordern eine sehr präzise Definition der Tumorziele und des normalen Gewebes. Selbst kleine Fehler bei der Abgrenzung dieser Bereiche können zu einer Unterbehandlung des Tumors oder einer Überbehandlung des gesunden Gewebes führen. Studien zeigen, dass Fehler bei der Definition von Zielbereichen in der modernen Strahlenonkologie zugenommen haben. Da diese Behandlungen kognitiv anspruchsvoller sind, hat das Risiko von Planungsfehlern zugenommen, und in einigen Fällen können Fehler schwerwiegende Schäden verursachen.
Die Peer-Review vor der Behandlung, bei der ein multidisziplinäres Team den Behandlungsplan vor Therapiebeginn überprüft, ist ein wichtiger Sicherheitsschritt und wird dringend empfohlen. Sie ist am effektivsten, wenn sie vor Beginn der Behandlung durchgeführt wird, da spätere Korrekturen zu Behandlungsverzögerungen, übereilten Änderungen und einer zusätzlichen Belastung führen können. Die potenzielle Auswirkung auf die Patientensicherheit ist erheblich.
Aufgrund der wachsenden Komplexität und Arbeitsbelastung besteht die Notwendigkeit, die Peer-Review vor der Behandlung zu stärken und teilweise zu automatisieren. KI/ML-Entscheidungsunterstützungstools können helfen, indem sie Schlüsselinformationen zusammenfassen, ungewöhnliche Planmerkmale hervorheben und auf potenzielle Risikobereiche aufmerksam machen. Diese Tools treffen keine Behandlungsentscheidungen. Stattdessen liefern sie Analysen und visuelle Zusammenfassungen, um Kliniker zu unterstützen und die kognitive Belastung zu verringern.
Da das Tool auch Unterschiede in der Art und Weise hervorhebt, wie Anbieter Behandlungen planen, kann es helfen, Variationen in der Versorgung zu identifizieren und auf potenzielle gesundheitliche Ungleichheiten aufmerksam zu machen, was zukünftige Bemühungen zur Verbesserung der Gerechtigkeit in der Strahlenonkologie unterstützt.
Studientyp
Einschreibung (Geschätzt)
Phase
- Unzutreffend
Kontakte und Standorte
Studienkontakt
- Name: Olivia Morton
- Telefonnummer: (984) 974-8441
- E-Mail: olivia_roberts@med.unc.edu
Studieren Sie die Kontaktsicherung
- Name: Victoria Xu
- Telefonnummer: (984) 974-8444
- E-Mail: victoria_xu@med.unc.edu
Studienorte
-
-
North Carolina
-
Chapel Hill, North Carolina, Vereinigte Staaten, 27599
- University of North Carolina at Chapel Hill, Department of Radiation Oncology
-
Kontakt:
- Olivia Morton
- Telefonnummer: 984-974-8441
- E-Mail: olivia_roberts@med.unc.edu
-
Hauptermittler:
- Lukasz Mazur, PhD
-
-
Teilnahmekriterien
Zulassungskriterien
Studienberechtigtes Alter
- Erwachsene
- Älterer Erwachsener
Akzeptiert gesunde Freiwillige
Beschreibung
Um an dieser Studie teilnehmen zu können, muss ein Proband alle unten aufgeführten Eignungskriterien erfüllen.
Einschlusskriterien:
Nur Anbieter
- ≥18 Jahre
- Teilnehmer an Peer-Reviews in teilnehmenden Kliniken
Nur Patienten
- ≥18 Jahre
- Alle Patienten mit Prostatakrebs-Strahlentherapiefällen, die in teilnehmenden Einrichtungen behandelt wurden (keine Intervention bei Patienten durchgeführt)
Ausschlusskriterien:
Nur Anbieter • Anbieter, die nicht bereit oder in der Lage sind, die Studienverfahren einzuhalten; Standorte, die den Workflow nicht implementieren oder die erforderlichen Ergebnisse liefern können.
Patienten und Anbieter
• Hat Demenz, veränderten Geisteszustand oder eine psychiatrische oder Begleiterkrankung, die das Verständnis oder die Erteilung der Einwilligungserklärung verhindert
Studienplan
Wie ist die Studie aufgebaut?
Designdetails
- Hauptzweck: Versorgungsforschung
- Zuteilung: Nicht randomisiert
- Interventionsmodell: Parallele Zuordnung
- Maskierung: Keine (Offenes Etikett)
Waffen und Interventionen
Teilnehmergruppe / Arm |
Intervention / Behandlung |
|---|---|
|
Sonstiges: Anbieter
Strahlentherapie-Anbieter, die an teilnehmenden Kliniken an Peer-Reviews teilnehmen.
|
Alle Behandlungsplanungen und klinischen Überwachungen erfolgen gemäß institutionellen Standards und etablierten Abteilungsrichtlinien.
Peer-Review-Aktivitäten verlaufen wie in der routinemäßigen klinischen Praxis, mit der Ergänzung optionaler, durch Künstliche Intelligenz (KI) generierter Analysen zur Überprüfung durch Kliniker.
Das KI-/Maschinelles Lernen (ML)-System ist in geplanten Abteilungs-Peer-Review-Meetings integriert und präsentiert analytische Zusammenfassungen und Visualisierungen über ein Dashboard, das in den bestehenden klinischen Workflow eingebettet ist.
Das System dient ausschließlich als Entscheidungsunterstützungshilfe und führt keine autonomen Behandlungsplanungsmaßnahmen, Dosisabgabeveränderungen oder klinische Interventionen durch oder initiiert diese.
Während der Simulation (SIM)-Überprüfung werden die vom Arzt erstellten Ziel- und Risikoorgankonturen zuerst überprüft, entsprechend der Standardpraxis.
Erst nach dieser ersten Überprüfung kann der behandelnde Arzt optional auf die KI-generierten Konturen für Vergleichszwecke zugreifen.
Andere Namen:
|
|
Kein Eingriff: Patienten
Prostatakrebs-Patienten, die eine Strahlentherapie erhalten, tragen anonymisierte Sicherheitsergebnisse bei.
|
Was misst die Studie?
Primäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Prozentsatz der Patienten mit Veränderungen der Knotenvolumenkonturen
Zeitfenster: Baseline
|
Prozentsatz der Patienten mit dokumentierten Änderungen der Knotenvolumenkonturen nach einem durch künstliche Intelligenz (KI) unterstützten Peer-Review.
|
Baseline
|
Mitarbeiter und Ermittler
Ermittler
- Hauptermittler: Lukasz Mazur, PhD, UNC Lineberger Comprehensive Cancer Center
Publikationen und hilfreiche Links
Studienaufzeichnungsdaten
Haupttermine studieren
Studienbeginn (Geschätzt)
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
- LCCC2607
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
Produkt, das in den USA hergestellt und aus den USA exportiert wird
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 .