- ICH GCP
- Registre américain des essais cliniques
- Essai clinique NCT04562168
Utilisation de l'IA comme outil d'aide à la décision diagnostique pour aider au diagnostic des maladies de la peau dans les soins de santé primaires en Catalogne
Utilisation de l'intelligence artificielle comme outil d'aide à la décision diagnostique pour aider au diagnostic des maladies de la peau dans les soins de santé primaires en Catalogne
Contexte : Les affections dermatologiques constituent un problème de santé pertinent. Les modèles d'apprentissage automatique sont de plus en plus appliqués à la dermatologie en tant qu'outil d'aide à la décision de diagnostic utilisant l'analyse d'images, en particulier pour la détection et la classification des cancers de la peau.
Objectif : L'objectif de cette étude est d'effectuer une validation prospective d'un modèle d'analyse d'image ML, capable de dépister 44 types différents de maladies de la peau, en comparant sa capacité diagnostique à celle des médecins généralistes (MG) et des dermatologues.
Méthodes : Dans cette étude prospective, 100 patients consécutifs qui consultent un médecin généraliste participant avec un problème de peau dans le centre de la Catalogne seront recrutés, la collecte de données est prévue pour durer 7 mois. Des images anonymisées des maladies de la peau seront prises et introduites dans l'interface du modèle ML, qui renverra le top 5 des diagnostics de précision. La même image sera également envoyée en tant que consultation de télédermatologie, selon le flux de travail actuel. Les évaluations du médecin généraliste, du modèle ML et des dermatologues seront comparées pour calculer la précision, la sensibilité, la spécificité et l'exactitude du modèle ML.
Aperçu de l'étude
Statut
Les conditions
Intervention / Traitement
Description détaillée
Une interface Web autonome sécurisée et anonyme compatible avec tout appareil mobile sera intégrée à l'API Autoderm. L'étude menée dans ce projet consistera en une étude prospective visant à évaluer les performances du modèle ML, en comparant sa capacité de diagnostic avec des médecins généralistes et des dermatologues.
Pour mener l'étude, la procédure suivante sera exécutée jusqu'à ce que le nombre requis d'échantillons soit atteint :
- Un patient approprié ayant des problèmes de peau est invité à participer et à signer l'accord d'étude du patient.
- GP diagnostiquera l'état de la peau.
- Le médecin généraliste (ou l'infirmière) prendra une image de bonne qualité de l'état de la peau.
- Le médecin généraliste enverra la photo sous forme de consultation de télédermatologie en suivant le flux de travail actuel.
- L'image est saisie dans l'interface d'Autoderm ML.
- Le dermatologue diagnostiquera l'état de la peau.
L'étude sera menée dans des centres de soins primaires gérés par l'Institut catalan de la santé. Le PCP participant sera situé dans les zones rurales et métropolitaines de la Catalogne centrale, qui comprend les régions d'Anoia, Bages, Moianès, Berguedà et Osona. La population de référence incluse dans l'étude sera d'environ 512 050 personnes. Le recrutement des sujets potentiels se fera sur une base consécutive.
Les médecins généralistes recueilleront les données de patients consécutifs répondant aux critères d'inclusion après avoir obtenu un consentement éclairé écrit. Les données collectées seront rapportées exclusivement dans le formulaire de rapport de cas (joint aux annexes V et VI).
Le médecin généraliste diagnostiquera l'état de la peau et remplira le formulaire « Évaluation en face à face par le médecin généraliste ». Pour chaque patient, le médecin généraliste à l'aide d'une caméra de smartphone prendra une image rapprochée de bonne qualité du problème de peau. L'image sera anonyme et il ne sera pas possible d'identifier les patients. Le médecin généraliste utilisera l'interface Autoderm ML pour télécharger l'image anonymisée et remplira le questionnaire "Évaluation fournie par le modèle ML" avec les 3 premiers diagnostics générés par le modèle ML.
Afin d'obtenir un deuxième avis, le médecin généraliste intégrera l'image anonymisée et une description précise de la lésion cutanée dans les antécédents médicaux du patient suivant le flux de télédermatologie en cours. Le médecin généraliste remplira le questionnaire "Évaluation par télédermatologie" après avoir reçu les informations, le temps de réponse étant d'environ 2 à 7 jours.
En cas de référence en dermatologie, le médecin généraliste remplira "Évaluation par un dermatologue en personne", en accédant aux dossiers de santé électroniques au fur et à mesure de leur disponibilité, le temps d'attente moyen pour une référence étant de 30 à 90 jours.
Le numéro de cas du questionnaire sera le même pour tous les questionnaires et il ne sera pas possible d'identifier le patient, car le numéro de cas sera prédéfini avant le début de la phase de collecte des données.
Pour comparer les performances du modèle ML avec celles des médecins généralistes et des dermatologues, il sera nécessaire de disposer d'un échantillon de 100 images de maladies de la peau provenant de patients répondant aux critères d'inclusion. La taille de l'échantillon proposé est basée sur le calcul de la taille de l'échantillon utilisé dans des recherches similaires.
Type d'étude
Inscription (Réel)
Phase
- N'est pas applicable
Contacts et emplacements
Lieux d'étude
-
-
Barcelona
-
Navàs, Barcelona, Espagne, 08670
- CAP Navàs
-
-
Critères de participation
Critère d'éligibilité
Âges éligibles pour étudier
Accepte les volontaires sains
Sexes éligibles pour l'étude
La description
Critère d'intégration:
- Patients atteints d'une maladie cutanée raison de la visite.
- Les patients qui fournissent un consentement éclairé écrit.
- Patients âgés de 18 ans ou plus.
Critère d'exclusion:
- Patients atteints de démence avancée.
- Patients présentant une lésion cutanée impossible à photographier avec un smartphone et des images de mauvaise qualité.
- Les patients qui ont des conditions associées à un risque de mauvaise observance du protocole.
Plan d'étude
Comment l'étude est-elle conçue ?
Détails de conception
- Objectif principal: DIAGNOSTIQUE
- Répartition: N / A
- Modèle interventionnel: SINGLE_GROUP
- Masquage: AUCUN
Armes et Interventions
Groupe de participants / Bras |
Intervention / Traitement |
---|---|
EXPÉRIMENTAL: Test de diagnostic : modèle ML
La capacité diagnostique du modèle ML sera comparée à celle des médecins généralistes et des dermatologues.
|
Le généraliste utilisant une caméra de smartphone prendra une image du problème de peau et utilisera l'interface Autoderm ML pour télécharger l'image anonymisée.
Le diagnostic prédit obtenu sera enregistré dans le formulaire de rapport de cas.
|
Que mesure l'étude ?
Principaux critères de jugement
Mesure des résultats |
Description de la mesure |
Délai |
---|---|---|
Sensibilité du modèle ML
Délai: 1 an
|
Taux de vrais positifs du modèle ML
|
1 an
|
Spécificité du modèle ML
Délai: 1 an
|
Taux de vrais négatifs du modèle ML
|
1 an
|
Précision du modèle ML
Délai: 1 an
|
Rapport du nombre de prédictions correctes au nombre total d'échantillons d'entrée
|
1 an
|
Aire sous la courbe caractéristique de fonctionnement du récepteur du modèle ML
Délai: 1 an
|
Capacité de diagnostic du modèle ML
|
1 an
|
Mesures de résultats secondaires
Mesure des résultats |
Description de la mesure |
Délai |
---|---|---|
Taux de participants éligibles qui acceptent de participer à l'étude
Délai: 1 an
|
Fréquence des patients qui acceptent de participer à l'essai clinique et qui sont éligibles.
|
1 an
|
Collaborateurs et enquêteurs
Parrainer
Publications et liens utiles
Publications générales
- Lim HW, Collins SAB, Resneck JS Jr, Bolognia JL, Hodge JA, Rohrer TA, Van Beek MJ, Margolis DJ, Sober AJ, Weinstock MA, Nerenz DR, Smith Begolka W, Moyano JV. The burden of skin disease in the United States. J Am Acad Dermatol. 2017 May;76(5):958-972.e2. doi: 10.1016/j.jaad.2016.12.043. Epub 2017 Mar 1.
- Schofield JK, Fleming D, Grindlay D, Williams H. Skin conditions are the commonest new reason people present to general practitioners in England and Wales. Br J Dermatol. 2011 Nov;165(5):1044-50. doi: 10.1111/j.1365-2133.2011.10464.x. Epub 2011 Sep 22.
- Dokotor.se [Internet]. Survey Telemedicine statistics Dokotor.se, the % of queries that are dermatology related 2019 [cited 2019]
- Activitat assistencial de la xarxa sanitària de Catalunya, any 2012: registre del conjunt mínim bàsic de dades (CMBD). Barcelona: Departament de Salut. 2013.
- Lowell BA, Froelich CW, Federman DG, Kirsner RS. Dermatology in primary care: Prevalence and patient disposition. J Am Acad Dermatol. 2001 Aug;45(2):250-5. doi: 10.1067/mjd.2001.114598.
- Porta N, San Juan J, Grasa MP, Simal E, Ara M, Querol MA. [Diagnostic agreement between primary care physicians and dermatologists in the health area of a referral hospital]. Actas Dermosifiliogr. 2008 Apr;99(3):207-12. Spanish.
- Lopez Segui F, Franch Parella J, Girones Garcia X, Mendioroz Pena J, Garcia Cuyas F, Adroher Mas C, Garcia-Altes A, Vidal-Alaball J. A Cost-Minimization Analysis of a Medical Record-based, Store and Forward and Provider-to-provider Telemedicine Compared to Usual Care in Catalonia: More Agile and Efficient, Especially for Users. Int J Environ Res Public Health. 2020 Mar 18;17(6):2008. doi: 10.3390/ijerph17062008.
- Borve A, Dahlen Gyllencreutz J, Terstappen K, Johansson Backman E, Aldenbratt A, Danielsson M, Gillstedt M, Sandberg C, Paoli J. Smartphone teledermoscopy referrals: a novel process for improved triage of skin cancer patients. Acta Derm Venereol. 2015 Feb;95(2):186-90. doi: 10.2340/00015555-1906.
- Ferrer RT, Bezares AP, Manes AL, Mas AV, Gutierrez IT, Llado CN, Estaras GM. [Diagnostic reliability of an asynchronous teledermatology consultation]. Aten Primaria. 2009 Oct;41(10):552-7. doi: 10.1016/j.aprim.2008.11.012. Epub 2009 Jun 5. Spanish.
- Gomolin A, Netchiporouk E, Gniadecki R, Litvinov IV. Artificial Intelligence Applications in Dermatology: Where Do We Stand? Front Med (Lausanne). 2020 Mar 31;7:100. doi: 10.3389/fmed.2020.00100. eCollection 2020.
- Esteva A, Kuprel B, Novoa RA, Ko J, Swetter SM, Blau HM, Thrun S. Dermatologist-level classification of skin cancer with deep neural networks. Nature. 2017 Feb 2;542(7639):115-118. doi: 10.1038/nature21056. Epub 2017 Jan 25. Erratum In: Nature. 2017 Jun 28;546(7660):686.
- Liu Y, Jain A, Eng C, Way DH, Lee K, Bui P, Kanada K, de Oliveira Marinho G, Gallegos J, Gabriele S, Gupta V, Singh N, Natarajan V, Hofmann-Wellenhof R, Corrado GS, Peng LH, Webster DR, Ai D, Huang SJ, Liu Y, Dunn RC, Coz D. A deep learning system for differential diagnosis of skin diseases. Nat Med. 2020 Jun;26(6):900-908. doi: 10.1038/s41591-020-0842-3. Epub 2020 May 18.
- Kamulegeya LH, Okello M, Bwanika JM, Musinguzi D, Lubega W, Rusoke D, et al. Using artificial intelligence on dermatology conditions in Uganda: A case for diversity in training data sets for machine learning. bioRxiv [Internet]. 2019 Jan 1;826057. Available from: http://biorxiv.org/content/early/2019/10/31/826057.abstract .
- Evaluation of the diagnostic accuracy of an online artificial intelligence app for skin disease diagnosis. Alexander Larson, Degree Project in Medicine, Sahlgrenska University Hospital Department of Dermatology and Venereology, Gothenburg, Sweden 2018.
- Brinker TJ, Hekler A, Enk AH, Klode J, Hauschild A, Berking C, Schilling B, Haferkamp S, Schadendorf D, Holland-Letz T, Utikal JS, von Kalle C; Collaborators. Deep learning outperformed 136 of 157 dermatologists in a head-to-head dermoscopic melanoma image classification task. Eur J Cancer. 2019 May;113:47-54. doi: 10.1016/j.ejca.2019.04.001. Epub 2019 Apr 10.
- Haenssle HA, Fink C, Schneiderbauer R, Toberer F, Buhl T, Blum A, Kalloo A, Hassen ABH, Thomas L, Enk A, Uhlmann L; Reader study level-I and level-II Groups; Alt C, Arenbergerova M, Bakos R, Baltzer A, Bertlich I, Blum A, Bokor-Billmann T, Bowling J, Braghiroli N, Braun R, Buder-Bakhaya K, Buhl T, Cabo H, Cabrijan L, Cevic N, Classen A, Deltgen D, Fink C, Georgieva I, Hakim-Meibodi LE, Hanner S, Hartmann F, Hartmann J, Haus G, Hoxha E, Karls R, Koga H, Kreusch J, Lallas A, Majenka P, Marghoob A, Massone C, Mekokishvili L, Mestel D, Meyer V, Neuberger A, Nielsen K, Oliviero M, Pampena R, Paoli J, Pawlik E, Rao B, Rendon A, Russo T, Sadek A, Samhaber K, Schneiderbauer R, Schweizer A, Toberer F, Trennheuser L, Vlahova L, Wald A, Winkler J, Wolbing P, Zalaudek I. Man against machine: diagnostic performance of a deep learning convolutional neural network for dermoscopic melanoma recognition in comparison to 58 dermatologists. Ann Oncol. 2018 Aug 1;29(8):1836-1842. doi: 10.1093/annonc/mdy166.
Dates d'enregistrement des études
Dates principales de l'étude
Début de l'étude (RÉEL)
Achèvement primaire (RÉEL)
Achèvement de l'étude (RÉEL)
Dates d'inscription aux études
Première soumission
Première soumission répondant aux critères de contrôle qualité
Première publication (RÉEL)
Mises à jour des dossiers d'étude
Dernière mise à jour publiée (RÉEL)
Dernière mise à jour soumise répondant aux critères de contrôle qualité
Dernière vérification
Plus d'information
Termes liés à cette étude
Mots clés
Termes MeSH pertinents supplémentaires
Autres numéros d'identification d'étude
- P20/159-P
Plan pour les données individuelles des participants (IPD)
Prévoyez-vous de partager les données individuelles des participants (DPI) ?
Description du régime IPD
Délai de partage IPD
Critères d'accès au partage IPD
Type d'informations de prise en charge du partage d'IPD
- PROTOCOLE D'ÉTUDE
- RSE
Informations sur les médicaments et les dispositifs, documents d'étude
Étudie un produit pharmaceutique réglementé par la FDA américaine
Étudie un produit d'appareil réglementé par la FDA américaine
Ces informations ont été extraites directement du site Web clinicaltrials.gov sans aucune modification. Si vous avez des demandes de modification, de suppression ou de mise à jour des détails de votre étude, veuillez contacter register@clinicaltrials.gov. Dès qu'un changement est mis en œuvre sur clinicaltrials.gov, il sera également mis à jour automatiquement sur notre site Web .
Essais cliniques sur Maladies de la peau
-
Utah State UniversityActif, ne recrute pasTrouble d'excoriation (skin-picking)États-Unis
-
Karolinska InstitutetRegion StockholmComplétéTrichotillomanie | Trouble d'excoriation (skin-picking)Suède