Älypuhelinpohjaisen syvän oppimisjärjestelmän soveltaminen ja validointi potentiaalisesti pahanlaatuisiin häiriöihin ja suun syövän seulontaan
Älypuhelinpohjaisen syvän oppimisjärjestelmän soveltaminen ja validointi suun kautta tapahtuville pahanlaatuisille häiriöille (OPMD) ja suun syövän seulonta
Tämän kliinisen tutkimuksen tavoitteena on oppia, toimiiko älypuhelinpohjainen syvän oppimisjärjestelmä, joka havaitsee tarkasti aikuisten suun kautta tapahtuvat pahanlaatuiset häiriöt ja suun syöpä. Se oppii myös siitä, onko se yhtä tehokas kuin hammaslääkärien ja sertifioimattoman terveydenhuollon tarjoajan suorittamat arvioinnit.
Odotamme, että syväoppimisjärjestelmällä on suurempi herkkyys havaita oraalisesti mahdollisesti pahanlaatuisia häiriöitä ja suun syöpää, missä hammaslääkärillä ja sertifioimattomilla terveydenhuollon tarjoajilla on suurempi spesifisyys seulonnassa.
Osallistujat ryhmitetään kolmeen aseeseen: syvän oppimisjärjestelmä (ARM A) tai hallituksen sertifioitu hammaslääkäri, jolla on syvän oppimisjärjestelmä (ARM B) tai sertifioimattomat terveydenhuollon tarjoajat (yleislääkärit) syvän oppimisen järjestelmällä (ARM C).
Oraaliset syöpäriskitekijät, kuten tupakointitavat tai pureskeltujen betellimutterin tai alkoholijuomien, tavat kirjataan nimettömillä kyselylomakkeilla.
Tutkimuksen yleiskatsaus
Tila
Interventio / Hoito
Yksityiskohtainen kuvaus
Tausta:
Oraalinen syöpä on edelleen yksi syöpään liittyvien kuolemien johtavista syistä Taiwanissa ja maailmanlaajuisesti. Keinotekoisella älykkyydellä on potentiaalia parantaa suun syövän seulontaa, mikä mahdollistaa varhaisen havaitsemisen käsittelemällä terveydenhuollon pääsykysymyksiä korkealaatuisilla ratkaisuilla.
Tavoite:
Älypuhelinpohjaisen syvän oppimisjärjestelmän tarkkuuden validoimiseksi suun kautta otettavien pahanlaatuisten häiriöiden (OPMD) ja suun syövän havaitsemiseksi, samalla kun se on yhtä tehokas kuin hammaslääkäreiden ja sertifioimattomien terveydenhuollon tarjoajien suorittamat arvioinnit.
Menetelmät:
Suunnittelu, asettaminen ja osallistujat: Avoin, kolmen käden, satunnaistettu kontrolloitu tutkimus tehdään Pohjois-Taiwanin lääketieteellisessä keskuksessa tammikuun 2025 välisenä aikana joulukuuhun 2025. Tutkimukseen sisältyy 18 -vuotiaita tai sitä vanhempia henkilöitä, jotka vierailevat syövän seulontakeskuksessa kaikenlaista seulontaa varten. Oraaliset syöpäriskitekijät, kuten tupakointitavat tai pureskeltujen betellimutterin tai alkoholijuomien, tavat kirjataan nimettömillä kyselylomakkeilla.
Interventiot: Tukikelpoiset koehenkilöt satunnaistettaisiin 1: 1: 1 -suhteessa käyttämällä tietokoneella tuotettua satunnaistamisalgoritmia syvän oppimisjärjestelmään (ARM A) tai hallituksen sertifioidut hammaslääkärit syvän oppimisjärjestelmän kanssa (ARM B) tai sertifioimattomat terveydenhuollon tarjoajat (yleislääkärit) syvän oppimisjärjestelmän kanssa (ARM C). ARM B: n ja C: n syvän oppimisjärjestelmää käytettäisiin vain myöhempiin vertailuun, eikä se auttaisi manuaalista tulkintaa.
Tärkeimmät tulokset ja toimenpiteet: Ensisijainen tulos on syvän oppimisen järjestelmän, hammaslääkärien ja sertifioimattomien terveydenhuollon tarjoajien herkkyys ja spesifisyys kolmen viittausluokan (hyvänlaatuisella (vihreä)), mahdollisesti pahanlaatuisella (keltaisella) ja pahanlaatuisella (punaisella)). Jokaiselle vastaanottimen toimintaominaisuuksille (ROC) käyrälle (AUC) ali lasketaan myös. Toissijainen tulos on koehenkilöiden palaute mukavuudesta kokeen aikana ja arviointiin tarvittava aika.
Odotetut tulokset:
Oletamme, että syvän oppimisjärjestelmien herkkyys on suurempi OPMD: n ja suun syövän havaitsemisessa, kun taas hammaslääkärit ja yleislääkärit osoittavat suurempaa spesifisyyttä seulonnassa. Tulokset voivat auttaa meitä parantamaan suun syövän seulonnan edistämisprosessia.
Opintotyyppi
Ilmoittautuminen (Arvioitu)
Vaihe
- Ei sovellettavissa
Yhteystiedot ja paikat
Opiskeluyhteys
- Nimi: I Ann Hsiao, MD
- Puhelinnumero: 266634 +886-2312-3456
- Sähköposti: iamiannhsiao@gmail.com
Tutki yhteystietojen varmuuskopiointi
- Nimi: Shao-Yi Cheng, MD, MSc, DrPH
- Puhelinnumero: 266823 +886-2312-3456
- Sähköposti: scheng2140@gmail.com
Opiskelupaikat
-
-
-
Taipei, Taiwan, 100229
- Department of Family Medicine, National Taiwan University Hospital
-
Ottaa yhteyttä:
- Shao-Yi Cheng, MD, MSc, DrPH
- Puhelinnumero: 266823 +886-2-23123456
- Sähköposti: scheng2140@gmail.com
-
Ottaa yhteyttä:
- I Ann Hsiao, MD
- Puhelinnumero: 266634 +886-2-23123456
- Sähköposti: iamiannhsiao@gmail.com
-
Ottaa yhteyttä:
- Yi-Hsuan Lee, MD, MPH
-
-
Osallistumiskriteerit
Kelpoisuusvaatimukset
Opintokelpoiset iät
- Aikuinen
- Vanhempi Aikuinen
Hyväksyy terveitä vapaaehtoisia
Kuvaus
Sisällyttämiskriteerit:
- Aikuisten potilaat (ikä ≥ 18) vieraileva syöpäreseulontakeskuksessa
Poissulkemiskriteerit:
- Ei voida tehdä yhteistyötä suuhun/ navigointiin
- Arviointia varten ei voida tehdä yhteistyötä
Opintosuunnitelma
Miten tutkimus on suunniteltu?
Suunnittelun yksityiskohdat
- Ensisijainen käyttötarkoitus: Seulonta
- Jako: Satunnaistettu
- Inventiomalli: Rinnakkaistehtävä
- Naamiointi: Ei mitään (avoin tarra)
Aseet ja interventiot
Osallistujaryhmä / Arm |
Interventio / Hoito |
|---|---|
|
Kokeellinen: Eräs
Syvän oppimisjärjestelmä
|
Älypuhelinpohjainen syvän oppimisjärjestelmä koulutettiin käyttämällä yli 50 000 valkoisen valon makroskooppista kuvaa, joka oli kerätty vuosina 2006–2013 YOLOV7-mallin kehittämiseksi.
Vauriot luokiteltiin kolmeen lähetysluokkaan: hyvänlaatuiset (vihreä), mahdollisesti pahanlaatuiset (keltaiset) ja pahanlaatuiset (punaiset).
|
|
Active Comparator: B -
Hallituksen sertifioitu hammaslääkäri syväoppimisjärjestelmällä
|
Älypuhelinpohjainen syvän oppimisjärjestelmä koulutettiin käyttämällä yli 50 000 valkoisen valon makroskooppista kuvaa, joka oli kerätty vuosina 2006–2013 YOLOV7-mallin kehittämiseksi.
Vauriot luokiteltiin kolmeen lähetysluokkaan: hyvänlaatuiset (vihreä), mahdollisesti pahanlaatuiset (keltaiset) ja pahanlaatuiset (punaiset).
|
|
Active Comparator: C
Sertifioimattomat terveydenhuollon tarjoajat (yleislääkärit) syvän oppimisjärjestelmän kanssa
|
Älypuhelinpohjainen syvän oppimisjärjestelmä koulutettiin käyttämällä yli 50 000 valkoisen valon makroskooppista kuvaa, joka oli kerätty vuosina 2006–2013 YOLOV7-mallin kehittämiseksi.
Vauriot luokiteltiin kolmeen lähetysluokkaan: hyvänlaatuiset (vihreä), mahdollisesti pahanlaatuiset (keltaiset) ja pahanlaatuiset (punaiset).
|
Mitä tutkimuksessa mitataan?
Ensisijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
Tehokkuus ja tarkkuus
Aikaikkuna: 6 kuukauden kuluessa
|
Ensisijainen tulos on syvän oppimisen järjestelmän, hammaslääkärien ja sertifioimattomien terveydenhuollon tarjoajien kolmen lähetysluokan herkkyys ja spesifisyys.
Jokaiselle vastaanottimen toimintaominaisuuksille (ROC) käyrälle (AUC) ali lasketaan myös.
|
6 kuukauden kuluessa
|
Toissijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
Kyselylomake
Aikaikkuna: 6 kuukauden kuluessa
|
Toissijainen tulos on koehenkilöiden palaute mukavuudesta tutkimuksen aikana, joka arvioidaan visuaalisen analogisen asteikon (VAS) avulla (pisteet 10: stä).
Seulontaan tarvittava aika kirjataan myös tehokkuuden arviointiin.
|
6 kuukauden kuluessa
|
Yhteistyökumppanit ja tutkijat
Sponsori
Tutkijat
- Opintojen puheenjohtaja: Shao-Yi Cheng, MD, MSc, DrPH, Department of Family Medicine, College of Medicine and Hospital, National Taiwan University
Julkaisuja ja hyödyllisiä linkkejä
Yleiset julkaisut
- Tanriver G, Soluk Tekkesin M, Ergen O. Automated Detection and Classification of Oral Lesions Using Deep Learning to Detect Oral Potentially Malignant Disorders. Cancers (Basel). 2021 Jun 2;13(11):2766. doi: 10.3390/cancers13112766.
- Warnakulasuriya S, Kujan O, Aguirre-Urizar JM, Bagan JV, Gonzalez-Moles MA, Kerr AR, Lodi G, Mello FW, Monteiro L, Ogden GR, Sloan P, Johnson NW. Oral potentially malignant disorders: A consensus report from an international seminar on nomenclature and classification, convened by the WHO Collaborating Centre for Oral Cancer. Oral Dis. 2021 Nov;27(8):1862-1880. doi: 10.1111/odi.13704. Epub 2020 Nov 26.
- Hsu Y, Chou CY, Huang YC, Liu YC, Lin YL, Zhong ZP, Liao JK, Lee JC, Chen HY, Lee JJ, Chen SJ. Oral mucosal lesions triage via YOLOv7 models. J Formos Med Assoc. 2024 Jul 12:S0929-6646(24)00313-9. doi: 10.1016/j.jfma.2024.07.010. Online ahead of print.
- Hegde S, Ajila V, Zhu W, Zeng C. Artificial intelligence in early diagnosis and prevention of oral cancer. Asia Pac J Oncol Nurs. 2022 Aug 24;9(12):100133. doi: 10.1016/j.apjon.2022.100133. eCollection 2022 Dec.
- Ng SW, Syamim Syed Mohd Sobri SN, Zain RB, Kallarakkal TG, Amtha R, Wiranata Wong FA, Rimal J, Durward C, Chea C, Jayasinghe RD, Vatanasapt P, Saleha Binti Ibrahim Tamin N, Cheng LC, Mazlipah Binti Ismail S, Tepirou C, Ariff Bin Abdul Rahman Z, Rajendran S, Kanapathy J, Liew CS, Cheong SC. Barriers to early detection and management of oral cancer in the Asia Pacific region. J Health Serv Res Policy. 2022 Apr;27(2):133-140. doi: 10.1177/13558196211053110. Epub 2022 Jan 22.
- Khanagar SB, Naik S, Al Kheraif AA, Vishwanathaiah S, Maganur PC, Alhazmi Y, Mushtaq S, Sarode SC, Sarode GS, Zanza A, Testarelli L, Patil S. Application and Performance of Artificial Intelligence Technology in Oral Cancer Diagnosis and Prediction of Prognosis: A Systematic Review. Diagnostics (Basel). 2021 May 31;11(6):1004. doi: 10.3390/diagnostics11061004.
- Gigliotti J, Madathil S, Makhoul N. Delays in oral cavity cancer. Int J Oral Maxillofac Surg. 2019 Sep;48(9):1131-1137. doi: 10.1016/j.ijom.2019.02.015. Epub 2019 Mar 13.
- Peacock ZS, Pogrel MA, Schmidt BL. Exploring the reasons for delay in treatment of oral cancer. J Am Dent Assoc. 2008 Oct;139(10):1346-52. doi: 10.14219/jada.archive.2008.0046.
- R VC, C R, Sridhar P, Ramachandra C, Kumar M. Barriers related to Oral Cancer Screening, Diagnosis and Treatment in Karnataka, India. Gulf J Oncolog. 2023 Sep;1(43):19-24.
- Gonzalez-Moles MA, Aguilar-Ruiz M, Ramos-Garcia P. Challenges in the Early Diagnosis of Oral Cancer, Evidence Gaps and Strategies for Improvement: A Scoping Review of Systematic Reviews. Cancers (Basel). 2022 Oct 10;14(19):4967. doi: 10.3390/cancers14194967.
- Stathopoulos P, Smith WP. Analysis of Survival Rates Following Primary Surgery of 178 Consecutive Patients with Oral Cancer in a Large District General Hospital. J Maxillofac Oral Surg. 2017 Jun;16(2):158-163. doi: 10.1007/s12663-016-0937-z. Epub 2016 Jul 8.
Opintojen ennätyspäivät
Opi tärkeimmät päivämäärät
Opiskelun aloitus (Arvioitu)
Ensisijainen valmistuminen (Arvioitu)
Opintojen valmistuminen (Arvioitu)
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
Muut tutkimustunnusnumerot
- 202204032RIND
Yksittäisten osallistujien tietojen suunnitelma (IPD)
Aiotko jakaa yksittäisten osallistujien tietoja (IPD)?
Lääke- ja laitetiedot, tutkimusasiakirjat
Tutkii yhdysvaltalaista FDA sääntelemää lääkevalmistetta
Tutkii yhdysvaltalaista FDA sääntelemää laitetuotetta
Yhdysvalloissa valmistettu ja sieltä viety tuote
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 .