Redes neuronales profundas sobre la precisión del diagnóstico de enfermedades de la piel en no dermatólogos
25 de octubre de 2022 actualizado por: Pyoeng Gyun Choe
Efecto del uso de redes neuronales profundas en la precisión del diagnóstico de enfermedades de la piel en médicos no dermatólogos
Antecedentes: las redes neuronales profundas (DNN) se han aplicado a muchos tipos de enfermedades de la piel en entornos experimentales.
Objetivo: El objetivo de este estudio es confirmar el aumento de las redes neuronales profundas para el diagnóstico de enfermedades de la piel en médicos no dermatólogos en un entorno del mundo real.
Métodos: Se inscribirá un total de 40 médicos no dermatólogos en un solo hospital de atención terciaria. Se asignarán al azar a un grupo DNN y un grupo de control. Al comparar dos grupos, los investigadores estimarán el efecto del uso de redes neuronales profundas en el diagnóstico de enfermedades de la piel en términos de precisión.
Descripción general del estudio
Estado
Terminado
Condiciones
Intervención / Tratamiento
Descripción detallada
En el grupo DNN y el grupo de control, estos pasos son el mismo proceso.
- Examen de rutina y fotografías de captura de lesiones cutáneas para todos los pacientes de series consecutivas elegibles.
- Hacer un diagnóstico clínico (ANTES-DX)
- Hacer un diagnóstico clínico (AFTER-DX)
- consultar al dermatólogo
En el grupo DNN, después de hacer el ANTES-DX, los médicos usan redes neuronales profundas y hacen un DESPUÉS-DX considerando los resultados de las redes neuronales profundas (Model Dermatology, compilación 2020).
En el grupo de control, después de hacer el ANTES-DX, los médicos hacen un DESPUÉS-DX después de revisar las imágenes de las lesiones de la piel una vez más.
La verdad básica se basará en la biopsia, si está disponible, o en el diagnóstico de consenso de los dermatólogos.
Los investigadores compararán la precisión entre el grupo DNN y el grupo de control después de 6 meses consecutivos de estudio.
Tipo de estudio
Intervencionista
Inscripción (Actual)
55
Fase
- No aplica
Contactos y Ubicaciones
Esta sección proporciona los datos de contacto de quienes realizan el estudio e información sobre dónde se lleva a cabo este estudio.
Ubicaciones de estudio
-
-
-
Seoul, Corea, república de, 03080
- Seoul National University Hospital
-
-
Criterios de participación
Los investigadores buscan personas que se ajusten a una determinada descripción, denominada criterio de elegibilidad. Algunos ejemplos de estos criterios son el estado de salud general de una persona o tratamientos previos.
Criterio de elegibilidad
Edades elegibles para estudiar
- ADULTO
- MAYOR_ADULTO
- NIÑO
Acepta Voluntarios Saludables
No
Géneros elegibles para el estudio
Todos
Descripción
Criterios de inclusión:
- médico no dermatólogo (residentes) que acepta participar en este estudio
Criterio de exclusión:
- residentes de dermatología
- Residentes no dermatológicos que utilizan otras redes neuronales profundas para el diagnóstico de lesiones cutáneas.
Plan de estudios
Esta sección proporciona detalles del plan de estudio, incluido cómo está diseñado el estudio y qué mide el estudio.
¿Cómo está diseñado el estudio?
Detalles de diseño
- Propósito principal: DIAGNÓSTICO
- Asignación: ALEATORIZADO
- Modelo Intervencionista: PARALELO
- Enmascaramiento: NINGUNO
Armas e Intervenciones
Grupo de participantes/brazo |
Intervención / Tratamiento |
|---|---|
|
EXPERIMENTAL: Grupo DNN
uso de redes neuronales profundas para el diagnóstico de lesiones cutáneas
|
Los médicos del grupo DNN toman fotografías de la lesión de la piel y usan el algoritmo cargando fotografías.
|
|
SIN INTERVENCIÓN: Grupo de control
diagnóstico convencional
|
¿Qué mide el estudio?
Medidas de resultado primarias
Medida de resultado |
Medida Descripción |
Periodo de tiempo |
|---|---|---|
|
Precisión de diagnóstico Top-1
Periodo de tiempo: 6 meses consecutivos
|
frecuencia de la predicción Top-1 correcta
|
6 meses consecutivos
|
Medidas de resultado secundarias
Medida de resultado |
Medida Descripción |
Periodo de tiempo |
|---|---|---|
|
Precisión de diagnóstico Top-2 y 3
Periodo de tiempo: 6 meses consecutivos
|
frecuencia de predicción correcta Top-2 y 3
|
6 meses consecutivos
|
|
Sensibilidad a la infección
Periodo de tiempo: 6 meses consecutivos
|
tasa positiva de diagnóstico de infección
|
6 meses consecutivos
|
|
Sensibilidad a la malignidad
Periodo de tiempo: 6 meses consecutivos
|
Tasa positiva de diagnóstico de malignidad
|
6 meses consecutivos
|
Colaboradores e Investigadores
Aquí es donde encontrará personas y organizaciones involucradas en este estudio.
Patrocinador
Publicaciones y enlaces útiles
La persona responsable de ingresar información sobre el estudio proporciona voluntariamente estas publicaciones. Estos pueden ser sobre cualquier cosa relacionada con el estudio.
Publicaciones Generales
- Wang P, Liu X, Berzin TM, Glissen Brown JR, Liu P, Zhou C, Lei L, Li L, Guo Z, Lei S, Xiong F, Wang H, Song Y, Pan Y, Zhou G. Effect of a deep-learning computer-aided detection system on adenoma detection during colonoscopy (CADe-DB trial): a double-blind randomised study. Lancet Gastroenterol Hepatol. 2020 Apr;5(4):343-351. doi: 10.1016/S2468-1253(19)30411-X. Epub 2020 Jan 22. Erratum In: Lancet Gastroenterol Hepatol. 2020 Apr;5(4):e3.
- Lin H, Li R, Liu Z, Chen J, Yang Y, Chen H, Lin Z, Lai W, Long E, Wu X, Lin D, Zhu Y, Chen C, Wu D, Yu T, Cao Q, Li X, Li J, Li W, Wang J, Yang M, Hu H, Zhang L, Yu Y, Chen X, Hu J, Zhu K, Jiang S, Huang Y, Tan G, Huang J, Lin X, Zhang X, Luo L, Liu Y, Liu X, Cheng B, Zheng D, Wu M, Chen W, Liu Y. Diagnostic Efficacy and Therapeutic Decision-making Capacity of an Artificial Intelligence Platform for Childhood Cataracts in Eye Clinics: A Multicentre Randomized Controlled Trial. EClinicalMedicine. 2019 Mar 17;9:52-59. doi: 10.1016/j.eclinm.2019.03.001. eCollection 2019 Mar.
- Liu Y, Jain A, Eng C, Way DH, Lee K, Bui P, Kanada K, de Oliveira Marinho G, Gallegos J, Gabriele S, Gupta V, Singh N, Natarajan V, Hofmann-Wellenhof R, Corrado GS, Peng LH, Webster DR, Ai D, Huang SJ, Liu Y, Dunn RC, Coz D. A deep learning system for differential diagnosis of skin diseases. Nat Med. 2020 Jun;26(6):900-908. doi: 10.1038/s41591-020-0842-3. Epub 2020 May 18.
- Han SS, Park I, Eun Chang S, Lim W, Kim MS, Park GH, Chae JB, Huh CH, Na JI. Augmented Intelligence Dermatology: Deep Neural Networks Empower Medical Professionals in Diagnosing Skin Cancer and Predicting Treatment Options for 134 Skin Disorders. J Invest Dermatol. 2020 Sep;140(9):1753-1761. doi: 10.1016/j.jid.2020.01.019. Epub 2020 Mar 31.
- Sellheyer K, Bergfeld WF. A retrospective biopsy study of the clinical diagnostic accuracy of common skin diseases by different specialties compared with dermatology. J Am Acad Dermatol. 2005 May;52(5):823-30. doi: 10.1016/j.jaad.2004.11.072.
- Cui X, Wei R, Gong L, Qi R, Zhao Z, Chen H, Song K, Abdulrahman AAA, Wang Y, Chen JZS, Chen S, Zhao Y, Gao X. Assessing the effectiveness of artificial intelligence methods for melanoma: A retrospective review. J Am Acad Dermatol. 2019 Nov;81(5):1176-1180. doi: 10.1016/j.jaad.2019.06.042. Epub 2019 Jun 27.
- Tschandl P, Codella N, Akay BN, Argenziano G, Braun RP, Cabo H, Gutman D, Halpern A, Helba B, Hofmann-Wellenhof R, Lallas A, Lapins J, Longo C, Malvehy J, Marchetti MA, Marghoob A, Menzies S, Oakley A, Paoli J, Puig S, Rinner C, Rosendahl C, Scope A, Sinz C, Soyer HP, Thomas L, Zalaudek I, Kittler H. Comparison of the accuracy of human readers versus machine-learning algorithms for pigmented skin lesion classification: an open, web-based, international, diagnostic study. Lancet Oncol. 2019 Jul;20(7):938-947. doi: 10.1016/S1470-2045(19)30333-X. Epub 2019 Jun 12.
Fechas de registro del estudio
Estas fechas rastrean el progreso del registro del estudio y los envíos de resultados resumidos a ClinicalTrials.gov. Los registros del estudio y los resultados informados son revisados por la Biblioteca Nacional de Medicina (NLM) para asegurarse de que cumplan con los estándares de control de calidad específicos antes de publicarlos en el sitio web público.
Fechas importantes del estudio
Inicio del estudio (ACTUAL)
27 de noviembre de 2020
Finalización primaria (ACTUAL)
27 de noviembre de 2021
Finalización del estudio (ACTUAL)
27 de diciembre de 2021
Fechas de registro del estudio
Enviado por primera vez
13 de noviembre de 2020
Primero enviado que cumplió con los criterios de control de calidad
13 de noviembre de 2020
Publicado por primera vez (ACTUAL)
19 de noviembre de 2020
Actualizaciones de registros de estudio
Última actualización publicada (ACTUAL)
27 de octubre de 2022
Última actualización enviada que cumplió con los criterios de control de calidad
25 de octubre de 2022
Última verificación
1 de octubre de 2022
Más información
Términos relacionados con este estudio
Palabras clave
Términos MeSH relevantes adicionales
Otros números de identificación del estudio
- 2020-3233
Plan de datos de participantes individuales (IPD)
¿Planea compartir datos de participantes individuales (IPD)?
NO
Información sobre medicamentos y dispositivos, documentos del estudio
Estudia un producto farmacéutico regulado por la FDA de EE. UU.
No
Estudia un producto de dispositivo regulado por la FDA de EE. UU.
No
Esta información se obtuvo directamente del sitio web clinicaltrials.gov sin cambios. Si tiene alguna solicitud para cambiar, eliminar o actualizar los detalles de su estudio, comuníquese con register@clinicaltrials.gov. Tan pronto como se implemente un cambio en clinicaltrials.gov, también se actualizará automáticamente en nuestro sitio web. .