- ICH GCP
- Registro degli studi clinici negli Stati Uniti
- Sperimentazione clinica NCT04562168
Utilizzo dell'intelligenza artificiale come strumento di supporto alle decisioni diagnostiche per aiutare la diagnosi delle malattie della pelle nell'assistenza sanitaria di base in Catalogna
Sfondo: Le condizioni dermatologiche sono un problema di salute rilevante. I modelli di apprendimento automatico vengono sempre più applicati alla dermatologia come strumento di supporto alle decisioni diagnostiche utilizzando l'analisi delle immagini, in particolare per il rilevamento e la classificazione del cancro della pelle.
Obiettivo: L'obiettivo di questo studio è eseguire una validazione prospettica di un modello ML di analisi delle immagini, in grado di eseguire lo screening di 44 diversi tipi di malattie della pelle, confrontando la sua capacità diagnostica con quella dei medici generici (GP) e dei dermatologi.
Metodi: in questo studio prospettico verranno reclutati 100 pazienti consecutivi che visitano un medico di base partecipante con un problema di pelle nella Catalogna centrale, la raccolta dei dati è pianificata per durare 7 mesi. Le immagini anonime delle malattie della pelle verranno scattate e introdotte nell'interfaccia del modello ML, che restituirà la diagnosi di precisione delle prime 5. La stessa immagine verrà inviata anche come consulenza teledermatologica, seguendo il flusso di lavoro attuale. Le valutazioni del medico di base, del modello ML e del dermatologo/i verranno confrontate per calcolare la precisione, la sensibilità, la specificità e l'accuratezza del modello ML.
Panoramica dello studio
Stato
Condizioni
Intervento / Trattamento
Descrizione dettagliata
Un'interfaccia Web autonoma sicura e anonima compatibile con qualsiasi dispositivo mobile sarà integrata con l'API di Autoderm. Lo studio condotto in questo progetto consisterà in uno studio prospettico volto a valutare le prestazioni del modello ML, confrontando la sua capacità diagnostica con medici generici e dermatologi.
Per condurre lo studio verrà eseguita la seguente procedura fino al raggiungimento del numero richiesto di campioni:
- Un paziente idoneo con problemi di pelle è invitato a partecipare e firmare l'accordo di studio del paziente.
- GP diagnosticherà la condizione della pelle.
- Il medico di famiglia (o l'infermiere) scatterà un'immagine di buona qualità della condizione della pelle.
- Il medico di base invierà la fotografia come consulenza teledermatologica seguendo il flusso di lavoro corrente.
- L'immagine viene inserita nell'interfaccia di Autoderm ML.
- Il dermatologo diagnosticherà la condizione della pelle.
Lo studio sarà condotto nei centri di cure primarie gestiti dall'Istituto di sanità catalano. Il PCP partecipante sarà situato nelle aree rurali e metropolitane della Catalogna centrale, che comprende le regioni di Anoia, Bages, Moianès, Berguedà e Osona. La popolazione di riferimento inclusa nello studio sarà di circa 512.050. L'assunzione degli aspiranti soggetti avverrà su base consecutiva.
I medici generici raccoglieranno dati da pazienti consecutivi che soddisfano i criteri di inclusione dopo aver ottenuto il consenso informato scritto. I dati raccolti saranno riportati esclusivamente nel modulo case report (allegato V e VI).
Il medico di base diagnosticherà la condizione della pelle e compilerà la "valutazione faccia a faccia da parte del medico di base". Per ogni paziente, il medico di base, utilizzando la fotocamera dello smartphone, acquisirà un'immagine ravvicinata di buona qualità del problema cutaneo. L'immagine sarà anonima e non sarà possibile identificare i pazienti. Il medico di base utilizzerà l'interfaccia Autoderm ML per caricare l'immagine anonimizzata e compilerà il questionario "Valutazione fornita dal modello ML" con le prime 3 diagnosi generate dal modello ML.
Per ottenere un secondo parere, il medico di base incorporerà l'immagine anonima e una descrizione accurata della lesione cutanea nella storia medica del paziente seguendo l'attuale flusso di teledermatologia. Il medico di base compilerà il questionario "Valutazione tramite teledermatologia" dopo aver ricevuto le informazioni, con un tempo di risposta di circa 2-7 giorni.
In caso di visita dermatologica, il MMG compilerà la “Valutazione del dermatologo di persona”, accedendo alle cartelle cliniche elettroniche man mano che si renderanno disponibili, essendo il tempo medio di attesa per la visita da 30 a 90 giorni.
Il numero del caso del questionario sarà lo stesso per tutti i questionari e non sarà possibile identificare il paziente, poiché il numero del caso sarà predefinito prima dell'inizio della fase di raccolta dei dati.
Per confrontare le prestazioni del modello ML con quelle dei medici generici e dei dermatologi, sarà richiesto un campione di 100 immagini di malattie della pelle da pazienti che soddisfano i criteri di inclusione. La dimensione del campione proposta si basa sul calcolo della dimensione del campione utilizzato in ricerche simili.
Tipo di studio
Iscrizione (Effettivo)
Fase
- Non applicabile
Contatti e Sedi
Luoghi di studio
-
-
Barcelona
-
Navàs, Barcelona, Spagna, 08670
- CAP Navàs
-
-
Criteri di partecipazione
Criteri di ammissibilità
Età idonea allo studio
Accetta volontari sani
Sessi ammissibili allo studio
Descrizione
Criterio di inclusione:
- Pazienti con malattia cutanea motivo della visita.
- Pazienti che forniscono il consenso informato scritto.
- Pazienti di età pari o superiore a 18 anni.
Criteri di esclusione:
- Pazienti con demenza avanzata.
- Pazienti con una lesione cutanea non fotografabile con uno smartphone e immagini di scarsa qualità.
- Pazienti che presentano condizioni associate al rischio di scarsa compliance al protocollo.
Piano di studio
Come è strutturato lo studio?
Dettagli di progettazione
- Scopo principale: DIAGNOSTICO
- Assegnazione: N / A
- Modello interventistico: SINGOLO_GRUPPO
- Mascheramento: NESSUNO
Armi e interventi
Gruppo di partecipanti / Arm |
Intervento / Trattamento |
---|---|
SPERIMENTALE: Test diagnostico: modello ML
La capacità diagnostica del modello ML sarà confrontata con quella dei medici di medicina generale e con quella del dermatologo.
|
Il medico di famiglia che utilizza una fotocamera dello smartphone scatterà un'immagine del problema della pelle e utilizzerà l'interfaccia Autoderm ML per caricare l'immagine anonima.
La diagnosi prevista ottenuta sarà registrata in forma di case report.
|
Cosa sta misurando lo studio?
Misure di risultato primarie
Misura del risultato |
Misura Descrizione |
Lasso di tempo |
---|---|---|
Sensibilità del modello ML
Lasso di tempo: 1 anno
|
Tasso di veri positivi del modello ML
|
1 anno
|
Specificità del modello ML
Lasso di tempo: 1 anno
|
Tasso vero negativo del modello ML
|
1 anno
|
Accuratezza del modello ML
Lasso di tempo: 1 anno
|
Rapporto tra il numero di previsioni corrette e il numero totale di campioni di input
|
1 anno
|
Area sotto la curva caratteristica operativa del ricevitore del modello ML
Lasso di tempo: 1 anno
|
Capacità diagnostica del modello ML
|
1 anno
|
Misure di risultato secondarie
Misura del risultato |
Misura Descrizione |
Lasso di tempo |
---|---|---|
Tasso dei partecipanti idonei che accettano di partecipare allo studio
Lasso di tempo: 1 anno
|
Frequenza dei pazienti che accettano di partecipare alla sperimentazione clinica e sono idonei.
|
1 anno
|
Collaboratori e investigatori
Sponsor
Pubblicazioni e link utili
Pubblicazioni generali
- 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.
Studiare le date dei record
Studia le date principali
Inizio studio (EFFETTIVO)
Completamento primario (EFFETTIVO)
Completamento dello studio (EFFETTIVO)
Date di iscrizione allo studio
Primo inviato
Primo inviato che soddisfa i criteri di controllo qualità
Primo Inserito (EFFETTIVO)
Aggiornamenti dei record di studio
Ultimo aggiornamento pubblicato (EFFETTIVO)
Ultimo aggiornamento inviato che soddisfa i criteri QC
Ultimo verificato
Maggiori informazioni
Termini relativi a questo studio
Parole chiave
Termini MeSH pertinenti aggiuntivi
Altri numeri di identificazione dello studio
- P20/159-P
Piano per i dati dei singoli partecipanti (IPD)
Hai intenzione di condividere i dati dei singoli partecipanti (IPD)?
Descrizione del piano IPD
Periodo di condivisione IPD
Criteri di accesso alla condivisione IPD
Tipo di informazioni di supporto alla condivisione IPD
- STUDIO_PROTOCOLLO
- RSI
Informazioni su farmaci e dispositivi, documenti di studio
Studia un prodotto farmaceutico regolamentato dalla FDA degli Stati Uniti
Studia un dispositivo regolamentato dalla FDA degli Stati Uniti
Queste informazioni sono state recuperate direttamente dal sito web clinicaltrials.gov senza alcuna modifica. In caso di richieste di modifica, rimozione o aggiornamento dei dettagli dello studio, contattare register@clinicaltrials.gov. Non appena verrà implementata una modifica su clinicaltrials.gov, questa verrà aggiornata automaticamente anche sul nostro sito web .
Prove cliniche su Malattie della pelle
-
Aalborg UniversityCompletatoPrurito | Papaina | Skin Prick Test (SPT)Danimarca
-
Assistance Publique - Hôpitaux de ParisIltoo PharmaCompletatoRinocongiuntivite allergica al polline di betulla | Con un Skin Prick Test positivo al polline di betullaFrancia