- ICH GCP
- Registre américain des essais cliniques
- Essai clinique NCT05960188
Projet 1 : Auto-triage par mammographie numérique plein champ 2D ou images synthétiques
Projet 1 : Auto-triage par mammographie numérique plein champ 2D ou images synthétiques REMARQUE : Remarque, il s'agit d'une étude sous l'ID d'étude 386408 Projet 1 : Études radiologiques
Une méthode de dépistage du cancer du sein implique que les radiologues lisent des images de tomosynthèse numérique (DBT). DBT se compose d'une pile 3D de "tranches" de rayons X à travers le sein. L'examen est accompagné d'une image 2D comme une mammographie standard, une radiographie unique du sein. Dans un contexte de dépistage, la plupart des cas sont normaux. Parfois, il est évident qu'un cas est normal d'un coup d'œil rapide à l'image 2D. Cela accélérerait le processus de dépistage si les lecteurs pouvaient rejeter un cas clairement normal sur la base de l'image 2D, seule, sans regarder les images DBT. De toute évidence, les enquêteurs ne voudraient "trier" les cas de cette manière que s'ils étaient presque parfaitement sûrs qu'aucun cancer ne serait manqué. Dans cette étude, les enquêteurs examinent la volonté des radiologues de trier les cas et l'exactitude de leurs réponses. De plus, les enquêteurs s'interrogent sur l'impact d'un avis sur l'intelligence artificielle (IA). Serait-il possible de trier une image sur la seule base de l'avis de l'IA ?
Les radiologues examineront chaque cas pendant cinq secondes maximum et donneront une opinion (sur une échelle de 1 à 10) sur leur degré de certitude qu'un cas est normal. Ensuite, ils verront l'avis de l'IA. Enfin, ils diront (en utilisant une échelle de 1 à 10) dans quelle mesure ils seraient disposés à ce que l'IA traite ce cas sans intervention humaine.
Cette étude est le début d'un effort pour comprendre les conditions dans lesquelles les radiologues pourraient être disposés à déclarer un cas "normal" avec peu ou pas d'examen humain.
Aperçu de l'étude
Statut
Les conditions
Intervention / Traitement
Description détaillée
REMARQUE : cet enregistrement est lié à un enregistrement de sujets humains dans ASSIST. Cela, à son tour, fait partie d'une subvention NCI, CA207490. La subvention décrit de nombreuses expériences proposées et note que de nombreuses autres pourraient être réalisées dans le cadre d'études de suivi. À la suggestion du NIH, les enquêteurs ont regroupé ces études en trois "études", chacune couvrant plusieurs expériences. L'expérience décrite ici fait partie de "Study ID 386408 Project 1: Radiologist Studies". Il n'est pas possible d'enregistrer un ensemble d'expériences via le système PRS dans CT.gov et il n'est pas possible de déposer un rapport annuel pour la subvention (RPPR) sans numéro NCT pour les projets qui ont commencé à collecter des participants. En conséquence, les enquêteurs décrivent ici une expérience qui ferait partie du groupe d'études "Projet 1".
L'idée centrale du projet 1 est qu'il pourrait être possible pour Os d'éliminer de manière fiable un ensemble de cas dans la mammographie de dépistage après un bref examen d'une image 2D ou, potentiellement, après qu'un système d'IA ait examiné brièvement l'image. C'est-à-dire que le clinicien et/ou l'IA regarderaient l'image et sauraient "à coup sûr" qu'il n'y a rien et seraient prêts à rejeter ou à "trier" le cas sur la base de ce bref regard. Si le lecteur n'était pas complètement sûr, l'affaire obtiendrait un examen plus approfondi.
Pour commencer à examiner cette question, les enquêteurs voulaient estimer dans quelle mesure les cliniciens seraient disposés à trier un cas et comment ils interagiraient avec une IA à qui on a demandé de trier les cas. Un défi pour toute mise en œuvre du triage sera d'amener les cliniciens (sans parler des avocats, etc.) à accepter l'idée de ne pas regarder une image/un cas ou de regarder brièvement, disons, l'image 2D et d'être prêt à ne pas regardez les images de tomosynthèse numérique 3D (DBT). L'expérience rapportée ici par les enquêteurs est destinée à être un début d'étude de cette question. Il existe un continuum de cas allant de "évidemment normaux" à "évidemment anormaux". Les enquêteurs voulaient estimer le point sur ce continuum en dessous duquel un cas est si normal, que les lecteurs seraient disposés à laisser l'ordinateur trier le cas et/ou seraient disposés à trier un cas eux-mêmes. Il est également possible qu'il y ait des cas si anormaux que les patients puissent être rappelés pour un examen plus approfondi par l'ordinateur seul, bien que les enquêteurs n'étudient pas cette forme de triage dans ce cas. Les enquêteurs émettent l'hypothèse que ces points de triage seront liés à la fois à l'évaluation de la normalité de l'ordinateur et à l'évaluation du lecteur.
Méthode : Une mammographie 2D bilatérale est présentée pendant 5 secondes. Le délai est destiné à limiter l'examen normal qu'un radiologiste accorderait au cas. Les enquêteurs veulent une décision basée sur "l'essentiel" de l'affaire. Pour imiter la faible prévalence de la maladie dans une mammographie de dépistage, seuls 4 cas sur 150 sont positifs. Les lecteurs sont informés que les cas imitent un cadre de dépistage afin qu'ils sachent que les cas positifs seront rares, mais ils ne sont pas informés de la prévalence réelle.
Les enquêteurs demandent aux radiologues de répondre à deux questions sur chacun des 150 "cas" d'image unique. ("Jusqu'à 150" parce que les radiologues peuvent et doivent arrêter sans avoir terminé tous les cas. À l'aide d'une méthode d'échelle d'évaluation, les enquêteurs demandent :
Dans quelle mesure les participants sont-ils sûrs que ces images proviennent d'un cas normal ?
Ensuite, les enquêteurs disent aux lecteurs que "l'ordinateur a évalué ces images comme X sur 10 (10 : probabilité la plus élevée de présence d'un cancer)." Cette valeur AI est une cote réelle d'anomalie, générée par Transpara version 1.7.0 qui renvoie un score de probabilité de malignité pour l'examen. Les notes ont été obtenues par Sarah Verboom de Radboud U.
Ensuite, les enquêteurs demandent aux enquêteurs si le lecteur penserait qu'il était raisonnable pour l'ordinateur de trier le cas sans autre inspection humaine.
- Dans quelle mesure les participants seraient-ils disposés à ce que l'ordinateur prenne seul la décision concernant ce cas sans que les participants l'examinent ?
Os a répondu à l'aide d'une barre coulissante qui servait d'échelle de notation. La note sélectionnée était affichée en haut de la barre coulissante.
Intervenants :
Les premiers observateurs de cette étude ont été testés lors d'un « pop-lab », organisé lors de la Conférence européenne de radiologie (ECR, Vienne, mars 2023). Les enquêteurs ont organisé ces laboratoires comme une opportunité pour les chercheurs de nombreux laboratoires de venir à de grandes réunions comme ECR où ils pourraient être en mesure de tester des radiologues en plus grand nombre qu'à domicile. L'avantage est l'accès aux lecteurs. L'inconvénient est que les enquêteurs ne peuvent généralement obtenir que 15 à 30 minutes du temps d'un lecteur. Ainsi, les lecteurs de cette expérience étaient une population de convenance. Les enquêteurs ont testé 15 lecteurs. Ceux-ci variaient considérablement dans l'expérience. Les enquêteurs ont demandé combien de cas de dépistage ils estimaient lire chaque année. Cela variait de 0 (étudiants qui avaient appris la mammographie mais ne pratiquaient pas) à 8 000. Les lecteurs variaient également dans le nombre de cas qu'ils étaient prêts à lire pour nous, avant de manquer de temps/de patience. La fourchette était de 19 à 148 (moyenne de 83 cas). A ce stade, les enquêteurs ne sont pas en mesure de dire avec conviction si ces variables ont un impact important sur les résultats. Il s'agit d'un problème chronique avec des experts en test comme les radiologues. Il est extrêmement difficile de collecter autant de données qu'on le souhaiterait. Néanmoins, ces données peuvent nous renseigner sur les facteurs qui détermineront le succès ou l'échec du triage des images.
Type d'étude
Inscription (Estimé)
Phase
- N'est pas applicable
Contacts et emplacements
Coordonnées de l'étude
- Nom: Jeremy M Wolfe, PhD
- Numéro de téléphone: 617-851-1166
- E-mail: jwolfe@bwh.harvard.edu
Sauvegarde des contacts de l'étude
- Nom: Ava A Mitra, BA
- Numéro de téléphone: 617-525-3681
- E-mail: amitra@bwh.harvard.edu
Lieux d'étude
-
-
Massachusetts
-
Boston, Massachusetts, États-Unis, 02215
- Recrutement
- Visual Attention Lab / Brigham and Women's Hospital
-
Contact:
- Jeremy M Wolfe, PhD
- Numéro de téléphone: 617-851-1166
- E-mail: jwolfe@bwh.harvard.edu
-
Contact:
- Ava A Mitra, BA
- Numéro de téléphone: 617-525-3681
- E-mail: amitra@bwh.harvard.edu
-
-
Critères de participation
Critère d'éligibilité
Âges éligibles pour étudier
- Adulte
- Adulte plus âgé
Accepte les volontaires sains
La description
Critère d'intégration:
- Doit être radiologue ou stagiaire en radiologie
- une certaine expérience en lecture de mammographie.
Critère d'exclusion:
- acuité inférieure à 20/25 avec correction
Plan d'étude
Comment l'étude est-elle conçue ?
Détails de conception
- Objectif principal: Diagnostique
- Répartition: N / A
- Modèle interventionnel: Affectation à un seul groupe
- Masquage: Seul
Que mesure l'étude ?
Principaux critères de jugement
Mesure des résultats |
Description de la mesure |
Délai |
---|---|---|
Précision de la notation des anomalies
Délai: jusqu'à la fin des études, en moyenne 1 an
|
Les lecteurs évaluent l'anomalie de chaque image.
La mesure du résultat est l'accord avec la vérité étalon-or pour ce cas.
|
jusqu'à la fin des études, en moyenne 1 an
|
Note d'acceptation de l'IA
Délai: jusqu'à la fin des études, en moyenne 1 an
|
Les lecteurs indiquent s'ils accepteraient la note de l'IA comme définitive.
La mesure pertinente est le taux d'acceptation en fonction de l'évaluation de l'IA et de l'évaluation humaine de l'anomalie.
|
jusqu'à la fin des études, en moyenne 1 an
|
Collaborateurs et enquêteurs
Parrainer
Dates d'enregistrement des études
Dates principales de l'étude
Début de l'étude (Réel)
Achèvement primaire (Estimé)
Achèvement de l'étude (Estimé)
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
Autres numéros d'identification d'étude
- 2007P000646-D
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
- CIF
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 Dépistage du cancer du sein
-
AstraZenecaRecrutementAdv Solid Malig - H&N SCC, ATM Pro / Def NSCLC, Gastric, Breast and Ovarian CancerEspagne, États-Unis, Belgique, Royaume-Uni, France, Hongrie, Canada, Corée, République de, Australie
Essais cliniques sur Avis d'IA
-
Sidney Kimmel Comprehensive Cancer Center at Johns...Melanoma Research AllianceComplétéMélanome | Cancer du poumon non à petites cellules (NSCLC) | Carcinome à cellules rénales (RCC)États-Unis