Reti neurali profonde sull'accuratezza della diagnosi delle malattie della pelle nei non dermatologi
25 ottobre 2022 aggiornato da: Pyoeng Gyun Choe
Effetto dell'utilizzo delle reti neurali profonde sull'accuratezza della diagnosi delle malattie della pelle nei medici non dermatologi
Contesto: le reti neurali profonde (DNN) sono state applicate a molti tipi di malattie della pelle in contesti sperimentali.
Obiettivo: L'obiettivo di questo studio è confermare l'aumento delle reti neurali profonde per la diagnosi delle malattie della pelle in medici non dermatologi in un contesto reale.
Metodi: Verrà arruolato un totale di 40 medici non dermatologi in un singolo ospedale di cura terziaria. Saranno randomizzati in un gruppo DNN e in un gruppo di controllo. Confrontando due gruppi, i ricercatori stimeranno l'effetto dell'utilizzo di reti neurali profonde sulla diagnosi delle malattie della pelle in termini di accuratezza.
Panoramica dello studio
Stato
Terminato
Condizioni
Intervento / Trattamento
Descrizione dettagliata
Nel gruppo DNN e nel gruppo di controllo, questi passaggi sono lo stesso processo.
- Esame di routine e acquisizione di fotografie delle lesioni cutanee per tutti i pazienti della serie consecutiva idonei.
- Fare una diagnosi clinica (PRIMA-DX)
- Fare una diagnosi clinica (AFTER-DX)
- consultare il dermatologo
Nel gruppo DNN, dopo aver realizzato il BEFORE-DX, i medici utilizzano reti neurali profonde e realizzano un AFTER-DX considerando i risultati delle reti neurali profonde (Model Dermatology, build 2020).
Nel gruppo di controllo, dopo aver eseguito il PRIMA-DX, i medici effettuano un DOPO-DX dopo aver rivisto ancora una volta le immagini delle lesioni cutanee.
La verità fondamentale si baserà sulla biopsia, se disponibile, o sulla diagnosi di consenso dei dermatologi.
Gli investigatori confronteranno l'accuratezza tra il gruppo DNN e il gruppo di controllo dopo 6 mesi consecutivi di studio.
Tipo di studio
Interventistico
Iscrizione (Effettivo)
55
Fase
- Non applicabile
Contatti e Sedi
Questa sezione fornisce i recapiti di coloro che conducono lo studio e informazioni su dove viene condotto lo studio.
Luoghi di studio
-
-
-
Seoul, Corea, Repubblica di, 03080
- Seoul National University Hospital
-
-
Criteri di partecipazione
I ricercatori cercano persone che corrispondano a una certa descrizione, chiamata criteri di ammissibilità. Alcuni esempi di questi criteri sono le condizioni generali di salute di una persona o trattamenti precedenti.
Criteri di ammissibilità
Età idonea allo studio
- ADULTO
- ANZIANO_ADULTO
- BAMBINO
Accetta volontari sani
No
Sessi ammissibili allo studio
Tutto
Descrizione
Criterio di inclusione:
- medico non dermatologo (residenti) che accettano di partecipare a questo studio
Criteri di esclusione:
- specializzandi in dermatologia
- residenti non dermatologi che utilizzano altre reti neurali profonde per la diagnosi delle lesioni cutanee
Piano di studio
Questa sezione fornisce i dettagli del piano di studio, compreso il modo in cui lo studio è progettato e ciò che lo studio sta misurando.
Come è strutturato lo studio?
Dettagli di progettazione
- Scopo principale: DIAGNOSTICO
- Assegnazione: RANDOMIZZATO
- Modello interventistico: PARALLELO
- Mascheramento: NESSUNO
Armi e interventi
Gruppo di partecipanti / Arm |
Intervento / Trattamento |
|---|---|
|
SPERIMENTALE: Gruppo DNN
utilizzando reti neurali profonde per la diagnosi delle lesioni cutanee
|
I medici del gruppo DNN scattano foto della lesione cutanea e utilizzano l'algoritmo caricando le immagini.
|
|
NESSUN_INTERVENTO: Gruppo di controllo
diagnosi convenzionale
|
Cosa sta misurando lo studio?
Misure di risultato primarie
Misura del risultato |
Misura Descrizione |
Lasso di tempo |
|---|---|---|
|
Precisione diagnostica top-1
Lasso di tempo: 6 mesi consecutivi
|
frequenza della previsione Top-1 corretta
|
6 mesi consecutivi
|
Misure di risultato secondarie
Misura del risultato |
Misura Descrizione |
Lasso di tempo |
|---|---|---|
|
Accuratezza diagnostica Top-2 e 3
Lasso di tempo: 6 mesi consecutivi
|
frequenza della corretta previsione Top-2 e 3
|
6 mesi consecutivi
|
|
Sensibilità alle infezioni
Lasso di tempo: 6 mesi consecutivi
|
tasso positivo di diagnosi di infezione
|
6 mesi consecutivi
|
|
Sensibilità alla malignità
Lasso di tempo: 6 mesi consecutivi
|
Tasso positivo di diagnosi di malignità
|
6 mesi consecutivi
|
Collaboratori e investigatori
Qui è dove troverai le persone e le organizzazioni coinvolte in questo studio.
Sponsor
Pubblicazioni e link utili
La persona responsabile dell'inserimento delle informazioni sullo studio fornisce volontariamente queste pubblicazioni. Questi possono riguardare qualsiasi cosa relativa allo studio.
Pubblicazioni generali
- Wang P, Liu X, Berzin TM, Glissen Brown JR, Liu P, Zhou C, Lei L, Li L, Guo Z, Lei S, Xiong F, Wang H, Song Y, Pan Y, Zhou G. Effect of a deep-learning computer-aided detection system on adenoma detection during colonoscopy (CADe-DB trial): a double-blind randomised study. Lancet Gastroenterol Hepatol. 2020 Apr;5(4):343-351. doi: 10.1016/S2468-1253(19)30411-X. Epub 2020 Jan 22. Erratum In: Lancet Gastroenterol Hepatol. 2020 Apr;5(4):e3.
- Lin H, Li R, Liu Z, Chen J, Yang Y, Chen H, Lin Z, Lai W, Long E, Wu X, Lin D, Zhu Y, Chen C, Wu D, Yu T, Cao Q, Li X, Li J, Li W, Wang J, Yang M, Hu H, Zhang L, Yu Y, Chen X, Hu J, Zhu K, Jiang S, Huang Y, Tan G, Huang J, Lin X, Zhang X, Luo L, Liu Y, Liu X, Cheng B, Zheng D, Wu M, Chen W, Liu Y. Diagnostic Efficacy and Therapeutic Decision-making Capacity of an Artificial Intelligence Platform for Childhood Cataracts in Eye Clinics: A Multicentre Randomized Controlled Trial. EClinicalMedicine. 2019 Mar 17;9:52-59. doi: 10.1016/j.eclinm.2019.03.001. eCollection 2019 Mar.
- 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.
- Han SS, Park I, Eun Chang S, Lim W, Kim MS, Park GH, Chae JB, Huh CH, Na JI. Augmented Intelligence Dermatology: Deep Neural Networks Empower Medical Professionals in Diagnosing Skin Cancer and Predicting Treatment Options for 134 Skin Disorders. J Invest Dermatol. 2020 Sep;140(9):1753-1761. doi: 10.1016/j.jid.2020.01.019. Epub 2020 Mar 31.
- Sellheyer K, Bergfeld WF. A retrospective biopsy study of the clinical diagnostic accuracy of common skin diseases by different specialties compared with dermatology. J Am Acad Dermatol. 2005 May;52(5):823-30. doi: 10.1016/j.jaad.2004.11.072.
- Cui X, Wei R, Gong L, Qi R, Zhao Z, Chen H, Song K, Abdulrahman AAA, Wang Y, Chen JZS, Chen S, Zhao Y, Gao X. Assessing the effectiveness of artificial intelligence methods for melanoma: A retrospective review. J Am Acad Dermatol. 2019 Nov;81(5):1176-1180. doi: 10.1016/j.jaad.2019.06.042. Epub 2019 Jun 27.
- Tschandl P, Codella N, Akay BN, Argenziano G, Braun RP, Cabo H, Gutman D, Halpern A, Helba B, Hofmann-Wellenhof R, Lallas A, Lapins J, Longo C, Malvehy J, Marchetti MA, Marghoob A, Menzies S, Oakley A, Paoli J, Puig S, Rinner C, Rosendahl C, Scope A, Sinz C, Soyer HP, Thomas L, Zalaudek I, Kittler H. Comparison of the accuracy of human readers versus machine-learning algorithms for pigmented skin lesion classification: an open, web-based, international, diagnostic study. Lancet Oncol. 2019 Jul;20(7):938-947. doi: 10.1016/S1470-2045(19)30333-X. Epub 2019 Jun 12.
Studiare le date dei record
Queste date tengono traccia dell'avanzamento della registrazione dello studio e dell'invio dei risultati di sintesi a ClinicalTrials.gov. I record degli studi e i risultati riportati vengono esaminati dalla National Library of Medicine (NLM) per assicurarsi che soddisfino specifici standard di controllo della qualità prima di essere pubblicati sul sito Web pubblico.
Studia le date principali
Inizio studio (EFFETTIVO)
27 novembre 2020
Completamento primario (EFFETTIVO)
27 novembre 2021
Completamento dello studio (EFFETTIVO)
27 dicembre 2021
Date di iscrizione allo studio
Primo inviato
13 novembre 2020
Primo inviato che soddisfa i criteri di controllo qualità
13 novembre 2020
Primo Inserito (EFFETTIVO)
19 novembre 2020
Aggiornamenti dei record di studio
Ultimo aggiornamento pubblicato (EFFETTIVO)
27 ottobre 2022
Ultimo aggiornamento inviato che soddisfa i criteri QC
25 ottobre 2022
Ultimo verificato
1 ottobre 2022
Maggiori informazioni
Termini relativi a questo studio
Parole chiave
Termini MeSH pertinenti aggiuntivi
Altri numeri di identificazione dello studio
- 2020-3233
Piano per i dati dei singoli partecipanti (IPD)
Hai intenzione di condividere i dati dei singoli partecipanti (IPD)?
NO
Informazioni su farmaci e dispositivi, documenti di studio
Studia un prodotto farmaceutico regolamentato dalla FDA degli Stati Uniti
No
Studia un dispositivo regolamentato dalla FDA degli Stati Uniti
No
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 .