- ICH GCP
- Yhdysvaltain kliinisten tutkimusten rekisteri
- Kliininen tutkimus NCT05651360
Pieniannoksisen TT:n diagnostinen suorituskyky akuuteissa vatsasairauksissa (DETECT_Acute)
Syväoppimiskuvan rekonstruktion diagnostinen suorituskyky pieniannoksisessa TT:ssä akuuttien vatsasairauksien havaitsemiseksi
Tämän non-inferiority-havainnointitutkimuksen tavoitteena on arvioida pieniannoksisen TT:n diagnostista suorituskykyä syvän oppimiskuvan rekonstruktiolla (DLIR) aikuisilla osallistujilla, joilla on akuutteja vatsaongelmia. Tutkimuksen pääkysymys on:
• Saavuttaako pieniannoksisella TT:llä DLIR:llä saman diagnostisen suorituskyvyn kuin tavallisella TT:llä akuuttien vatsasairauksien diagnosoinnissa.
Osallistujat tutkitaan ylimääräisellä pieniannoksisella TT:llä heti tavallisen TT:n jälkeen. Osallistuja on oma valvontansa.
Tutkimuksen yleiskatsaus
Tila
Ehdot
Interventio / Hoito
Yksityiskohtainen kuvaus
Tausta Tietokonetomografiasta (CT) on tullut nykyaikaisen kliinisen lääketieteen olennainen työkalu. TT-kuvauksen käytön on havaittu lisääntyneen nopeasti viime vuosikymmeninä laajan saatavuuden myötä. Säteilyaltistuksen lisääntymisen myötä säteilyn aiheuttaman pahanlaatuisen kasvaimen mahdollisesta lisääntymisestä on tullut kansanterveysongelma. Tämä pätee erityisesti vatsan ja lantion TT-kuvauksiin, joiden osuus on tällä hetkellä 50 % kollektiivisesta TT-annoksesta. Koska annoksen pienentämisen hyöty yleensä kompensoituu kuvanlaadun heikkenemisellä, kliinisessä käytännössä tavoitellaan teknologista edistystä säteilyannoksen pienentämiseksi kuvanlaadusta tinkimättä.
CT-kuvan rekonstruktiossa suodatettu takaisinprojektointi (FBP) on ollut hallitseva kuvan rekonstruktiotekniikan algoritmi 1970-luvun alusta lähtien, ja sitä täydennettiin ensimmäisillä kaupallisilla iteratiivisilla rekonstruktioalgoritmeilla (IR) vuonna 2009.
Uusi DLIR-algoritmi (deep learning image reconstruction) sai kliinisen hyväksynnän vuonna 2019 (TrueFidelity, GE Healthcare, Milwaukee, WI). Myös muita toimittajakohtaisia algoritmeja syväoppivan kuvan rekonstruktioon on tulossa (AiCE, Canon Medical Systems, Otawara, Japani). Kuten teknisessä asiakirjassa selitetään, DLIR-algoritmi pyrkii vaimentamaan kuvan kohinaa kuvanlaadusta tinkimättä, koska se on koulutettu käyttämään suuren ja pienen annoksen FBP-tietosarjoja haamu- ja potilastapauksissa. Syväoppivan kuvan rekonstruoinnin käyttö on osoittanut mahdollisuuden parantaa kuvan laatua ja vähentää annosta ilman, että kohinarakenne muuttuu.
Potilaille, joilla on akuutteja vatsaongelmia, vatsan ja lantion TT:tä pidetään parhaana ensimmäisen tai toisen linjan diagnostisena menetelmänä. Näille potilaille nopea ja tarkka diagnoosi on erittäin tärkeä, jotta vältetään hoidon viivästyminen ja myöhemmät komplikaatiot, kuten maha-suolikanavan perforaatio umpilisäkkeen tai divertikuliitin tapauksessa. Toisaalta on myös tärkeää välttää tarpeettomia kirurgisia toimenpiteitä ja siihen liittyviä komplikaatioita. Mahdollisen pieniannoksisen CT-protokollan on siksi tarjottava ei-heikompi diagnostinen suorituskyky nopean diagnoosin helpottamiseksi ja ylihoidon ja epäselvien tutkimusten välttämiseksi.
Lupaavia tuloksia on raportoitu pieniannoksisista TT-tutkimuksista mallipohjaisella IR:llä ja jopa 75-80 prosentin annoksen pienentämisellä. DLIR:n käyttöönoton myötä annoksen pienentäminen näyttää kuitenkin olevan mahdollista. Omat tulokset DLIR:llä tehdystä kuvanlaadun havainnointitutkimuksesta osoittavat, että jopa 92,5 %:n annoksen pienentäminen tavalliseen CT:hen verrattuna saattaa säilyttää hyväksyttävän diagnostisen kuvanlaadun (vielä julkaisematon työ).
Tältä pohjalta tämän tutkimuksen tarkoituksena on arvioida pieniannoksisen CT:n diagnostista suorituskykyä DLIR:llä akuuttien vatsasairauksien diagnosoimiseksi ei-inferiority-ympäristössä, jossa on suuri otoskoko kahdesta suuresta traumakeskuksesta Pohjois-Euroopassa.
Tavoitteet
Ensisijainen:
Arvioida akuuttien vatsasairauksien diagnostista suorituskykyä kontrastitehostetussa pieniannoksisessa CT:ssä DLIR "TrueFidelity" (TF) -tekniikalla verrattuna tavanomaiseen täyden annoksen TT:hen.
Toissijainen:
Arvioida teknistä ja koettua kuvanlaatua (laadullisesti ja määrällisesti).
Etiikka
Hyväksyntä hankitaan alueellisesta eettisestä toimikunnasta ja toimielinten tietosuojavastaavalta.
Kaikilta osallistujilta hankitaan kirjallinen tietoinen suostumus. Tämä hanke tulee olemaan Helsingin julistuksen mukainen.
Riskit Vähäisen säteilyaltistuksen lisääntymisen vuoksi riskit ovat minimaaliset. Ylimääräinen säteilyaltistus 27,5 % kuuluu vastaaviin kliinisiin tehtäviin tehtyjen TT-tutkimusten säteilyaltistuksen kansalliseen vaihteluun. Tutkijat arvioivat keskimääräiseksi efektiiviseksi lisäannokseksi 1,5 mSv, mikä vastaa noin 4 kuukautta luonnollisella taustasäteilyaltistuksella Norjassa (4,1 mSv/vuosi). Ylimääräinen säteilyaltistus merkitsee 0,004 - 0,03 prosentin teoreettisen ylimääräisen elinikäisen säteilyn aiheuttaman syövän riskiä. Tästä altistumisesta aiheutuvien kliinisten riskien katsotaan olevan minimaalisia/ei merkittäviä.
Materiaali ja menetelmät Tutkimus rekisteröidään osoitteessa ClinicalTrials.gov ennen aloitusta. Tutkimusmenetelmät ja -tulokset raportoidaan 2015 Standards for Reporting of Diagnostic Accuracy Studies (STARD) lausunnon mukaisesti. On huomattava, että STARD-AI-ohjausryhmä valmistelee tekoälykohtaista laajennusta. Jos nämä STARD-AI-ohjeet julkaistaan ennen tutkimuksen päättymistä, myös löydökset raportoidaan tämän ohjeen mukaisesti. Kompensoidakseen tekoälykohtaisia elementtejä, joita STARDissa ei käsitellä, tutkijat turvautuvat tarvittaessa lääketieteellisen kuvantamisen tekoälyn tarkistuslistaan (CLAIM), joka on mallinnettu STARD-ohjeiden mukaan.
Pilotti Suoritetaan tutkimuspilotti, jossa 10 potilasta jaetaan tasan Oslon ja Odensen välillä, jotta voidaan testata tutkimuslogistiikkaa ja säätää pieniannoksisen TT:n säteilyannostasoa.
Tutkimusprotokolla / kuvantaminen Tutkimukset suoritetaan paikallisten rutiinimenettelyjen ja vakiintuneiden CT-protokollien mukaisesti (CT-skanneri: GE Revolution).
Vakiotutkimusprotokollan TT:n lisäksi tehdään pieniannoksinen TT-skannaus, joka ei ylitä 30 %:n säteilyannoksesta normaalista TT:stä. Pienen annoksen TT-kuvat rekonstruoidaan korkealla TF:llä. Pienen annoksen TT suoritetaan heti tavallisen TT:n jälkeen, jotta vältetään kontrastivaiheen ajoituksen eroista johtuva harha.
Sijainti ja paikallinen tutkimuspopulaatio Tutkimus toteutetaan monikeskustutkimuksena, johon osallistuvat Oslo ja Odense prospektiivisen tiedonkeruun kera.
Arvioitu tutkimuspopulaatio jaetaan tasan kahden sairaalan kesken.
Kuvan arviointi Pieniannoksista TT:tä ei käytetä diagnostisiin tarkoituksiin tai potilaan hoitoon. Kuvien arviointi ja vertailu suoritetaan erillään kliinisestä rutiinityönkulusta.
Kaikki pieniannoksiset TT-tutkimukset arvioivat itsenäisesti kaksi paikallista radiologia ja kaksi kokenutta vatsan alueen radiologiaan erikoistunutta radiologia, joilla on yli 10 vuoden kokemus vatsan TT:stä. Lukijat sokeutuvat kaikkien aiempien tutkimusten tiedoista, ensisijaisesta TT-raportista, muiden lukijoiden löydöistä, kaikista hoitoon liittyvistä tiedoista ja lopullisesta diagnoosista.
Heillä on pääsy kliinisiin lähetteisiin ja laboratoriotutkimuksiin, jotka on tehty ennen alkuperäistä TT-tutkimusta. Kuvan arviointi suoritetaan radiologien kliinisessä ympäristössä diagnostisten monitorien avulla.
Tulosanalyysissä kunkin potilaan diagnoosia pienen annoksen TT:stä verrataan alkuperäiseen täyden annoksen TT:hen perustuvaan radiologiseen diagnoosiin.
Lukijan sisäisessä sopimuksessa kullekin lukijalle esitetään kahdesti satunnainen valinta 10 prosentista tapauksista.
Kuvan tekninen laatu arvioidaan sijoittamalla kiinnostavat alueet (ROI) porttilaskimon homogeeniseen segmenttiin, viereiseen normaaliin maksan parenkyyma-aortaan, erector spinae -lihaksiin ja ihonalaiseen rasvaan. Contrast-to-Noise Ratio (CNR) lasketaan.
Ainakin kaksi radiologia arvioi koetun kuvanlaadun Likert-tyyppisellä asteikolla kuvanlaatukriteerien mukaan, jotka perustuvat vatsan TT:n kuvanlaatua koskeviin eurooppalaisiin ohjeisiin.
Tilastot Tutkimustietojen analysointiin käytetään erityisiä tilasto-ohjelmistoja, kuten Stata ja SPSS. Alfa-merkittävyystasoksi asetetaan 5 % ja 95 %:n luottamusväliä käytetään. Kappa-tilastoja käytetään lukijasopimusten välisessä ja sisäisessä sopimuksessa. Kuvanlaadun arvioinnissa käytetään logistista regressiota. Numeeristen muuttujien arvioinnissa käytetään asianmukaisia parametrisia tai ei-parametrisia testejä. Diagnostinen suorituskyky määritellään käyrän alla olevan alueen, herkkyyden, spesifisyyden, positiivisen ja negatiivisen ennustusarvon perusteella. Merkittävät erot herkkyydessä ja spesifisyydessä määritetään McNemarin testillä.
Tehon laskeminen ja näytteen koko Non-inferiority-tutkimussuunnitelmaa käytetään osoittamaan pieniannoksisen TT:n diagnostisen suorituskyvyn ei-alempiarvoisuus verrattuna standardi-TT:hen. Tutkijat arvioivat standardin TT:n herkkyydeksi 90 %. Akuuttien vatsaonteloiden yleisyyden, joilla on näkyvä korrelaatio normaalilla TT:llä, arvioidaan olevan 70 % kaikista sisällyttämiskriteerit täyttävistä lähetteistä. 10 %:n non-inferiority marginaali herkkyydelle katsottiin kliinisesti hyväksyttäväksi, eli positiivisten löydösten todennäköisyydeksi pieniannoksisessa TT:ssä positiivisen standardi-TT:n tapauksessa oletettiin olevan 90 %.
S_L = Todennäköisyys (positiivinen pienen annoksen TT | positiivinen standardi CT)
0-hypoteesi määriteltiin seuraavasti:
S_L < 90 %
Vaihtoehtoinen hypoteesi määriteltiin sitten seuraavasti:
S_L > 90 % Tunnistaakseen yksipuolisen 6 %:n eron (lisäyksen) non-inferiority-marginaalista 80 %:n teholla ja 5 %:n alfa-merkitystasolla tutkijat arvioivat tarvittavat potilaat, joilla oli positiivinen TT-löydös, n= 116 (binomiaalinen jakauma). Tarvittavien potilaiden kokonaismääräksi laskettiin sitten 116/0,7=166.
Opintotyyppi
Ilmoittautuminen (Todellinen)
Yhteystiedot ja paikat
Osallistumiskriteerit
Kelpoisuusvaatimukset
Opintokelpoiset iät
Hyväksyy terveitä vapaaehtoisia
Näytteenottomenetelmä
Tutkimusväestö
Kuvaus
Sisällyttämiskriteerit:
- Potilaat, joita arvioidaan akuutin vatsan sairauden varalta, joille lähetetään vatsan ja lantion TT:hen.
- Ikä >18 vuotta
- Potilaiden tulee pystyä antamaan suullinen ja kirjallinen suostumus tutkimukseen osallistumiseen.
Poissulkemiskriteerit:
- Kontraindikaatiot varjoainepitoisille TT-tutkimuksille, kuten tunnetut jodattujen varjoaineiden haittavaikutukset tai klaustrofobia.
- Raskaus.
Opintosuunnitelma
Miten tutkimus on suunniteltu?
Suunnittelun yksityiskohdat
- Havaintomallit: Kohortti
- Aikanäkymät: Tulevaisuuden
Kohortit ja interventiot
Ryhmä/Kohortti |
Interventio / Hoito |
---|---|
Vatsakipu
Akuutin vatsan sairauden arvioinnin kohteena olevat osallistujat, joille lähetetään vatsan ja lantion TT-kuvaus.
|
Tehdään pieniannoksinen TT-skannaus, joka ei ylitä 30 %:n säteilyannoksesta normaalista TT:stä.
Pienen annoksen TT-kuvat rekonstruoidaan TrueFidelity high -tekniikalla.
Pieniannoksinen TT suoritetaan heti tavallisen TT:n jälkeen, jotta vältetään kontrastivaiheen ajoituksen eroista johtuva harha.
|
Mitä tutkimuksessa mitataan?
Ensisijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
---|---|---|
Pienen annoksen TT:n diagnostinen suorituskyky
Aikaikkuna: 4-6 kuukautta
|
Pienen annoksen TT:n diagnostinen suorituskyky verrattuna normaaliin TT:hen ICD 10 -diagnoosin mukaan. Diagnostinen suorituskyky mitattuna seuraavilla tavoilla: Herkkyys prosentteina TP/(TP+FN) mukaan; spesifisyys ilmoitettu prosentteina TN/(TN+FP) mukaisesti; positiivinen ennustearvo prosentteina TP/(TP+FP) mukaan; negatiivinen ennustearvo prosentteina TN/(TN+FN) mukaan; tarkkuus prosentteina (TP+TN)/(TP+TN+FP+FN). Luku tosi positiivinen (TP); luku tosi negatiivinen (TN); numero väärä positiivinen (FP); numero väärä negatiivinen (FN). |
4-6 kuukautta
|
Toissijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
---|---|---|
Havaittu kuvanlaatu
Aikaikkuna: 4-6 kuukautta
|
Vertaa havaittua kuvanlaatua; pieniannos vs. tavallinen CT: Havaittu kuvanlaatu pisteytetään järjestysjärjestyksessä, 5-pisteen Likert-asteikolla (vähintään kaksi lukijaa). |
4-6 kuukautta
|
Kuvan laatu - kohina
Aikaikkuna: 4-6 kuukautta
|
Vertaa teknistä kuvanlaatua; pieniannos vs. tavallinen CT: Kuvakohina standardipoikkeamana kiinnostavan alueen sisällä (ROI); numeerinen Hounsfieldin yksikkönä (HU), useita mittauspisteitä. |
4-6 kuukautta
|
Kuvanlaatu - kontrasti-kohinasuhde
Aikaikkuna: 4-6 kuukautta
|
Vertaa teknistä kuvanlaatua; pieniannos vs. tavallinen CT: Kontrasti-kohinasuhde; numeerinen, useita mittauspisteitä. Laskettu seuraavasti: CNR=(│〖HU〗_munuainen - 〖HU〗_(vesi )│)/√((〖SD〗_munuainen 2 + 〖SD〗_vesi 2)/2) |
4-6 kuukautta
|
Säteilyannos
Aikaikkuna: 4-6 kuukautta
|
Vertaa säteilyannosta; pieniannos vs. tavallinen CT: Säteilyannos mitattuna DLP:nä ja CTDIvolina. |
4-6 kuukautta
|
Diagnoosit
Aikaikkuna: 4-6 kuukautta
|
Diagnoosien kuvaus TT-tutkimuksiin lähetettyjen potilaiden keskuudessa; ICD 10:n mukaiset diagnoosit.
|
4-6 kuukautta
|
Yhteistyökumppanit ja tutkijat
Sponsori
Yhteistyökumppanit
Tutkijat
- Päätutkija: Anselm Schulz, PhD, Oslo University Hospital
Julkaisuja ja hyödyllisiä linkkejä
Yleiset julkaisut
- 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.
- 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. Erratum In: Eur Radiol. 2019 May 27;:
- 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.
Opintojen ennätyspäivät
Opi tärkeimmät päivämäärät
Opiskelun aloitus (Todellinen)
Ensisijainen valmistuminen (Todellinen)
Opintojen valmistuminen (Todellinen)
Opintoihin ilmoittautumispäivät
Ensimmäinen lähetetty
Ensimmäinen toimitettu, joka täytti QC-kriteerit
Ensimmäinen Lähetetty (Todellinen)
Tutkimustietojen päivitykset
Viimeisin päivitys julkaistu (Todellinen)
Viimeisin lähetetty päivitys, joka täytti QC-kriteerit
Viimeksi vahvistettu
Lisää tietoa
Tähän tutkimukseen liittyvät termit
Avainsanat
Muita asiaankuuluvia MeSH-ehtoja
- Ruoansulatuskanavan sairaudet
- Infektiot
- Kipu
- Neurologiset ilmenemismuodot
- Merkit ja oireet, ruoansulatus
- Ruoansulatuskanavan sairaudet
- Gastroenteriitti
- Suoliston sairaudet
- Sappirakon sairaudet
- Sappiteiden sairaudet
- Haiman sairaudet
- Umpisuolen sairaudet
- Intraabdominaaliset infektiot
- Vatsakipu
- Kolekystiitti
- Kolekystiitti, akuutti
- Akuutti kipu
- Umpilisäkkeen tulehdus
- Haimatulehdus
Muut tutkimustunnusnumerot
- PVO ref. 22/11840
- 22/11840 (Muu tunniste: Data protection officer at Oslo University Hospital)
- 468490 (Muu tunniste: Regional Comittees for Medical Research Ethics South East)
Yksittäisten osallistujien tietojen suunnitelma (IPD)
Aiotko jakaa yksittäisten osallistujien tietoja (IPD)?
IPD-suunnitelman kuvaus
Lääke- ja laitetiedot, tutkimusasiakirjat
Tutkii yhdysvaltalaista FDA sääntelemää lääkevalmistetta
Tutkii yhdysvaltalaista FDA sääntelemää laitetuotetta
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 .
Kliiniset tutkimukset Vatsakipu
-
KK Women's and Children's HospitalPeruutettuTotal Abdominal Hysterectomy
-
Southern HealthGyrus ACMITuntematonTotal Abdominal HysterectomyAustralia
-
Alanya Alaaddin Keykubat UniversityValmisSterilointi, tubal | Visual Analog Pain Scale
-
Korea University Anam HospitalKorea UniversityValmisKivun mittaus | Visual Analog Pain Scale
-
Turkish Ministry of Health, Kahramanmaras Provincial...Rekrytointi
-
Fujian Cancer HospitalEi vielä rekrytointiaHawthorn Red Combined Refractory Cancer Pain
-
Sobet AGLa Tour Hospital; Klinikum Klagenfurt am Wörthersee; Krankenhaus der Elisabethinen... ja muut yhteistyökumppanitRekrytointiMyofascial Pain Syndrome - Alaselkä | Myofascial Pain Syndrome - Niska | Myofascial Pain Syndrome - jännityspäänsärkyItävalta, Sveitsi
-
Ankara UniversityValmisKivun mittaus | Visual Analogue Pain ScaleTurkki
-
East Carolina UniversityPeruutettu
-
Yuzuncu Yıl UniversityValmisMyofascial Pain Disfunction -oireyhtymä, temporomandibulaarinen nivelTurkki
Kliiniset tutkimukset pieniannoksinen CT
-
Istituto Clinico HumanitasIstituto Superiore di Sanità; Ospedale San Raffaele; University of Paris 5... ja muut yhteistyökumppanitTuntematon
-
Maastricht University Medical CenterTuntematon
-
Sheba Medical CenterIlmoittautuminen kutsusta
-
Seoul National University HospitalPhilips HealthcareValmis
-
M.D. Anderson Cancer CenterRekrytointi
-
Janssen Research & Development, LLCJanssen Research & Development, LLCAktiivinen, ei rekrytointiX-linkitetty retiniitti pigmentosaYhdysvallat, Kanada, Israel, Yhdistynyt kuningaskunta, Espanja, Tanska, Ranska, Belgia, Italia, Alankomaat, Sveitsi
-
University Health Network, TorontoLopetettu
-
Yale UniversityNational Institute on Alcohol Abuse and Alcoholism (NIAAA); VA Connecticut...Valmis
-
Merck Sharp & Dohme LLCValmis
-
Case Comprehensive Cancer CenterRekrytointiMunuaissolusyöpä | Munuaislantion uroteelisyöpä | Ihon pahanlaatuinen melanoomaYhdysvallat