- ICH GCP
- USA klinikai vizsgálatok nyilvántartása
- Klinikai vizsgálat NCT06910956
Mély tanulás mellkasi röntgenfelvételek segítségével a tüdőrák szűrőinek magas kockázatú betegeinek azonosítására a CT
Mély tanulás rutin mellkasi röntgenfelvételek és elektronikus orvosi nyilvántartási adatok felhasználásával a tüdőrák magas kockázatú betegeinek azonosításához
Ennek a klinikai vizsgálatnak az a célja, hogy felmérje, hogy egy olyan AI eszköz, amely figyelmezteti-e a szolgáltatókat a betegek tüdőrák magas 6 éves kockázatával járó betegekre, mellkasi röntgenképük alapján javítja-e a tüdőrák szűrővizsgálatát a CT részvétele. A fő kérdés, amelyre célja a válasz: Az AI eszköz javítja -e a tüdőrák szűrését a CT részvételét az alapvető járóbeteg -látogatás utáni 6 hónapon belül
A beavatkozás riasztás a szolgáltató számára, hogy megvitassák a tüdőrák szűrésének CT jogosultságát, azoknak a betegeknek, akiknek a tüdőráknak a CXR-LC AI eszköz alapján magas kockázata van.
Ha van összehasonlító csoport: a kutatók összehasonlítják az intervenciós és a beavatkozási karokat annak meghatározására, hogy a tüdőrák szitanyomás-részvétele növekszik-e.
A tanulmány áttekintése
Állapot
Beavatkozás / kezelés
Tanulmány típusa
Beiratkozás (Becsült)
Fázis
- Nem alkalmazható
Kapcsolatok és helyek
Tanulmányi kapcsolat
- Név: Michael T Lu, MD, MPH
- Telefonszám: 617-726-1255
- E-mail: mlu@mgh.harvard.edu
Tanulmányi helyek
-
-
Massachusetts
-
Boston, Massachusetts, Egyesült Államok, 02114
- Toborzás
- Massachusetts General Hospital
-
Kapcsolatba lépni:
- Michael T Lu, MD, MPH
- Telefonszám: 617-724-9729
- E-mail: mlu@mgh.harvard.edu
-
-
Részvételi kritériumok
Jogosultsági kritériumok
Tanulmányozható életkorok
- Felnőtt
- Idősebb felnőtt
Egészséges önkénteseket fogad
Leírás
Főbb befogadási kritériumok:
- Ütemezett járóbeteg -kinevezés a résztvevő szolgáltatóval.
- 50–77 éves, aki jelenleg vagy korábban dohányzott, és beépítheti azokat a személyeket, akik potenciálisan jogosultak a tüdőszűrésre a Medicare iránymutatásai alapján.
- Legutóbb (2 éven belül) PA mellkasi röntgen.
Kizárási kritériumok:
• A tüdőrák története vagy tünetei/tünetei. Legutóbb (2 éven belül) mellkas Ct. A mellkas CT klinikai indikációja a tüdőrák szűrésén túl.
Tanulási terv
Hogyan készül a tanulmány?
Tervezési részletek
- Elsődleges cél: Szűrés
- Kiosztás: Véletlenszerűsített
- Beavatkozó modell: Párhuzamos hozzárendelés
- Maszkolás: Kettős
Fegyverek és beavatkozások
Résztvevő csoport / kar |
Beavatkozás / kezelés |
|---|---|
|
Kísérleti: Közbelépés
|
Figyelmeztetés a szolgáltató számára, hogy megvitassák a tüdőrák szűrésének CT jogosultságát, azoknak a betegeknek, akiknek a tüdőráknak a CXR-LC AI eszköz alapján nagy kockázata van.
|
|
Nincs beavatkozás: Be nem avatkozás
|
Mit mér a tanulmány?
Elsődleges eredményintézkedések
Eredménymérő |
Intézkedés leírása |
Időkeret |
|---|---|---|
|
A tüdőrák szűrésének aránya a látogatás utáni 6 hónapon belül a tüdőrák szűrése
Időkeret: 6 hónap
|
A tüdőrák szűrésére gyakorolt hatás felmérése a CT részvétele (úgy határozta meg, hogy a tüdőrák CT -t fejezi be) a kiindulási látogatás utáni 6 hónapban.
|
6 hónap
|
Másodlagos eredményintézkedések
Eredménymérő |
Intézkedés leírása |
Időkeret |
|---|---|---|
|
Suspicious lung nodules
Időkeret: 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
|
Együttműködők és nyomozók
Szponzor
Együttműködők
Publikációk és hasznos linkek
Általános kiadványok
- 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.
Tanulmányi rekorddátumok
Tanulmány főbb dátumok
Tanulmány kezdete (Tényleges)
Elsődleges befejezés (Becsült)
A tanulmány befejezése (Becsült)
Tanulmányi regisztráció dátumai
Először benyújtva
Először nyújtották be, amely megfelel a minőségbiztosítási kritériumoknak
Első közzététel (Tényleges)
Tanulmányi rekordok frissítései
Utolsó frissítés közzétéve (Tényleges)
Az utolsó frissítés elküldve, amely megfelel a minőségbiztosítási kritériumoknak
Utolsó ellenőrzés
Több információ
A tanulmányhoz kapcsolódó kifejezések
Kulcsszavak
További vonatkozó MeSH feltételek
Egyéb vizsgálati azonosító számok
- 2023P002872
- 2025P002902 (Egyéb azonosító: Mass General Hospital)
Terv az egyéni résztvevői adatokhoz (IPD)
Tervezi megosztani az egyéni résztvevői adatokat (IPD)?
Gyógyszer- és eszközinformációk, tanulmányi dokumentumok
Egy amerikai FDA által szabályozott gyógyszerkészítményt tanulmányoz
Egy amerikai FDA által szabályozott eszközterméket tanulmányoz
az Egyesült Államokban gyártott és onnan exportált termék
Ezt az információt közvetlenül a clinicaltrials.gov webhelyről szereztük be, változtatás nélkül. Ha bármilyen kérése van vizsgálati adatainak módosítására, eltávolítására vagy frissítésére, kérjük, írjon a következő címre: register@clinicaltrials.gov. Amint a változás bevezetésre kerül a clinicaltrials.gov oldalon, ez a webhelyünkön is automatikusan frissül. .