MIRA Clinical Learning Environment (MIRACLE): Lung (MIRACLE)
Tämän laadunparannustutkimuksen (QI) tavoitteena on kehittää automatisoituja kliinisiä putkia koneoppimismallien toteuttamiseksi keuhkosyöpäpotilaiden hoitopoluissa. Tärkeimmät kysymykset, joihin se pyrkii vastaamaan, ovat:
- Voidaanko mallipohjaisia riskiluokituksia sisällyttää kliinikon työnkulkuihin tietoisen kliinisen päätöksenteon mahdollistamiseksi?
- Millaisia käsityksiä kliinikot ovat mallituloksista saaduista tiedoista ja muuttavatko he päätöksiään heidän käytettävissään olevista tiedoista mallipohjaisen riskiluokituksen seurauksena (eli tarkastellakseen uudelleen tai arvioidakseen edelleen potilaita, jotka mallit tunnistavat on suurempi riski)?
Osallistuvat säteilyonkologit saavat mallin riskiennusteen ja heitä pyydetään täyttämään kysely, joka antaa palautetta siitä, miten he käyttivät ennustetta päätöksenteossa.
Tutkimuksen yleiskatsaus
Tila
Ehdot
Interventio / Hoito
- Muut: ILD-ennustuskoneoppimismallin soveltaminen kuvantamisen suunnitteluun
- Muut: Rutiini, automaattinen ILD-riskitason esitys kliinikon arvioitavaksi.
- Muut: SGR-koneoppimismallin soveltaminen diagnostiseen ja suunnittelukuvaukseen
- Muut: Kliinikolle esitettävä rutiiniarvio kasvainspesifisen kasvunopeuden (SGR) osalta vaurioille, joita harkitaan sädehoidossa.
- Muut: CBCT-koneoppimismallin soveltaminen hoidon aikana tapahtuvaan kuvantamiseen
- Muut: Hoidon aikana tapahtuvien keuhkojen tiheyden muutosten rutiinitarkkailu esitettiin lääkärille.
Yksityiskohtainen kuvaus
Uusia datatieteeseen ja kuvantamiseen perustuvia menetelmiä hoidon personoimiseksi tunnistetaan takautuvasti ja niitä tutkitaan monissa keskuksissa. Valitettavasti useimmat näistä menetelmistä vaativat merkittäviä manuaalisia toimenpiteitä soveltaakseen missä tahansa potilastilanteessa, ja niitä on vaikea ottaa käyttöön oikea-aikaisesti vaikuttamaan potilaan hoitopäätöksiin. Datatieteen tutkimuksen kliininen toteutus edellyttää automatisoituja putkistoja, jotka on sidottu koko hoitopolkuun tavalla, joka mahdollistaa reaaliaikaisen tiedon analysoinnin ja mahdollistaa translaatiotutkimuksen.
Princess Margaretin sairaalan (PM)/University Health Networkin (UHN) kliinisten/translaatioiden tutkijoiden nykyinen prosessi kuvantamistietojen analysoimiseksi sisältää laajan manuaalisen kuroinnin, joka koostuu vuorovaikutuksista sähköisten tietokantojen ja analyysityökalujen kanssa, jotta: potilaiden tunnistaminen kuvantamistiedoista; kerätä kyseiset tiedot; rajaa kiinnostavat kohteet manuaalisesti (minuuteista tunteihin potilasta kohti); analysoida kohteita manuaalisesti valittujen kuvien perusteella; ja sitten korreloi analysoidut kuvat kliinisiin tietolähteisiin (esim. tulokset tai korrelatiiviset tiedot). Näin ollen suuren potilasmäärän projektit kohtaavat usein ylitsepääsemättömiä esteitä, jotka rajoittavat tutkimuksen tuottavuutta.
MIRA (talossa kehitetty ohjelmointityökalupakki) ratkaisee yhteisen ongelman kaikille PM/UHN:n tutkijoille, jotka opiskelevat diagnostiikkaa, sädehoidon suunnittelua ja/tai hoidon aikana tapahtuvaa kuvantamista tarjoamalla johdonmukaisen automatisoidun analyysiympäristön näille tiedoille. MIRA parantaa myös eettisesti hyväksyttyjä tutkimuksia, jotka ovat suorassa yhteydessä reaaliaikaisiin kliinisiin tietoihin, mukaan lukien diagnostinen kuvantaminen yhteistyössä lääketieteellisen kuvantamisen yhteisosaston kanssa, säteilyonkologian hoidon suunnittelutiedot ja päivittäinen säteilyonkologian kuvantaminen hoidon aikana. MIRA Clinical Learning Environment (MIRACLE) -laadunparannusprojekti aikoo käyttää MIRA-alustaa automatisoitujen kliinisten putkien kehittämiseen kolmen erityisen tutkimustavoitteen saavuttamiseksi:
Tunnistaa keuhkosyöpäpotilaat, joilla on diagnosoimaton taustalla oleva tulehduksellinen keuhkosairaus (ILD) hoitoa edeltävistä diagnostisista kuvista
Arvioida yksittäisten potilaiden kasvaimen kasvunopeutta diagnostisten ja hoidon suunnittelukuvien välillä (spesifinen kasvunopeus, SGR)
Antaa kullekin potilaalle arvio dynaamisen sädehoidon myrkyllisyyden riskistä käyttämällä sädehoidon suunnittelutietoja ja päivittää jatkuvasti riskiarvioita käyttämällä päivittäisiä kartiosädetietokonetomografiakuvia (CBCT), jotka on otettu rutiininomaisesti ennen jokaista sädehoitoa.
MIRACLE on liitetty turvallisesti aktiivisiin kliinisiin tietovarastoihin ja sillä on mahdollisuus vaikuttaa suoraan päivittäisiin syövänhoitopäätöksiin tekemällä olemassa olevasta kuvantamisdatasta löydettävissä, nopeasti saatavilla, yhteentoimivia ja uudelleenkäytettävissä sekä kliinisiä että tutkimustutkimuksia varten loppukäyttäjien, mukaan lukien keuhkosyöpää hoitavien lääkäreiden, toimesta. potilaille ja syöpätutkijoille. Tämä helpottaa uusien kuvantamisen tutkimustulosten arviointia suurilla potilailla kliiniseen ja tutkimuskäyttöön. MIRACLE-projektin tavoitteena on erityisesti osoittaa kliinisen toteutuksen toteutettavuus kliinisen kuvantamisen tietojen automaattisessa linkittämisessä ja analysoinnissa kliinisen lopputuloksen rinnalla; viime kädessä auttaa tarjoamaan arvopohjaista terveydenhuoltoa paremman potilasvalinnan (ILD/SGR) ja hoidon seurannan/säätämisen avulla toksisuuden vähentämiseksi (CBCT).
Palautetta osallistuvilta säteilyonkologeilta kerätään, jotta voidaan arvioida potilaskohtaisten näkemysten esittäminen tulehduksellisesta keuhkosairaudesta (ILD), kasvaimen kasvunopeudesta yli 0,04 (SGR) ja kartiosädetietokonetomografiajärjestelmästä (CBCT). hoitopisteiden lääkäreille muutoksia. Analyysi auttaa ymmärtämään kliinikon käsityksiä heille mallista tarjotusta tiedosta koskien ILD-ennustetta, SGR:n ja keuhkojen tiheyden muutoksia QI-jakson aikana ja muuttivatko kliinikot päätöksiään heidän käytettävissään olevista tiedoista mallin johdosta. riskiluokitus (eli arvioidakseen uudelleen tai arvioidakseen edelleen potilaita ILD-, SGR- ja CBCT-muutosten varalta niiden potilaiden perusteella, jotka malli korostaa suuremmiksi riskiksi).
Opintotyyppi
Ilmoittautuminen (Odotettu)
Yhteystiedot ja paikat
Opiskeluyhteys
- Nimi: Andrew Hope, MD, FRCPC
- Puhelinnumero: 416-946-2124
- Sähköposti: Andrew.Hope@rmp.uhn.ca
Opiskelupaikat
-
-
Ontario
-
Toronto, Ontario, Kanada
- Rekrytointi
- Princess Margaret Hospital
-
Ottaa yhteyttä:
- Andrew Hope, MD, FRCPC
-
-
Osallistumiskriteerit
Kelpoisuusvaatimukset
Opintokelpoiset iät
Hyväksyy terveitä vapaaehtoisia
Sukupuolet, jotka voivat opiskella
Näytteenottomenetelmä
Tutkimusväestö
Kuvaus
Sisällyttämiskriteerit:
- Diagnosoitu keuhkosyöpä vaiheen I-IV ja suunniteltu sädehoitoon Princess Margaretin sairaalassa. Tämän hankkeen kolmella tavoitteella on seuraavat erityiset osallistumiskriteerit.
- Tavoite 1 ILD: Kaikki keuhkosyöpäpotilaat, jotka saavat RT.
- Tavoite 2 SGR: Solmusolun negatiivinen keuhkosyöpäpotilaat, jotka saavat stereotaktista kehon RT:tä.
- Tavoite 3 CBCT: Solmupositiiviset keuhkosyöpäpotilaat, jotka saavat tavanomaista RT:tä.
Poissulkemiskriteerit:
- Ei poissulkemiskriteerejä
Opintosuunnitelma
Miten tutkimus on suunniteltu?
Suunnittelun yksityiskohdat
- Havaintomallit: Kohortti
- Aikanäkymät: Tulevaisuuden
Kohortit ja interventiot
Ryhmä/Kohortti |
Interventio / Hoito |
|---|---|
|
ILD hiljainen tila
ILD-mallia ajetaan potilailla, joilla on rutiinihoidon suunnittelukuvaus, jossa ilmoitus lähetetään tutkimusryhmälle kuukauden ajaksi, jotta varmistetaan, että putkisto toimii suunnitellusti.
|
ILD-ennustuskoneoppimismallia sovelletaan sädehoitoa (RT) saavien keuhkosyöpäpotilaiden hoidon suunnittelukuvaukseen.
Malli arvioi riskin suureksi tai pieneksi riskiksi saada taustalla oleva ILD.
|
|
ILD:n tuleva tila
Onnistuneen hiljaisen tilan jälkeen ILD-mallia ajetaan potilaille, jotka ovat rutiinihoidon suunnittelukuvauksessa, ja ilmoitukset lähetetään hoitavalle lääkärille sisällytettäväksi heidän työnkulkuinsa.
|
ILD-ennustuskoneoppimismallia sovelletaan sädehoitoa (RT) saavien keuhkosyöpäpotilaiden hoidon suunnittelukuvaukseen.
Malli arvioi riskin suureksi tai pieneksi riskiksi saada taustalla oleva ILD.
Osallistuville kliinikoille toimitetaan ILD-riskiarvio kaikille RT-hoitoa saaville keuhkosyöpäpotilaille, joiden riski on mallin perusteella mahdollinen.
Näissä tapauksissa kliinikko saa sähköpostin, jossa yksilöidään potilaan sairauskertomusnumero (MRN) ja "mahdollinen korkea ILD-riski" -lipun.
Kliinikot voivat tämän jälkeen päättää, haluavatko he tietojen perusteella arvioida potilaan ILD:n uudelleen ennen hoidon aloittamista.
Kliinikoille esitetään myös lyhyt kysely joka kerta, kun heille lähetetään sähköpostiviesti mahdollisesta korkean riskin ILD-tapauksesta, jotta tutkimusryhmä voi ymmärtää paremmin, miten tietoja käytettiin, jos ollenkaan.
|
|
SGR hiljainen tila
SGR-mallia ajetaan potilailla, joilla on rutiinihoidon suunnittelukuvaus, jossa ilmoitus lähetetään tutkimusryhmälle kuukauden ajaksi, jotta varmistetaan, että putkisto toimii suunnitellusti.
|
SGR-koneoppimismallia sovelletaan stereotaktista RT-hoitoa saavien keuhkosyöpäpotilaiden kuvantamiseen, joilla on solmuke negatiivinen keuhkosyöpä.
Automaattinen laskenta vertaa potilaan diagnostisten kuvien kohdeleesioita samoihin hoidon suunnittelukuvissa oleviin leesioihin.
|
|
SGR Prospective Mode
Onnistuneen hiljaisen tilan jälkeen SGR-mallia ajetaan potilailla, jotka ovat rutiinihoidon suunnittelukuvauksessa, ja ilmoitukset lähetetään hoitavalle lääkärille sisällytettäväksi heidän työnkulkuinsa.
|
SGR-koneoppimismallia sovelletaan stereotaktista RT-hoitoa saavien keuhkosyöpäpotilaiden kuvantamiseen, joilla on solmuke negatiivinen keuhkosyöpä.
Automaattinen laskenta vertaa potilaan diagnostisten kuvien kohdeleesioita samoihin hoidon suunnittelukuvissa oleviin leesioihin.
Osallistuville kliinikoille toimitetaan SGR-laskelma jokaiselle stereotaktista RT-hoitoa saavalle keuhkosyöpäpotilaalle, jolla on solmuke negatiivinen keuhkosyöpä.
Tämä SGR-laskelma esitetään kliinikoille, jotka voivat sitten päättää tietojen perusteella, miten he haluavat käsitellä ja seurata potilaan kokonaiseloonjäämistä ja häiriötöntä eloonjäämistä.
Kliinikoille esitetään myös lyhyt kysely joka kerta, kun heille toimitetaan potilaan SGR-laskelma, jotta tutkimusryhmä voi ymmärtää paremmin, miten tietoja käytettiin, jos ollenkaan.
|
|
CBCT hiljainen tila
CBCT-mallia ajetaan potilailla, jotka saavat rutiininomaista hoidon aikana kuvantamista, jolloin tutkimusryhmälle lähetetään ilmoitus kuukauden ajan sen varmistamiseksi, että putkisto toimii suunnitellusti.
|
CBCT-koneoppimismallia sovelletaan hoidon aikana tehtävään kuvantamiseen osana rutiinihoitoa potilaille, joilla on solmukohtapositiivinen keuhkosyöpä, jotka saavat tavanomaista RT-hoitoa.
Keuhkojen tiheyden muutosten indikaattori lasketaan automaattisesti vertaamalla ennen jokaista hoitoa suoritettuja kartiosäde-CT:itä (CBCT).
|
|
CBCT Prospective Mode
Onnistuneen hiljaisen tilan jälkeen CBCT-mallia ajetaan potilaille, jotka saavat rutiininomaista hoidon aikana kuvantamista, ja ilmoitukset lähetetään hoitavalle lääkärille sisällytettäväksi heidän työnkulkuinsa.
|
CBCT-koneoppimismallia sovelletaan hoidon aikana tehtävään kuvantamiseen osana rutiinihoitoa potilaille, joilla on solmukohtapositiivinen keuhkosyöpä, jotka saavat tavanomaista RT-hoitoa.
Keuhkojen tiheyden muutosten indikaattori lasketaan automaattisesti vertaamalla ennen jokaista hoitoa suoritettuja kartiosäde-CT:itä (CBCT).
Muut: Hoidon aikana tapahtuvien keuhkojen tiheyden muutosten rutiinitarkkailu esitettiin lääkärille.
Osallistuville kliinikoille toimitetaan päivittäinen indikaattori keuhkojen tiheyden muutoksista jokaiselle potilaalle, jolla on solmukohtainen keuhkosyöpä, joka saa standardi-RT:tä.
Tämä mittaus esitetään kliiniselle tiimille, joka voi sitten päättää tietojen perusteella, kuinka he haluavat käsitellä ja seurata merkityksellisiä tuloksia, kuten keuhkotulehdusta.
Lisäksi nämä tiedot voivat antaa kliiniselle ryhmälle palautetta hoidon seurauksena ilmenevästä keuhkoreaktiosta.
Tiheyden muutokset dokumentoidaan ja niitä seurataan tulevia validointitutkimuksia varten, jotka eivät kuulu tämän sovelluksen piiriin.
|
Mitä tutkimuksessa mitataan?
Ensisijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
Todellisen positiivisen ILD-diagnoosin määrä lisääntyy, kun korkean/pienen potilaan riskin ennusteet ovat kliinikoiden saatavilla.
Aikaikkuna: Tammikuu 2022 - joulukuu 2023
|
Asiantuntijatarkastelu tapauksista ja kaaviokatsaus korreloidaan kyselyvastausten kanssa sen määrittämiseksi, vaikuttiko MIRACLE-polkujen käyttöönotto todella positiivisten tapausten määrään.
|
Tammikuu 2022 - joulukuu 2023
|
|
Aikaisemmin vaikeasti arvioitavia tietoja on saatavilla kliinisen työnkulun aikana helposti saatavilla olevana tietolähteenä kliinikoiden käytettävissä
Aikaikkuna: Tammikuu 2022 - joulukuu 2023
|
Kliinikot antavat palautetta ennusteiden välittämisestä, integroinnista kliiniseen työnkulkuunsa ja ennusteiden vastaanottamisen oikea-aikaisuudesta, jotta ne voidaan ottaa huomioon päätöksenteossa.
|
Tammikuu 2022 - joulukuu 2023
|
|
Säteilyonkologit käyttävät mallista saatuja ennusteita kliinisen päätöksenteon tueksi.
Aikaikkuna: Tammikuu 2022 - joulukuu 2023
|
Kliinikot ilmoittavat kyselyssä näkemyksensä ennusteiden tarkkuudesta ja hyödyllisyydestä sekä siitä, ovatko he ottaneet ennusteet huomioon päätöksenteossa.
|
Tammikuu 2022 - joulukuu 2023
|
Toissijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
Lisäasiantuntemus keskittyy potilaisiin, joilla on suurempi riski saada ILD, SGR > 0,04 tai mahdollinen keuhkotulehdus.
Aikaikkuna: Tammikuu 2022 - joulukuu 2023
|
Kliinikot ilmoittavat kyselyssä, ovatko he palanneet arvioimaan tai merkitsivät potilaat uudelleen, jos malli tunnistaa mahdollisen korkean ILD:n, SGR:n > 0,04 tai keuhkotulehduksen riskin.
|
Tammikuu 2022 - joulukuu 2023
|
Yhteistyökumppanit ja tutkijat
Sponsori
Yhteistyökumppanit
Tutkijat
- Päätutkija: Hope, University Health Network, Toronto
Julkaisuja ja hyödyllisiä linkkejä
Yleiset julkaisut
- Mori Y, Kudo SE, Misawa M, Saito Y, Ikematsu H, Hotta K, Ohtsuka K, Urushibara F, Kataoka S, Ogawa Y, Maeda Y, Takeda K, Nakamura H, Ichimasa K, Kudo T, Hayashi T, Wakamura K, Ishida F, Inoue H, Itoh H, Oda M, Mori K. Real-Time Use of Artificial Intelligence in Identification of Diminutive Polyps During Colonoscopy: A Prospective Study. Ann Intern Med. 2018 Sep 18;169(6):357-366. doi: 10.7326/M18-0249. Epub 2018 Aug 14.
- Topol EJ. High-performance medicine: the convergence of human and artificial intelligence. Nat Med. 2019 Jan;25(1):44-56. doi: 10.1038/s41591-018-0300-7. Epub 2019 Jan 7.
- Steiner DF, MacDonald R, Liu Y, Truszkowski P, Hipp JD, Gammage C, Thng F, Peng L, Stumpe MC. Impact of Deep Learning Assistance on the Histopathologic Review of Lymph Nodes for Metastatic Breast Cancer. Am J Surg Pathol. 2018 Dec;42(12):1636-1646. doi: 10.1097/PAS.0000000000001151.
- Li C, Jing B, Ke L, Li B, Xia W, He C, Qian C, Zhao C, Mai H, Chen M, Cao K, Mo H, Guo L, Chen Q, Tang L, Qiu W, Yu Y, Liang H, Huang X, Liu G, Li W, Wang L, Sun R, Zou X, Guo S, Huang P, Luo D, Qiu F, Wu Y, Hua Y, Liu K, Lv S, Miao J, Xiang Y, Sun Y, Guo X, Lv X. Development and validation of an endoscopic images-based deep learning model for detection with nasopharyngeal malignancies. Cancer Commun (Lond). 2018 Sep 25;38(1):59. doi: 10.1186/s40880-018-0325-9.
- Dascalu A, David EO. Skin cancer detection by deep learning and sound analysis algorithms: A prospective clinical study of an elementary dermoscope. EBioMedicine. 2019 May;43:107-113. doi: 10.1016/j.ebiom.2019.04.055. Epub 2019 May 14.
- Phillips M, Marsden H, Jaffe W, Matin RN, Wali GN, Greenhalgh J, McGrath E, James R, Ladoyanni E, Bewley A, Argenziano G, Palamaras I. Assessment of Accuracy of an Artificial Intelligence Algorithm to Detect Melanoma in Images of Skin Lesions. JAMA Netw Open. 2019 Oct 2;2(10):e1913436. doi: 10.1001/jamanetworkopen.2019.13436. Erratum In: JAMA Netw Open. 2019 Nov 1;2(11):e1916430.
- Abramoff MD, Lavin PT, Birch M, Shah N, Folk JC. Pivotal trial of an autonomous AI-based diagnostic system for detection of diabetic retinopathy in primary care offices. NPJ Digit Med. 2018 Aug 28;1:39. doi: 10.1038/s41746-018-0040-6. eCollection 2018.
- Gulshan V, Rajan RP, Widner K, Wu D, Wubbels P, Rhodes T, Whitehouse K, Coram M, Corrado G, Ramasamy K, Raman R, Peng L, Webster DR. Performance of a Deep-Learning Algorithm vs Manual Grading for Detecting Diabetic Retinopathy in India. JAMA Ophthalmol. 2019 Sep 1;137(9):987-993. doi: 10.1001/jamaophthalmol.2019.2004.
- Kanagasingam Y, Xiao D, Vignarajan J, Preetham A, Tay-Kearney ML, Mehrotra A. Evaluation of Artificial Intelligence-Based Grading of Diabetic Retinopathy in Primary Care. JAMA Netw Open. 2018 Sep 7;1(5):e182665. doi: 10.1001/jamanetworkopen.2018.2665.
- Lee H, Yune S, Mansouri M, Kim M, Tajmir SH, Guerrier CE, Ebert SA, Pomerantz SR, Romero JM, Kamalian S, Gonzalez RG, Lev MH, Do S. An explainable deep-learning algorithm for the detection of acute intracranial haemorrhage from small datasets. Nat Biomed Eng. 2019 Mar;3(3):173-182. doi: 10.1038/s41551-018-0324-9. Epub 2018 Dec 17.
- Glick D, Lyen S, Kandel S, Shapera S, Le LW, Lindsay P, Wong O, Bezjak A, Brade A, Cho BCJ, Hope A, Sun A, Giuliani M. Impact of Pretreatment Interstitial Lung Disease on Radiation Pneumonitis and Survival in Patients Treated With Lung Stereotactic Body Radiation Therapy (SBRT). Clin Lung Cancer. 2018 Mar;19(2):e219-e226. doi: 10.1016/j.cllc.2017.06.021. Epub 2017 Jul 10.
- Atallah S, Cho BC, Allibhai Z, Taremi M, Giuliani M, Le LW, Brade A, Sun A, Bezjak A, Hope AJ. Impact of pretreatment tumor growth rate on outcome of early-stage lung cancer treated with stereotactic body radiation therapy. Int J Radiat Oncol Biol Phys. 2014 Jul 1;89(3):532-8. doi: 10.1016/j.ijrobp.2014.03.003.
Opintojen ennätyspäivät
Opi tärkeimmät päivämäärät
Opiskelun aloitus (Todellinen)
Ensisijainen valmistuminen (Odotettu)
Opintojen valmistuminen (Odotettu)
Opintoihin ilmoittautumispäivät
Ensimmäinen lähetetty
Ensimmäinen toimitettu, joka täytti QC-kriteerit
Ensimmäinen Lähetetty (Arvio)
Tutkimustietojen päivitykset
Viimeisin päivitys julkaistu (Arvio)
Viimeisin lähetetty päivitys, joka täytti QC-kriteerit
Viimeksi vahvistettu
Lisää tietoa
Tähän tutkimukseen liittyvät termit
Muut tutkimustunnusnumerot
- QI ID#: 21-0193
Yksittäisten osallistujien tietojen suunnitelma (IPD)
Aiotko jakaa yksittäisten osallistujien tietoja (IPD)?
IPD-suunnitelman kuvaus
IPD-jaon aikakehys
IPD-jaon käyttöoikeuskriteerit
IPD-jakamista tukeva tietotyyppi
- Tutkimuspöytäkirja
- Analyyttinen koodi
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 .