Tämä sivu käännettiin automaattisesti, eikä käännösten tarkkuutta voida taata. Katso englanninkielinen versio lähdetekstiä varten.

AI-Assisted Differentiation of Pancreatic Cystic Lesions Using EUS Images and Clinical Features

perjantai 30. lokakuuta 2026 päivittänyt: Ruijin Hospital

Artificial Intelligence-Assisted Differentiation of Pancreatic Mucinous Cystic Neoplasms, Serous Cystic Neoplasms, and Pseudocysts Using Endoscopic Ultrasound Images and Clinical Features: An Ambispective Observational Study

Pancreatic mucinous cystic neoplasms (MCNs), serous cystic neoplasms (SCNs), and pancreatic pseudocysts (PPCs) often exhibit overlapping imaging features on endoscopic ultrasound (EUS). However, these conditions require different clinical management strategies. Accurate differentiation is therefore important for appropriate treatment planning.

This study aims to develop and validate an artificial intelligence (AI) model that integrates EUS images and clinical features to differentiate MCNs, SCNs, and PPCs. The study is designed as an ambispective observational diagnostic study consisting of retrospective model development, prospective temporal validation, and a reader study involving EUS physicians.

Approximately 400 adult patients with confirmed MCN, SCN, or PPC will be included. Retrospective clinical data and EUS images will be used for model development and internal validation. After model development is completed, newly diagnosed patients will be prospectively enrolled to independently evaluate the diagnostic performance of the model.

The primary outcome is the patient-level macro-averaged area under the receiver operating characteristic curve (macro-AUROC) for three-class classification in the prospective validation cohort. Secondary outcomes include diagnostic accuracy, sensitivity, specificity, calibration, clinical net benefit, and the performance of EUS physicians with and without AI assistance.

This study is expected to provide evidence for the potential clinical value of AI-assisted differentiation of pancreatic cystic lesions. No additional invasive procedures or study-specific treatments will be performed.

Tutkimuksen yleiskatsaus

Tila

Tila

Ilmaisee nykyisen rekrytointitilan tai laajennetun pääsyn tilan.
Ei vielä rekrytointia

Ehdot

Ehdot

Sairaus, häiriö, oireyhtymä, sairaus tai vamma, jota tutkitaan. Sivustolla ClinicalTrials.gov olosuhteet voivat sisältää myös muita terveyteen liittyviä kysymyksiä, kuten elinikää, elämänlaatua ja terveysriskejä.

Yksityiskohtainen kuvaus

This study is an ambispective observational diagnostic study designed to develop and independently validate a multimodal artificial intelligence (AI) model for differentiating pancreatic mucinous cystic neoplasms (MCNs), serous cystic neoplasms (SCNs), and pancreatic pseudocysts (PPCs) using endoscopic ultrasound (EUS) images and clinical features.

**Study Design**

Approximately 400 adult patients with a final diagnosis of MCN, SCN, or PPC will be included. The study consists of two stages: retrospective model development and prospective temporal validation. A reader study will also be conducted to evaluate the potential benefits of AI assistance for EUS physicians.

**Stage 1: Retrospective Model Development**

Approximately 310 patients will be retrospectively identified from existing clinical databases. EUS images, clinical characteristics available before EUS examination, and final diagnostic information will be collected.

MCN and SCN diagnoses will be established using surgical or histopathological findings. PPC will be diagnosed according to a predefined composite reference standard based on clinical history, imaging findings, and other relevant diagnostic evidence.

Separate models will be developed using EUS images alone, clinical features alone, and the combination of EUS images and clinical features. Multiple EUS images from the same patient will be aggregated to generate a single patient-level prediction. Patient-level stratified cross-validation will be used for internal validation, with measures implemented to prevent data leakage.

**Stage 2: Prospective Temporal Validation**

After the AI model and analysis procedures have been finalized, approximately 80-100 consecutive eligible patients will be prospectively enrolled for independent temporal validation. These patients will not be used for model training, feature selection, or parameter optimization.

The primary outcome will be the patient-level macro-averaged area under the receiver operating characteristic curve (macro-AUROC) for three-class classification of MCN, SCN, and PPC. Each disease category will be evaluated using a one-vs-rest approach, and the three AUROC values will be averaged. A 95% confidence interval will be estimated using bootstrap resampling.

Secondary evaluations will include overall accuracy, macro-F1 score, weighted F1 score, class-specific sensitivity, specificity, positive predictive value, negative predictive value, model calibration, and clinical net benefit.

**Reader Study**

EUS physicians with different levels of experience will independently evaluate selected cases. Diagnostic performance will be compared among physicians without AI assistance, the AI model alone, and physicians with AI assistance. Diagnostic confidence, interobserver agreement, and interpretation time will also be assessed.

**Model Interpretability**

Gradient-weighted class activation mapping (Grad-CAM) or attention-based visualization will be used to identify image regions contributing to model predictions. Shapley additive explanations (SHAP) will be used to evaluate the contributions of clinical variables.

Exploratory analyses will investigate model performance across predefined patient subgroups, the potential incremental value of EUS videos, and differences among pathological subtypes of MCN.

**Clinical Procedures and Patient Safety**

All EUS examinations, pathological assessments, and clinical treatments will be performed according to routine clinical practice. No additional invasive procedures or study-specific therapeutic interventions will be required. AI predictions during prospective validation will not be used to guide clinical decisions.

Opintotyyppi

Opintotyyppi

Kuvaa kliinisen tutkimuksen luonnetta. Tutkimustyyppejä ovat interventiotutkimukset (kutsutaan myös kliinisiksi kokeiksi), havaintotutkimukset (mukaan lukien potilasrekisterit) ja laajennettu pääsy.
Havainnollistava

Ilmoittautuminen (Arvioitu)

Ilmoittautuminen

Kliinisen tutkimuksen osallistujien määrä. "Odotettu" ilmoittautuminen on tavoitemäärä osallistujia, jonka tutkijat tarvitsevat tutkimukseen.
400

Yhteystiedot ja paikat

Tässä osiossa on tutkimuksen suorittajien yhteystiedot ja tiedot siitä, missä tämä tutkimus suoritetaan.

Opiskeluyhteys

Opiskeluyhteys

Sen henkilön nimi ja yhteystiedot, joka voi vastata kliiniseen tutkimukseen ilmoittautumiskysymyksiin. Jokaisella paikkakunnalla, jossa tutkimus suoritetaan, voi myös olla tietty yhteyshenkilö, joka voi paremmin vastata näihin kysymyksiin.

Opiskelupaikat

  • Kiina
    • Shanghai Municipality
      • Shanghai, Shanghai Municipality, Kiina, 200025
        • Ruijin Hospital, Shanghai Jiao Tong University School of Medicine

Osallistumiskriteerit

Tutkijat etsivät ihmisiä, jotka sopivat tiettyyn kuvaukseen, jota kutsutaan kelpoisuuskriteereiksi. Joitakin esimerkkejä näistä kriteereistä ovat henkilön yleinen terveydentila tai aiemmat hoidot.

Kelpoisuusvaatimukset

Kelpoisuusvaatimukset

Keskeiset vaatimukset, jotka ihmisten, jotka haluavat osallistua kliiniseen tutkimukseen, on täytettävä tai ominaisuudet, jotka heillä on oltava. Kelpoisuuskriteerit koostuvat sekä osallistumiskriteereistä (jotka vaaditaan, jotta henkilö voi osallistua tutkimukseen) että poissulkemisperusteista (jotka estävät henkilöä osallistumasta). Kelpoisuuskriteerityyppejä ovat muun muassa se, otetaanko tutkimukseen terveitä vapaaehtoisia, onko ikä- tai ikäryhmävaatimuksia vai sukupuolen mukaan rajoitettu.

Opintokelpoiset iät

18 vuotta ja vanhemmat (Aikuinen, Vanhempi Aikuinen)

Hyväksyy terveitä vapaaehtoisia

Ei

Sukupuolet, jotka voivat opiskella

Kaikki

Näytteenottomenetelmä

Ei-todennäköisyysnäyte

Tutkimusväestö

The study population will consist of approximately 400 adult patients aged 18 years or older with a final diagnosis of pancreatic mucinous cystic neoplasm (MCN), serous cystic neoplasm (SCN), or pancreatic pseudocyst (PPC) who have undergone endoscopic ultrasound (EUS) at Ruijin Hospital, Shanghai Jiao Tong University School of Medicine. Approximately 310 retrospective patients will be identified from existing clinical records for AI model development and internal validation. An additional 80-100 eligible patients will be consecutively enrolled for prospective temporal validation after model finalization. MCN and SCN diagnoses will be confirmed by pathology, whereas PPC diagnoses will be established using a predefined composite reference standard. Each patient will contribute one independent study sample regardless of the number of available EUS images.

Kuvaus

Inclusion Criteria:

  • **Inclusion Criteria:**

    1. Adults aged 18 years or older, regardless of sex.
    2. Patients who have undergone endoscopic ultrasound (EUS) examination.
    3. A final diagnosis of pancreatic mucinous cystic neoplasm (MCN), serous cystic neoplasm (SCN), or pancreatic pseudocyst (PPC).
    4. For MCN and SCN, a confirmed diagnosis based on surgical or histopathological findings.
    5. For PPC, a diagnosis established according to a predefined composite reference standard incorporating clinical history, imaging findings, and relevant diagnostic evidence.
    6. Availability of at least one EUS image clearly showing the target lesion.
    7. EUS examination performed before surgery, ablation, drainage, or other treatment of the target lesion.
    8. Availability of essential clinical information corresponding to the EUS examination.
    9. For the prospective validation cohort, enrollment after model finalization and provision of written informed consent according to the approved ethics protocol.

**Exclusion Criteria:**

  1. Severely degraded EUS image quality preventing reliable identification of the target lesion.
  2. Availability of only post-treatment or postoperative EUS images, without pretreatment imaging.
  3. Lack of reliable pathological confirmation for MCN or SCN.
  4. Inability to establish a clear correspondence between the EUS images and the pathologically confirmed lesion.
  5. Uncertain or disputed final diagnosis that remains unresolved after expert review.
  6. Concurrent pancreatic cystic neoplasms for which the target lesion cannot be clearly identified.
  7. Other pancreatic lesions, including intraductal papillary mucinous neoplasms (IPMNs), solid pseudopapillary neoplasms (SPNs), cystic neuroendocrine tumors, or cystic degeneration of solid tumors.
  8. Substantial missing clinical information preventing multimodal analysis.
  9. Refusal to provide or withdrawal of informed consent during the prospective phase.

Exclusion Criteria:

-

Opintosuunnitelma

Tässä osiossa on tietoja tutkimussuunnitelmasta, mukaan lukien kuinka tutkimus on suunniteltu ja mitä tutkimuksella mitataan.

Miten tutkimus on suunniteltu?

Suunnittelun yksityiskohdat

  • Havaintomallit: COHORT
  • Aikanäkymät: OTHER

Kohortit ja interventiot

Ryhmä/Kohortti

Ryhmä/Kohortti

Ryhmä tai alaryhmä havainnointitutkimuksen osallistujia, jonka biolääketieteelliset tai terveydelliset tulokset arvioidaan.
Mucinous Cystic Neoplasm (MCN)

Adult patients with pancreatic mucinous cystic neoplasms (MCNs) confirmed by surgical or histopathological examination. Eligible patients will have undergone endoscopic ultrasound (EUS) as part of routine clinical care. EUS images and pre-examination clinical data will be collected for AI model development and validation. Both retrospective and prospective cases will be included.
Serous Cystic Neoplasm (SCN)

Adult patients with pancreatic serous cystic neoplasms (SCNs) confirmed by surgical or histopathological examination. Eligible patients will have undergone endoscopic ultrasound (EUS) as part of routine clinical care. EUS images and pre-examination clinical data will be collected for AI model development and validation. Both retrospective and prospective cases will be included.
Pancreatic Pseudocyst (PPC)

Adult patients diagnosed with pancreatic pseudocysts (PPCs) according to a predefined composite reference standard incorporating clinical history, imaging findings, and relevant diagnostic evidence. Eligible patients will have undergone endoscopic ultrasound (EUS) as part of routine clinical care. EUS images and pre-examination clinical data will be collected for AI model development and validation. Both retrospective and prospective cases will be included.

Mitä tutkimuksessa mitataan?

Ensisijaiset tulostoimenpiteet

Ensisijaiset tulostoimenpiteet

Kliinisen tutkimuksen protokollassa suunniteltu tulosmittaus, joka on tärkein toimenpiteen/hoidon vaikutuksen arvioinnissa. Useimmilla kliinisillä tutkimuksilla on yksi ensisijainen tulosmittaus, mutta joissakin on useampia kuin yksi.
Tulosmittaus
Toimenpiteen kuvaus
Aikaikkuna
Patient-Level Macro-AUROC of the Multimodal AI Model for Three-Class Classification of MCN, SCN, and PPC
Aikaikkuna: At completion of diagnostic assessment in the prospective temporal validation cohort, through December 2028.

The diagnostic performance of the locked multimodal artificial intelligence (AI) model will be evaluated in an independent prospective temporal validation cohort using the patient-level macro-averaged area under the receiver operating characteristic curve (macro-AUROC). One-vs-rest AUROC will be calculated separately for mucinous cystic neoplasms (MCNs), serous cystic neoplasms (SCNs), and pancreatic pseudocysts (PPCs). The three AUROC values will then be averaged with equal weighting. Each patient will contribute one final prediction, and 95% confidence intervals will be estimated using bootstrap resampling. Higher values indicate better discrimination.
At completion of diagnostic assessment in the prospective temporal validation cohort, through December 2028.

Toissijaiset tulostoimenpiteet

Toissijaiset tulostoimenpiteet

Kliinisen tutkimuksen protokollassa suunniteltu tulosmittaus, joka ei ole yhtä tärkeä kuin ensisijainen tulosmitta toimenpiteen vaikutuksen arvioinnissa, mutta joka on silti kiinnostava. Useimmissa kliinisissä tutkimuksissa on enemmän kuin yksi toissijainen tulosmitta.
Tulosmittaus
Toimenpiteen kuvaus
Aikaikkuna
Overall Patient-Level Classification Accuracy of the AI Model
Aikaikkuna: At completion of diagnostic assessment in the prospective temporal validation cohort, through December 2028.

Overall accuracy will be calculated as the proportion of patients correctly classified as MCN, SCN, or PPC among all patients evaluated in the prospective validation cohort. Accuracy will be reported as a percentage with a 95% confidence interval.
At completion of diagnostic assessment in the prospective temporal validation cohort, through December 2028.
Macro-Averaged F1 Score of the AI Model
Aikaikkuna: At completion of diagnostic assessment in the prospective temporal validation cohort, through December 2028.

The F1 score will be calculated separately for MCN, SCN, and PPC using the harmonic mean of precision and recall. The macro-F1 score will be calculated as the unweighted average of the three class-specific F1 scores. Values range from 0 to 1, with higher values indicating better classification performance.
At completion of diagnostic assessment in the prospective temporal validation cohort, through December 2028.
Difference in Patient-Level Macro-AUROC Between Multimodal and Unimodal AI Models
Aikaikkuna: At completion of diagnostic assessment in the prospective temporal validation cohort, through December 2028.

The difference in patient-level macro-AUROC between the locked multimodal AI model and each unimodal model (EUS image-only and clinical feature-only) will be calculated in the independent prospective validation cohort. Each comparison will be reported as the arithmetic difference in macro-AUROC, with positive values indicating better discrimination by the multimodal model.
At completion of diagnostic assessment in the prospective temporal validation cohort, through December 2028.
Calibration Intercept of the Multimodal AI Model
Aikaikkuna: At completion of diagnostic assessment in the prospective temporal validation cohort, through December 2028.

The calibration intercept of the locked multimodal AI model will be estimated in the prospective validation cohort to assess systematic overestimation or underestimation of predicted probabilities. A value closer to 0 indicates better calibration.
At completion of diagnostic assessment in the prospective temporal validation cohort, through December 2028.
Change in Physicians' Diagnostic Accuracy With AI Assistance
Aikaikkuna: At completion of diagnostic assessment in the prospective temporal validation cohort, through December 2028.

EUS physicians with different levels of experience will evaluate cases with and without AI assistance. The primary measure for the reader study will be the paired difference in patient-level three-class diagnostic accuracy between AI-assisted and unaided interpretation. Additional reader outcomes will include macro-AUROC, macro-F1 score, diagnostic confidence, interobserver agreement, and interpretation time.
At completion of diagnostic assessment in the prospective temporal validation cohort, through December 2028.
Difference in Patient-Level Classification Accuracy Between Multimodal and Unimodal AI Models
Aikaikkuna: At completion of diagnostic assessment in the prospective temporal validation cohort, through December 2028.

The difference in overall patient-level classification accuracy between the locked multimodal AI model and each unimodal model (EUS image-only and clinical feature-only) will be calculated in the independent prospective validation cohort. Differences will be expressed in percentage points, with positive values indicating higher accuracy for the multimodal model.
At completion of diagnostic assessment in the prospective temporal validation cohort, through December 2028.
Calibration Slope of the Multimodal AI Model
Aikaikkuna: At completion of diagnostic assessment in the prospective temporal validation cohort, through December 2028.

The calibration slope of the locked multimodal AI model will be estimated in the prospective validation cohort to assess the agreement between the spread of predicted probabilities and observed outcomes. A value closer to 1 indicates better calibration.
At completion of diagnostic assessment in the prospective temporal validation cohort, through December 2028.
Multiclass Brier Score of the Multimodal AI Model
Aikaikkuna: At completion of diagnostic assessment in the prospective temporal validation cohort, through December 2028.

The multiclass Brier score will be calculated as the mean, across patients, of the sum of squared differences between the predicted probabilities for MCN, SCN, and PPC and their corresponding observed class indicators. The unnormalised score ranges from 0 to 2, with lower values indicating better probabilistic predictions.
At completion of diagnostic assessment in the prospective temporal validation cohort, through December 2028.

Yhteistyökumppanit ja tutkijat

Täältä löydät tähän tutkimukseen osallistuvat ihmiset ja organisaatiot.

Sponsori

Sponsori

Organisaatio tai henkilö, joka käynnistää tutkimuksen ja jolla on valtuudet ja määräysvalta tutkimuksessa.
Ruijin Hospital

Opintojen ennätyspäivät

Nämä päivämäärät seuraavat ClinicalTrials.gov-sivustolle lähetettyjen tutkimustietueiden ja yhteenvetojen edistymistä. National Library of Medicine (NLM) tarkistaa tutkimustiedot ja raportoidut tulokset varmistaakseen, että ne täyttävät tietyt laadunvalvontastandardit, ennen kuin ne julkaistaan ​​julkisella verkkosivustolla.

Opi tärkeimmät päivämäärät

Opiskelun aloitus (Arvioitu)

Opiskelun aloitus

Todellinen päivämäärä, jolloin ensimmäinen osallistuja otettiin mukaan kliiniseen tutkimukseen. "Odotettu" tutkimuksen aloituspäivä on päivämäärä, jonka tutkijat uskovat olevan tutkimuksen aloituspäivä.
Sunnuntai 1. marraskuuta 2026

Ensisijainen valmistuminen (Arvioitu)

Ensisijainen valmistuminen

Päivämäärä, jolloin viimeinen kliinisen tutkimuksen osallistuja tutkittiin tai jona hän sai intervention lopullisen datan keräämiseksi ensisijaista tulosmittausta varten. Tähän päivämäärään ei vaikuta se, päättyikö kliininen tutkimus protokollan mukaisesti vai lopetettiinko se. Kliinisissä tutkimuksissa, joissa on useampi kuin yksi ensisijainen tulosmitta ja eri päättymispäivämäärät, tämä termi viittaa päivämäärään, jolloin kaikkien ensisijaisten tulosmittausten tiedonkeruu on saatu päätökseen. "Odotettu" ensisijainen valmistumispäivä on päivämäärä, jonka tutkijat uskovat olevan tutkimuksen ensisijainen valmistumispäivä.
Perjantai 30. kesäkuuta 2028

Opintojen valmistuminen (Arvioitu)

Opintojen valmistuminen

Päivämäärä, jolloin viimeinen kliinisen tutkimuksen osallistuja tutkittiin tai jona hän sai interventiota/hoitoa lopullisen datan keräämiseksi ensisijaisia ​​tulosmittauksia, toissijaisia ​​tulosmittauksia ja haittatapahtumia varten (eli viimeisen osallistujan viimeinen käynti). "Odotettu" tutkimuksen päättymispäivä on päivämäärä, jonka tutkijat uskovat olevan tutkimuksen päättymispäivä.
Lauantai 30. joulukuuta 2028

Opintoihin ilmoittautumispäivät

Ensimmäinen lähetetty

Ensimmäinen lähetetty

Päivämäärä, jolloin tutkimuksen sponsori tai tutkija ensimmäisen kerran toimitti tutkimustietueen ClinicalTrials.gov Ensimmäisen lähetyspäivän ja tietueen saatavuuden ClinicalTrials.gov-sivustolla (ensimmäinen julkaisupäivämäärä) välillä on yleensä muutaman päivän viive.
Torstai 22. lokakuuta 2026

Ensimmäinen toimitettu, joka täytti QC-kriteerit

Ensimmäinen toimitettu, joka täytti QC-kriteerit

Päivämäärä, jolloin tutkimuksen rahoittaja tai tutkija lähettää ensimmäisen kerran tutkimustietueen, joka on yhdenmukainen National Library of Medicine (NLM) -laadunvalvonnan (QC) tarkistuskriteereillä. Toimeksiantajan tai tutkijan on ehkä tarkistettava ja toimitettava tutkimustietue yhden tai useamman kerran, ennen kuin NLM laadunvalvontatarkastuksen kriteerit täyttyvät. Toimeksiantajan tai tutkijan vastuulla on varmistaa, että tutkimustietue on yhdenmukainen NLM laadunvalvontatarkastuskriteerien kanssa.
Perjantai 30. lokakuuta 2026

Ensimmäinen Lähetetty (Todellinen)

Ensimmäinen Lähetetty

Päivämäärä, jolloin tutkimustietue oli ensimmäisen kerran saatavilla ClinicalTrials.gov -sivustolla National Library of Medicine (NLM) -laadunvalvontatarkastuksen (QC) tarkastuksen jälkeen. Tutkimuksen toimeksiantajan tai tutkijan tutkimustietueen toimittamisen ja ensimmäisen julkaisupäivän välillä on tyypillisesti muutaman päivän viive.
Torstai 5. marraskuuta 2026

Tutkimustietojen päivitykset

Viimeisin päivitys julkaistu (Todellinen)

Viimeisin päivitys julkaistu

Viimeisin päivämäärä, jolloin tutkimustietueen muutokset otettiin käyttöön osoitteessa ClinicalTrials.gov. Voi olla viive sen välillä, kun tutkimuksen sponsori tai tutkija on toimittanut muutokset ClinicalTrials.gov-sivustolle (viimeinen päivityksen lähetyspäivä) ja viimeisen päivityksen julkaisupäivämäärän välillä.
Torstai 5. marraskuuta 2026

Viimeisin lähetetty päivitys, joka täytti QC-kriteerit

Viimeisin lähetetty päivitys, joka täytti QC-kriteerit

Viimeisin päivämäärä, jolloin tutkimuksen rahoittaja tai tutkija on toimittanut tutkimustietueeseen muutoksia, jotka ovat yhdenmukaisia ​​National Library of Medicine (NLM) -laadunvalvonnan (QC) tarkistuskriteereillä. Toimeksiantajan tai tutkijan vastuulla on varmistaa, että tutkimustietue on yhdenmukainen NLM laadunvalvontatarkastuskriteerien kanssa.
Perjantai 30. lokakuuta 2026

Viimeksi vahvistettu

Viimeksi vahvistettu

Viimeisin päivämäärä, jolloin tutkimuksen rahoittaja tai tutkija vahvisti kliinisen tutkimuksen tiedot ClinicalTrials.gov-sivustolla oikeiksi ja ajantasaisiksi. Jos tutkimus, jonka rekrytointitila on rekrytointi; ei vielä rekrytoi; tai aktiivinen, ei rekrytointia ole varmistettu viimeisen 2 vuoden aikana, tutkimuksen rekrytointistatus näytetään tuntemattomana.
Torstai 1. lokakuuta 2026

Lisää tietoa

Tähän tutkimukseen liittyvät termit

Avainsanat

Muita asiaankuuluvia MeSH-ehtoja

Muut tutkimustunnusnumerot

Muut tutkimustunnusnumerot

Muut tunnisteet tai tunnusnumerot kuin NCT-numero, jotka tutkimuksen sponsori, rahoittaja tai joku muu on määrittänyt kliiniselle tutkimukselle. Nämä numerot voivat sisältää yksilöllisiä tunnisteita muista tutkimusrekistereistä ja National Institutes of Health -apurahojen numeroista.
  • MR-31-26-085874

Yksittäisten osallistujien tietojen suunnitelma (IPD)

Aiotko jakaa yksittäisten osallistujien tietoja (IPD)?

EI

Lääke- ja laitetiedot, tutkimusasiakirjat

Tutkii yhdysvaltalaista FDA sääntelemää lääkevalmistetta

Ei

Tutkii yhdysvaltalaista FDA sääntelemää laitetuotetta

Ei

Nämä tiedot haettiin suoraan verkkosivustolta clinicaltrials.gov ilman muutoksia. Jos sinulla on pyyntöjä muuttaa, poistaa tai päivittää tutkimustietojasi, ota yhteyttä register@clinicaltrials.gov. Heti kun muutos on otettu käyttöön osoitteessa clinicaltrials.gov, se päivitetään automaattisesti myös verkkosivustollemme .

Evästeasetukset

Käytämme evästeitä varmistaaksemme, että annamme sinulle parhaan kokemuksen verkkosivustollamme. Lisätietoja on tietosuoja- ja evästekäytännössämme. ...>>>Voit muuttaa asetuksiasi tai peruuttaa suostumuksesi milloin tahansa poistamalla evästeet verkkosivustoltasi tai tietokoneeltasi käytännössä kuvatulla tavalla. Hyväksy se ja valitse mieltymyksesi merkitsemällä vastaavat ruudut alla olevaan "Asetusten hallinta" -osioon. Lue huolellisesti käyttöehdot ennen kuin jatkat minkä tahansa tämän verkkosivuston osan käyttöä.
«Hallitse asetuksia