- ICH GCP
- Registre américain des essais cliniques
- Essai clinique NCT05048095
L'intelligence artificielle dans le dépistage du cancer du sein dans la région d'Östergötland Linkoping (AI-ROL)
L'utilisation de l'IA comme troisième lecteur et pendant le consensus dans un programme de dépistage du cancer du sein à double lecture en Suède
Aperçu de l'étude
Statut
Les conditions
Intervention / Traitement
Description détaillée
Le système de détection du cancer par IA agira comme un 3ème lecteur et rappellera des cas supplémentaires à la conférence de consensus : les examens qui n'ont pas été rappelés par double lecture mais qui sont classés comme les 3 % d'examens les plus suspects, sur la base des scores de risque de cancer dérivés de l'IA. Deuxièmement, l'IA est utilisée comme aide à la décision lors du consensus. Les scores de risque AI et les marques de détection assistée par ordinateur (CAD) des calcifications suspectes et des lésions des tissus mous sont fournis au(x) lecteur(s).
L'hypothèse de cette étude est que l'utilisation de l'IA a le potentiel d'améliorer la qualité du programme de dépistage en augmentant le taux de détection du cancer sans affecter le taux de rappel.
Type d'étude
Inscription (Réel)
Contacts et emplacements
Lieux d'étude
-
-
Östergötland
-
Linköping, Östergötland, Suède, 58185
- Region Östergötland
-
-
Critères de participation
Critère d'éligibilité
Âges éligibles pour étudier
Accepte les volontaires sains
Sexes éligibles pour l'étude
Méthode d'échantillonnage
Population étudiée
La description
Critère d'intégration:
- Femmes participant au programme régulier de dépistage du cancer du sein dans la région d'Östergötland Linkoping
Critère d'exclusion:
- Femmes avec des implants mammaires ou d'autres implants étrangers dans la mammographie
- Femmes présentant des symptômes ou des signes de suspicion de cancer du sein
Plan d'étude
Comment l'étude est-elle conçue ?
Détails de conception
- Modèles d'observation: Cohorte
- Perspectives temporelles: Éventuel
Cohortes et interventions
Groupe / Cohorte |
Intervention / Traitement |
|---|---|
|
Femmes dépistées dans la région Östergötland Linkoping
|
L'utilisation de l'IA comme troisième lecteur et comme système d'aide à la décision lors de la réunion de consensus
|
Que mesure l'étude ?
Principaux critères de jugement
Mesure des résultats |
Description de la mesure |
Délai |
|---|---|---|
|
Taux de détection du cancer
Délai: Après 4 mois d'inclusion
|
Proportion de femmes diagnostiquées avec un cancer du sein parmi celles rappelées après consensus
|
Après 4 mois d'inclusion
|
|
Taux de rappel ou de recommandation
Délai: Après 4 mois d'inclusion
|
Proportion de femmes référées pour un bilan diagnostique plus approfondi après consensus
|
Après 4 mois d'inclusion
|
|
Valeur prédictive positive des références
Délai: Après 4 mois d'inclusion
|
Proportion de femmes diagnostiquées avec un cancer du sein parmi celles référées
|
Après 4 mois d'inclusion
|
Mesures de résultats secondaires
Mesure des résultats |
Description de la mesure |
Délai |
|---|---|---|
|
Valeur prédictive positive des scores Transpara®
Délai: Après 4 mois d'inclusion
|
Proportion de cancers du sein diagnostiqués chez les femmes avec un score d'IA donné
|
Après 4 mois d'inclusion
|
Collaborateurs et enquêteurs
Parrainer
Les enquêteurs
- Chercheur principal: Håkan Gustafsson, PhD, Linköping University - University Hospital
Publications et liens utiles
Publications générales
- Rodriguez-Ruiz A, Lang K, Gubern-Merida A, Broeders M, Gennaro G, Clauser P, Helbich TH, Chevalier M, Tan T, Mertelmeier T, Wallis MG, Andersson I, Zackrisson S, Mann RM, Sechopoulos I. Stand-Alone Artificial Intelligence for Breast Cancer Detection in Mammography: Comparison With 101 Radiologists. J Natl Cancer Inst. 2019 Sep 1;111(9):916-922. doi: 10.1093/jnci/djy222.
- Rodriguez-Ruiz A, Krupinski E, Mordang JJ, Schilling K, Heywang-Kobrunner SH, Sechopoulos I, Mann RM. Detection of Breast Cancer with Mammography: Effect of an Artificial Intelligence Support System. Radiology. 2019 Feb;290(2):305-314. doi: 10.1148/radiol.2018181371. Epub 2018 Nov 20.
- van Winkel SL, Rodriguez-Ruiz A, Appelman L, Gubern-Merida A, Karssemeijer N, Teuwen J, Wanders AJT, Sechopoulos I, Mann RM. Impact of artificial intelligence support on accuracy and reading time in breast tomosynthesis image interpretation: a multi-reader multi-case study. Eur Radiol. 2021 Nov;31(11):8682-8691. doi: 10.1007/s00330-021-07992-w. Epub 2021 May 4.
- Pinto MC, Rodriguez-Ruiz A, Pedersen K, Hofvind S, Wicklein J, Kappler S, Mann RM, Sechopoulos I. Impact of Artificial Intelligence Decision Support Using Deep Learning on Breast Cancer Screening Interpretation with Single-View Wide-Angle Digital Breast Tomosynthesis. Radiology. 2021 Sep;300(3):529-536. doi: 10.1148/radiol.2021204432. Epub 2021 Jul 6.
- Raya-Povedano JL, Romero-Martin S, Elias-Cabot E, Gubern-Merida A, Rodriguez-Ruiz A, Alvarez-Benito M. AI-based Strategies to Reduce Workload in Breast Cancer Screening with Mammography and Tomosynthesis: A Retrospective Evaluation. Radiology. 2021 Jul;300(1):57-65. doi: 10.1148/radiol.2021203555. Epub 2021 May 4.
- Lang K, Dustler M, Dahlblom V, Akesson A, Andersson I, Zackrisson S. Identifying normal mammograms in a large screening population using artificial intelligence. Eur Radiol. 2021 Mar;31(3):1687-1692. doi: 10.1007/s00330-020-07165-1. Epub 2020 Sep 2.
- Rodriguez-Ruiz A, Lang K, Gubern-Merida A, Teuwen J, Broeders M, Gennaro G, Clauser P, Helbich TH, Chevalier M, Mertelmeier T, Wallis MG, Andersson I, Zackrisson S, Sechopoulos I, Mann RM. Can we reduce the workload of mammographic screening by automatic identification of normal exams with artificial intelligence? A feasibility study. Eur Radiol. 2019 Sep;29(9):4825-4832. doi: 10.1007/s00330-019-06186-9. Epub 2019 Apr 16.
- Lang K, Hofvind S, Rodriguez-Ruiz A, Andersson I. Can artificial intelligence reduce the interval cancer rate in mammography screening? Eur Radiol. 2021 Aug;31(8):5940-5947. doi: 10.1007/s00330-021-07686-3. Epub 2021 Jan 23.
- Sasaki M, Tozaki M, Rodriguez-Ruiz A, Yotsumoto D, Ichiki Y, Terawaki A, Oosako S, Sagara Y, Sagara Y. Artificial intelligence for breast cancer detection in mammography: experience of use of the ScreenPoint Medical Transpara system in 310 Japanese women. Breast Cancer. 2020 Jul;27(4):642-651. doi: 10.1007/s12282-020-01061-8. Epub 2020 Feb 12.
- Kerschke L, Weigel S, Rodriguez-Ruiz A, Karssemeijer N, Heindel W. Using deep learning to assist readers during the arbitration process: a lesion-based retrospective evaluation of breast cancer screening performance. Eur Radiol. 2022 Feb;32(2):842-852. doi: 10.1007/s00330-021-08217-w. Epub 2021 Aug 12.
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
- NCT20210157-AI-ROL
Plan pour les données individuelles des participants (IPD)
Prévoyez-vous de partager les données individuelles des participants (DPI) ?
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 .