Calibración de Incertidumbre Humano-IA para una Mejor Segmentación de Lesiones Cutáneas
El Efecto de la Calibración de Incertidumbre Humano-IA vs. la Incertidumbre de IA Sola en la Precisión Diagnóstica de Expertos Humanos para Lesiones Cutáneas - un Ensayo Controlado Aleatorizado.
El objetivo de este estudio controlado aleatorizado es comparar el efecto de un nuevo modelo de decisión personalizado consciente de la incertidumbre (FDM) con un modelo estándar de reconocimiento de imágenes para mejorar la precisión diagnóstica mientras se reduce la incertidumbre diagnóstica en dermatólogos experimentados encargados de diferenciar entre melanomas, lunares y otras lesiones cutáneas benignas. La principal pregunta que pretende responder: ¿Es el FDM un método factible para una asociación humano-IA mejorada en la que se construye confianza, se evitan diagnósticos erróneos y la incertidumbre se introduce o reduce adecuadamente?
Los investigadores esperan ver solo un ligero aumento en la precisión diagnóstica colectiva para ambas intervenciones, ya que los participantes humanos son dermatólogos expertos y, por lo tanto, tienen altas precisiones antes de la intervención.
Los investigadores esperan ver un mayor aumento en la certeza diagnóstica para la intervención FDM en comparación con la certeza diagnóstica en la intervención del Modelo Base.
Los investigadores esperan ver una mayor cantidad de cambios de diagnóstico de incorrecto a correcto en el grupo FDM en comparación con el grupo del Modelo Base.
Los investigadores no esperan ningún efecto de aprendizaje durante el estudio.
Los participantes comenzarán respondiendo una serie de casos de entrenamiento que consisten en imágenes de lesiones cutáneas. Estos se utilizan para entrenar su FDM individual (solo para el grupo de intervención FDM). A partir de aquí, los participantes serán aleatorizados en dos grupos que determinarán a cuál de las dos intervenciones están expuestos. Los participantes resolverán cada caso sin ninguna intervención primero, y esta respuesta actuará como control.
Descripción general del estudio
Estado
Condiciones
Intervención / Tratamiento
Descripción detallada
Tipo de estudio
Inscripción (Estimado)
Fase
- No aplica
Contactos y Ubicaciones
Estudio Contacto
- Nombre: Julie Renata Bjerremand
- Número de teléfono: +45 53593700
- Correo electrónico: julierenata@outlook.com
Criterios de participación
Criterio de elegibilidad
Edades elegibles para estudiar
- Niño
- Adulto
- Adulto Mayor
Acepta Voluntarios Saludables
Descripción
Criterios de inclusión:
- Dermatólogos certificados por la junta con experiencia clínica en diagnóstico dermatoscópico.
Criterios de exclusión:
- Médicos que aún no han terminado su especialización y dermatólogos.
- Dermatólogos sin experiencia clínica en diagnóstico dermatoscópico.
Plan de estudios
¿Cómo está diseñado el estudio?
Detalles de diseño
- Propósito principal: Diagnóstico
- Asignación: Aleatorizado
- Modelo Intervencionista: Asignación paralela
- Enmascaramiento: Ninguno (etiqueta abierta)
Armas e Intervenciones
Grupo de participantes/brazo |
Intervención / Tratamiento |
|---|---|
|
Comparador activo: Modelo Base
Al participante del estudio se le presenta un caso clínico que incluye datos demográficos del paciente (género, edad, ubicación de la lesión) y dos imágenes de la lesión: 1 imagen general y 1 imagen dermatoscópica. Primero se le pide que indique un diagnóstico inicial junto con su incertidumbre percibida para este caso específico antes de recibir la Intervención 1. Este diagnóstico inicial actuará como control. La Intervención 1 consiste en probabilidades multiclase generadas por IA (a partir de un modelo entrenado con un gran conjunto de datos de imágenes dermatoscópicas y generales similares a las utilizadas para las pruebas) y solo se presenta el diagnóstico más probable acompañado de estimaciones de incertidumbre en porcentaje. Después de la aportación de la IA, se le da al participante del estudio la oportunidad de cambiar su diagnóstico e indicar cualquier posible cambio en la incertidumbre. |
Véase la descripción del brazo.
Otros nombres:
|
|
Experimental: FDM
El diagnóstico inicial y la indicación de incertidumbre autopercibida siguen el mismo procedimiento que para la Intervención 1. La Intervención 2 es el diagnóstico más probable acompañado de una incertidumbre calibrada generada por el modelo FDM (es decir, entrenado con las respuestas previas de los participantes del estudio + las anotaciones de la multitud en los datos de entrenamiento + la predicción del modelo base). Después de la entrada de la IA, se le da al participante del estudio la oportunidad de cambiar su diagnóstico e indicar cualquier posible cambio en la incertidumbre. |
Ver descripción del brazo
Otros nombres:
|
¿Qué mide el estudio?
Medidas de resultado primarias
Medida de resultado |
Medida Descripción |
Periodo de tiempo |
|---|---|---|
|
Precisión
Periodo de tiempo: Inmediatamente después de la intervención.
|
Precisión diagnóstica en la diferenciación entre melanoma, nevus y queratosis benigna.
Definida como el porcentaje de diagnósticos correctos.
La verdad de referencia se basa en diagnósticos verificados histopatológicamente.
|
Inmediatamente después de la intervención.
|
Medidas de resultado secundarias
Medida de resultado |
Medida Descripción |
Periodo de tiempo |
|---|---|---|
|
Incertidumbre
Periodo de tiempo: Inmediatamente después de la intervención.
|
Cambios en la incertidumbre auto-evaluada que varía de 0 (muy incierto) a 10 (muy seguro) desde antes hasta después de la intervención.
|
Inmediatamente después de la intervención.
|
|
Incertidumbre de corte
Periodo de tiempo: Inmediatamente después de la intervención.
|
La incertidumbre autoevaluada de los casos en los que el participante ha hecho clic en un botón de "¿le gustaría comentar este caso con un colega?".
|
Inmediatamente después de la intervención.
|
Otras medidas de resultado
Medida de resultado |
Medida Descripción |
Periodo de tiempo |
|---|---|---|
|
Tiempo
Periodo de tiempo: Inmediatamente después de la intervención.
|
Tiempo desde el inicio hasta la finalización de cada caso con un tiempo dividido correspondiente al final de la fase de control (el momento en que se hace clic en el botón "Mostrar entrada de IA").
|
Inmediatamente después de la intervención.
|
Colaboradores e Investigadores
Colaboradores
Investigadores
- Silla de estudio: Martin Tolsgaard, Professor, Copenhagen Academy for Medical Education and Simulation
Publicaciones y enlaces útiles
Publicaciones Generales
- Kampen, P.J.T. et al. (2026). Uncertainty-Aware Classification: A Human-Guided Bayesian Deep Learning Framework. In: Sudre, C.H., et al. Uncertainty for Safe Utilization of Machine Learning in Medical Imaging. UNSURE 2025. Lecture Notes in Computer Science, vol 16166. Springer, Cham. https://doi.org/10.1007/978-3-032-06593-3_19
Fechas de registro del estudio
Fechas importantes del estudio
Inicio del estudio (Estimado)
Finalización primaria (Estimado)
Finalización del estudio (Estimado)
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
Otros números de identificación del estudio
- F-25076782
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. .