Apprentissage en profondeur à l'aide de radiographies thoraciques pour identifier les patients à haut risque pour le dépistage du cancer du poumon CT
Apprentissage en profondeur utilisant des rayons X thoraciques de routine et des données de dossiers médicaux électroniques pour identifier les patients à haut risque pour le dépistage du cancer du poumon CT
L'objectif de cet essai clinique est d'évaluer si un outil d'IA qui alerte les fournisseurs de patients à un risque élevé de cancer du poumon à 6 ans en fonction de leurs images de rayons x thoraciques améliorera la participation à la TDM du dépistage du cancer du poumon. La principale question à laquelle il vise à répondre est la suivante: l'outil d'IA améliore-t-il la participation de la TDM du dépistage du cancer du poumon à 6 mois après la visite ambulatoire de référence
L'intervention est une alerte du fournisseur pour discuter de l'admissibilité à la TDM du dépistage du cancer du poumon, pour les patients considérés comme un risque élevé de cancer du poumon basé sur l'outil CXR-LC IA.
S'il y a un groupe de comparaison: les chercheurs comparent l'intervention et les bras non interventionnels pour déterminer si la participation à la participation de la TDM de l'écran du cancer du poumon.
Aperçu de l'étude
Statut
Les conditions
Intervention / Traitement
Type d'étude
Inscription (Estimé)
Phase
- N'est pas applicable
Contacts et emplacements
Coordonnées de l'étude
- Nom: Michael T Lu, MD, MPH
- Numéro de téléphone: 617-726-1255
- E-mail: mlu@mgh.harvard.edu
Lieux d'étude
-
-
Massachusetts
-
Boston, Massachusetts, États-Unis, 02114
- Recrutement
- Massachusetts General Hospital
-
Contact:
- Michael T Lu, MD, MPH
- Numéro de téléphone: 617-724-9729
- E-mail: mlu@mgh.harvard.edu
-
-
Critères de participation
Critère d'éligibilité
Âges éligibles pour étudier
- Adulte
- Adulte plus âgé
Accepte les volontaires sains
La description
Critères d'inclusion majeurs:
- Rendez-vous ambulatoire prévu avec le fournisseur participant.
- 50 à 77 ans qui fume actuellement ou auparavant, pour inclure des personnes potentiellement éligibles au dépistage pulmonaire basé sur les directives de l'assurance-maladie.
- Radiographie récent (dans les 2 ans) PA Chest.
Critères d'exclusion:
• Antécédents ou signes / symptômes du cancer du poumon. CT de poitrine récent (dans les 2 ans). Indication clinique pour la tomodensitométrie thoracique au-delà du dépistage du cancer du poumon.
Plan d'étude
Comment l'étude est-elle conçue ?
Détails de conception
- Objectif principal: Dépistage
- Répartition: Randomisé
- Modèle interventionnel: Affectation parallèle
- Masquage: Double
Armes et Interventions
Groupe de participants / Bras |
Intervention / Traitement |
|---|---|
|
Expérimental: Intervention
|
Alerte au fournisseur pour discuter de l'admissibilité au dépistage du cancer du poumon, pour les patients considérés comme un risque élevé de cancer du poumon basé sur l'outil CXR-LC IA.
|
|
Aucune intervention: Non-intervention
|
Que mesure l'étude ?
Principaux critères de jugement
Mesure des résultats |
Description de la mesure |
Délai |
|---|---|---|
|
Proportion d'achèvement du dépistage du cancer du poumon CT dans 6 mois après la visite
Délai: 6 mois
|
Évaluer l'impact sur la participation de la TDM du dépistage du cancer du poumon (défini comme la réalisation du dépistage du cancer du poumon) dans les 6 mois suivant la visite de base.
|
6 mois
|
Mesures de résultats secondaires
Mesure des résultats |
Description de la mesure |
Délai |
|---|---|---|
|
Suspicious lung nodules
Délai: 6 months
|
Suspicious lung nodules (Lung-RADS 4a or greater, including lung nodules ≥8 mm in diameter) identified on CT or diagnosed lung cancer.
|
6 months
|
Collaborateurs et enquêteurs
Parrainer
Collaborateurs
Publications et liens utiles
Publications générales
- Lu MT, Raghu VK, Mayrhofer T, Aerts HJWL, Hoffmann U. Deep Learning Using Chest Radiographs to Identify High-Risk Smokers for Lung Cancer Screening Computed Tomography: Development and Validation of a Prediction Model. Ann Intern Med. 2020 Nov 3;173(9):704-713. doi: 10.7326/M20-1868. Epub 2020 Sep 1.
- Lee JH, Lee D, Lu MT, Raghu VK, Park CM, Goo JM, Choi SH, Kim H. Deep Learning to Optimize Candidate Selection for Lung Cancer CT Screening: Advancing the 2021 USPSTF Recommendations. Radiology. 2022 Oct;305(1):209-218. doi: 10.1148/radiol.212877. Epub 2022 Jun 14.
- Raghu VK, Walia AS, Zinzuwadia AN, Goiffon RJ, Shepard JO, Aerts HJWL, Lennes IT, Lu MT. Validation of a Deep Learning-Based Model to Predict Lung Cancer Risk Using Chest Radiographs and Electronic Medical Record Data. JAMA Netw Open. 2022 Dec 1;5(12):e2248793. doi: 10.1001/jamanetworkopen.2022.48793.
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
Termes MeSH pertinents supplémentaires
Autres numéros d'identification d'étude
- 2023P002872
- 2025P002902 (Autre identifiant: Mass General Hospital)
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
produit fabriqué et exporté des États-Unis.
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 .