- ICH GCP
- Registro de ensayos clínicos de EE. UU.
- Ensayo clínico NCT05651360
Rendimiento diagnóstico de la TC de dosis baja para afecciones abdominales agudas (DETECT_Acute)
Rendimiento diagnóstico de la reconstrucción de imágenes de aprendizaje profundo en TC de dosis baja para la detección de afecciones abdominales agudas
El objetivo de este estudio observacional de no inferioridad es evaluar el rendimiento diagnóstico de la TC de dosis baja con reconstrucción de imágenes de aprendizaje profundo (DLIR) en participantes adultos con afecciones abdominales agudas. La pregunta principal de investigación es:
• ¿Puede la TC de dosis baja con DLIR lograr el mismo rendimiento diagnóstico que la TC estándar para el diagnóstico de afecciones abdominales agudas?
Los participantes serán examinados con una TC de dosis baja adicional directamente después de la TC estándar. El participante será sus propios controles.
Descripción general del estudio
Estado
Intervención / Tratamiento
Descripción detallada
Antecedentes La tomografía computarizada (TC) se ha convertido en una herramienta esencial en la medicina clínica moderna. Con una amplia disponibilidad, se ha observado un rápido aumento en el uso de imágenes por TC en las últimas décadas. Con el aumento asociado de la exposición a la radiación, el posible aumento del riesgo de malignidad inducida por la radiación se ha convertido en un problema de salud pública. Esto es especialmente cierto para las tomografías computarizadas del abdomen y la pelvis, que actualmente representan el 50 % de la dosis colectiva de tomografía computarizada. Dado que el beneficio de la reducción de la dosis en general se ve contrarrestado por el deterioro de la calidad de la imagen, en la práctica clínica se aspira a avances tecnológicos para reducir la dosis de radiación sin comprometer la calidad de la imagen.
En la reconstrucción de imágenes de TC, la retroproyección filtrada (FBP) ha sido el algoritmo de técnica de reconstrucción de imágenes dominante desde principios de la década de 1970, complementado por los primeros algoritmos comerciales de reconstrucción iterativa (IR) en 2009.
Un novedoso algoritmo de reconstrucción de imágenes de aprendizaje profundo (DLIR) recibió aprobación clínica en 2019 (TrueFidelity, GE Healthcare, Milwaukee, WI). También están surgiendo otros algoritmos específicos de proveedores para la reconstrucción de imágenes de aprendizaje profundo (AiCE, Canon Medical Systems, Otawara, Japón). Como se explica en un documento técnico, después de haber sido entrenado con conjuntos de datos de FBP de dosis alta y baja en casos de pacientes y fantasmas, el algoritmo DLIR se esfuerza por suprimir el ruido de la imagen sin comprometer la calidad de la imagen. El uso de la reconstrucción de imágenes de aprendizaje profundo ha demostrado potencial para mejorar la calidad de la imagen y reducir la dosis sin cambiar la textura del ruido.
Para los pacientes con afecciones abdominales agudas, la TC del abdomen y la pelvis se considera el mejor enfoque diagnóstico de primera o segunda línea. Para estos pacientes es de gran importancia un diagnóstico rápido y certero para evitar retrasos en el tratamiento y complicaciones posteriores como perforación gastrointestinal en caso de apendicitis o diverticulitis. Por otro lado, también es importante evitar intervenciones quirúrgicas innecesarias y las complicaciones relacionadas. Por lo tanto, un posible protocolo de TC de dosis baja debe proporcionar un rendimiento diagnóstico no inferior para facilitar un diagnóstico rápido y evitar el sobretratamiento y los exámenes no concluyentes.
Se han informado resultados prometedores con respecto a los exámenes de TC de dosis baja con IR basada en modelos y una reducción de la dosis de hasta un 75-80%. Sin embargo, con la introducción de DLIR parece factible reducir aún más la dosis. Nuestros propios resultados de un estudio de percepción de la calidad de la imagen con DLIR indican que una reducción de la dosis de hasta un 92,5 % en comparación con la TC estándar podría preservar una calidad de imagen diagnóstica aceptable (trabajo aún no publicado).
Sobre esta base, el propósito de este estudio es evaluar el rendimiento diagnóstico de la TC de dosis baja con DLIR para el diagnóstico de afecciones abdominales agudas en un entorno de no inferioridad con una muestra de gran tamaño proporcionada por dos importantes centros de trauma en el norte de Europa.
Objetivos
Primario:
Evaluar el rendimiento diagnóstico para afecciones abdominales agudas de la TC de dosis baja mejorada con contraste con DLIR "TrueFidelity" (TF) en comparación con la TC de dosis completa estándar.
Secundario:
Evaluar calidad de imagen técnica y percibida (cualitativa y cuantitativamente).
Ética
Se obtendrá la aprobación del comité de ética regional y del oficial de protección de datos de la institución.
Se obtendrá el consentimiento informado por escrito de todos los participantes. Este proyecto estará de acuerdo con la Declaración de Helsinki.
Riesgos Existen riesgos mínimos debido a un ligero aumento en la exposición a la radiación. La exposición adicional a la radiación del 27,5 % se encuentra dentro de la variación nacional de la exposición a la radiación de los exámenes de TC realizados para las tareas clínicas correspondientes. Los investigadores estimaron la dosis efectiva adicional media en 1,5 mSv, que corresponde a unos 4 meses de exposición natural a la radiación de fondo en Noruega (4,1 mSv/año). La exposición adicional a la radiación se traduce en un exceso de riesgo teórico de por vida de cáncer mortal inducido por radiación entre 0,004 y 0,03 %. Los riesgos clínicos de esta exposición se consideran mínimos/no significativos.
Material y Métodos El estudio se registrará en ClinicalTrials.gov antes de la iniciación. Los métodos y resultados del estudio se informarán de acuerdo con la declaración de Estándares para la presentación de informes de estudios de precisión diagnóstica (STARD) de 2015. Cabe señalar que el Grupo Directivo de STARD-AI está preparando una extensión específica de AI. Si estas pautas de STARD-AI se publican antes del final del estudio, los hallazgos también se informarán de acuerdo con el presente. Para compensar los elementos específicos de la IA que no se abordan en STARD, los investigadores, cuando sea pertinente, se basarán en la Lista de verificación para la inteligencia artificial en imágenes médicas (CLAIM), que sigue el modelo de la directriz STARD.
Piloto Se realizará un estudio piloto que incluye 10 pacientes divididos equitativamente entre Oslo y Odense para permitir la prueba de la logística del estudio y los ajustes del nivel de dosis de radiación de la TC de dosis baja.
Protocolo de examen/imágenes Los exámenes se llevarán a cabo de acuerdo con los procedimientos de rutina locales y los protocolos de TC establecidos (escáner de TC: GE Revolution).
Además de la TC con el protocolo de examen estándar, se realizará una tomografía computarizada de baja dosis, que no supere el 30 % de la dosis de radiación de la TC estándar. Las imágenes de TC de dosis baja se reconstruirán con TF alta. La TC de dosis baja se realizará directamente después de la TC estándar para evitar el sesgo de las diferencias en el tiempo de la fase de contraste.
Ubicación y población local del estudio El estudio se llevará a cabo como un estudio multicéntrico en el que participarán Oslo y Odense con recopilación prospectiva de datos.
La población total estimada del estudio se dividirá en partes iguales entre los dos hospitales.
Evaluación de imágenes La TC de baja dosis no se utilizará con fines de diagnóstico o tratamiento de pacientes. La evaluación y la comparación de imágenes se realizarán de forma separada del flujo de trabajo de rutina clínica.
Todos los exámenes de TC de baja dosis serán evaluados de forma independiente por dos radiólogos residentes y por dos radiólogos experimentados especializados en radiología abdominal con más de 10 años de experiencia en TC abdominal. Los lectores estarán cegados para toda la información de exámenes anteriores, el informe de TC primario, cualquier hallazgo de los otros lectores, toda la información relacionada con el tratamiento y para el diagnóstico final.
Tendrán acceso a derivaciones clínicas y pruebas de laboratorio realizadas antes del examen de TC original. La evaluación de imágenes se realizará en el entorno clínico de los radiólogos utilizando monitores de diagnóstico.
En el análisis de resultados, el diagnóstico de cada paciente de la TC de dosis baja se comparará con el diagnóstico radiológico original basado en la TC de dosis completa.
Para el acuerdo entre los lectores, se presentará dos veces a cada lector una selección aleatoria del 10 % de los casos.
La calidad de la imagen técnica se evalúa colocando las regiones de interés (ROI) en un segmento homogéneo de la vena porta, la aorta del parénquima hepático normal adyacente, los músculos erectores de la columna y en la grasa subcutánea. Se calculará la relación de contraste a ruido (CNR).
La calidad de imagen percibida será evaluada por al menos dos radiólogos en una escala tipo Likert según los criterios de calidad de imagen basados en las directrices europeas para la calidad de imagen en TC abdominal.
Estadísticas Se utilizará software estadístico dedicado como Stata y SPSS para el análisis de los datos del estudio. El nivel de significación alfa se establecerá en 5% y se utilizarán intervalos de confianza del 95%. Las estadísticas de Kappa se utilizarán para el acuerdo inter e intralector. La regresión logística se utilizará para la evaluación de la calidad de la imagen. Se utilizarán pruebas paramétricas o no paramétricas apropiadas para la evaluación de variables numéricas. El rendimiento diagnóstico estará definido por el área bajo la curva, sensibilidad, especificidad, valor predictivo positivo y negativo. Las diferencias significativas en sensibilidad y especificidad serán determinadas por la prueba de McNemar.
Cálculo del poder estadístico y tamaño de la muestra Se utilizará un diseño de estudio de no inferioridad para demostrar la no inferioridad con respecto al rendimiento diagnóstico de la TC de dosis baja en comparación con la TC estándar. Los investigadores estimaron la sensibilidad de la TC estándar en un 90 %. La prevalencia de afecciones abdominales agudas con una correlación visible en la TC estándar se estima en un 70 % entre todas las derivaciones que cumplen los criterios de inclusión. Un margen de no inferioridad del 10 % para la sensibilidad se consideró clínicamente aceptable, es decir, se supuso que la probabilidad de resultados positivos en la TC de dosis baja en caso de TC estándar positiva era del 90 %.
S_L = Probabilidad (CT positivo de dosis baja | CT estándar positivo)
La hipótesis 0 se definió como:
SL_L < 90%
La hipótesis alternativa se definió entonces como:
S_L > 90 % Para identificar una diferencia unilateral del 6 % (aumento) del margen de no inferioridad con una potencia del 80 % y un nivel de significación alfa del 5 %, los investigadores estimaron los pacientes requeridos con resultados positivos de TC en n = 116 (distribución binomial). A continuación, se calculó el número total de pacientes necesarios en 116/0,7 = 166.
Tipo de estudio
Inscripción (Actual)
Contactos y Ubicaciones
Criterios de participación
Criterio de elegibilidad
Edades elegibles para estudiar
Acepta Voluntarios Saludables
Método de muestreo
Población de estudio
Descripción
Criterios de inclusión:
- Pacientes en evaluación por un cuadro abdominal agudo que son remitidos a TAC de abdomen y pelvis.
- Edad >18 años
- Los pacientes deben poder dar su consentimiento oral y escrito para participar en el estudio.
Criterio de exclusión:
- Contraindicaciones con respecto a los exámenes de TC mejorados con contraste, como reacciones adversas conocidas a los medios de contraste yodados o claustrofobia.
- El embarazo.
Plan de estudios
¿Cómo está diseñado el estudio?
Detalles de diseño
- Modelos observacionales: Grupo
- Perspectivas temporales: Futuro
Cohortes e Intervenciones
Grupo / Cohorte |
Intervención / Tratamiento |
|---|---|
|
Dolor abdominal
Participantes en evaluación por una condición abdominal aguda que son remitidos a TC de abdomen y pelvis.
|
Se realizará una tomografía computarizada de dosis baja, sin exceder el 30 % de la dosis de radiación de la tomografía computarizada estándar.
Las imágenes de TC de dosis baja se reconstruirán con TrueFidelity alto.
La TC de dosis baja se realizará directamente después de la TC estándar para evitar el sesgo de las diferencias en el tiempo de la fase de contraste.
|
¿Qué mide el estudio?
Medidas de resultado primarias
Medida de resultado |
Medida Descripción |
Periodo de tiempo |
|---|---|---|
|
Diagnostic performance of low-dose CT
Periodo de tiempo: 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
|
Medidas de resultado secundarias
Medida de resultado |
Medida Descripción |
Periodo de tiempo |
|---|---|---|
|
Diagnostic performance
Periodo de tiempo: 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
Periodo de tiempo: 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.
Periodo de tiempo: 6 to 12 month
|
Reading time difference between low-dose CT and standard CT.
|
6 to 12 month
|
|
Perceived image quality
Periodo de tiempo: 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
Periodo de tiempo: 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
Periodo de tiempo: 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
Periodo de tiempo: 6 to 12 months
|
Descriptive exploration of diagnoses among patients referred to CT examinations; diagnoses according to ICD 10.
|
6 to 12 months
|
Colaboradores e Investigadores
Patrocinador
Colaboradores
Investigadores
- Investigador principal: Anselm Schulz, PhD, Oslo University Hospital
Publicaciones y enlaces útiles
Publicaciones Generales
- 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.
Fechas de registro del estudio
Fechas importantes del estudio
Inicio del estudio (Actual)
Finalización primaria (Actual)
Finalización del estudio (Actual)
Fechas de registro del estudio
Enviado por primera vez
Primero enviado que cumplió con los criterios de control de calidad
Publicado por primera vez (Actual)
Actualizaciones de registros de estudio
Última actualización publicada (Actual)
Última actualización enviada que cumplió con los criterios de control de calidad
Última verificación
Más información
Términos relacionados con este estudio
Palabras clave
Términos MeSH relevantes adicionales
- Dolor
- Manifestaciones neurológicas
- Procesos Patológicos
- Signos y Síntomas Digestivos
- Enfermedades intestinales
- Infecciones
- Enfermedades del Sistema Digestivo
- Enfermedades Gastrointestinales
- Enfermedades pancreáticas
- Enfermedades del Tracto Biliar
- Gastroenteritis
- Enfermedades de la vesícula biliar
- Enfermedades del ciego
- Infecciones intraabdominales
- Condiciones Patológicas, Signos y Síntomas
- Signos y síntomas
- Colecistitis
- Dolor abdominal
- Pancreatitis
- Enfermedad
- Dolor agudo
- Colecistitis Aguda
- Apendicitis
Otros números de identificación del estudio
- PVO ref. 22/11840
- 22/11840 (Otro identificador: Data protection officer at Oslo University Hospital)
- 468490 (Otro identificador: Regional Comittees for Medical Research Ethics South East)
Plan de datos de participantes individuales (IPD)
¿Planea compartir datos de participantes individuales (IPD)?
Descripción del plan IPD
Información sobre medicamentos y dispositivos, documentos del estudio
Estudia un producto farmacéutico regulado por la FDA de EE. UU.
Estudia un producto de dispositivo regulado por la FDA de EE. UU.
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. .