Evaluation of Use of Diagnostic AI for Lung Cancer in Practice
lauantai 20. heinäkuuta 2019 päivittänyt: Ensemble Group Holdings, LLC
This study investigates ways of improving radiologists performance of the classification of CT-scans as cancerous or non-cancerous.
Participants interact with an AI to classify CT-scans under three different conditions.
Tutkimuksen yleiskatsaus
Yksityiskohtainen kuvaus
The three conditions are as follows: "probabilistic classification", where the radiologist diagnoses scans using an AI cancer likelihood score; "classification plus detection", where the radiologist see detecting lung nodules in addition to the AI's probabilistic classification score before making her own examination of the CT-scan; and "classification with delayed detection", where the radiologist identifies regions of interest independently of the AI and then sees the AI's detected ROIs.
Opintotyyppi
Interventio
Ilmoittautuminen (Odotettu)
15
Vaihe
- Ei sovellettavissa
Yhteystiedot ja paikat
Tässä osiossa on tutkimuksen suorittajien yhteystiedot ja tiedot siitä, missä tämä tutkimus suoritetaan.
Opiskelupaikat
-
-
-
Hong Kong, Hong Kong
- University of Hong Kong
-
-
Osallistumiskriteerit
Tutkijat etsivät ihmisiä, jotka sopivat tiettyyn kuvaukseen, jota kutsutaan kelpoisuuskriteereiksi. Joitakin esimerkkejä näistä kriteereistä ovat henkilön yleinen terveydentila tai aiemmat hoidot.
Kelpoisuusvaatimukset
Opintokelpoiset iät
- Lapsi
- Aikuinen
- Vanhempi Aikuinen
Hyväksyy terveitä vapaaehtoisia
Ei
Sukupuolet, jotka voivat opiskella
Kaikki
Kuvaus
Inclusion Criteria:
- The participant performs radiology screenings professionally
Exclusion Criteria:
-
Opintosuunnitelma
Tässä osiossa on tietoja tutkimussuunnitelmasta, mukaan lukien kuinka tutkimus on suunniteltu ja mitä tutkimuksella mitataan.
Miten tutkimus on suunniteltu?
Suunnittelun yksityiskohdat
- Ensisijainen käyttötarkoitus: Diagnostiikka
- Jako: Satunnaistettu
- Inventiomalli: Crossover-tehtävä
- Naamiointi: Yksittäinen
Aseet ja interventiot
Osallistujaryhmä / Arm |
Interventio / Hoito |
|---|---|
|
Kokeellinen: Probabilistic Classification
Radiologists see a "score" from 1-100 that represents the AI's prediction of whether the CT-scan comes from a patient with cancer or not before beginning their analysis of the scan.
|
Exploring what kinds of AI-human interaction improve radiologists detection accuracy.
|
|
Kokeellinen: Classification Plus Detection
Radiologists see a "score" from 1-100 that represents the AI's prediction of whether the CT-scan comes from a patient with cancer or not before beginning their analysis of the scan.
They also see ROIs identified by the AI that represent lung nodules.
|
Exploring what kinds of AI-human interaction improve radiologists detection accuracy.
|
|
Kokeellinen: Classification With Delayed Detection
Radiologists see a "score" from 1-100 that represents the AI's prediction of whether the CT-scan comes from a patient with cancer or not before beginning their analysis of the scan.
After identifying their own ROIs, the radiologist then can see ROIs identified by the AI that represent lung nodules before making final decisions.
|
Exploring what kinds of AI-human interaction improve radiologists detection accuracy.
|
Mitä tutkimuksessa mitataan?
Ensisijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
Classification accuracy
Aikaikkuna: up to 4 months after initiation of evaluation of the test set
|
This compares radiologists' classifications with the ground truth in the tested cases.
|
up to 4 months after initiation of evaluation of the test set
|
Toissijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
detection concordance
Aikaikkuna: up to 4 months after initiation of evaluation of the test set
|
Evaluation of concordance between radiologists in the tested cases in detection of lung nodules > 4 mm
|
up to 4 months after initiation of evaluation of the test set
|
Yhteistyökumppanit ja tutkijat
Täältä löydät tähän tutkimukseen osallistuvat ihmiset ja organisaatiot.
Sponsori
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 (Todellinen)
Perjantai 14. joulukuuta 2018
Ensisijainen valmistuminen (Odotettu)
Sunnuntai 15. joulukuuta 2019
Opintojen valmistuminen (Odotettu)
Sunnuntai 15. joulukuuta 2019
Opintoihin ilmoittautumispäivät
Ensimmäinen lähetetty
Sunnuntai 16. joulukuuta 2018
Ensimmäinen toimitettu, joka täytti QC-kriteerit
Maanantai 17. joulukuuta 2018
Ensimmäinen Lähetetty (Todellinen)
Keskiviikko 19. joulukuuta 2018
Tutkimustietojen päivitykset
Viimeisin päivitys julkaistu (Todellinen)
Tiistai 23. heinäkuuta 2019
Viimeisin lähetetty päivitys, joka täytti QC-kriteerit
Lauantai 20. heinäkuuta 2019
Viimeksi vahvistettu
Maanantai 1. heinäkuuta 2019
Lisää tietoa
Tähän tutkimukseen liittyvät termit
Muita asiaankuuluvia MeSH-ehtoja
Muut tutkimustunnusnumerot
- EN-122018
Yksittäisten osallistujien tietojen suunnitelma (IPD)
Aiotko jakaa yksittäisten osallistujien tietoja (IPD)?
Päättämätön
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 .