- ICH GCP
- Registro degli studi clinici negli Stati Uniti
- Sperimentazione clinica NCT04949776
Intelligenza artificiale nei programmi di screening del cancro al seno a Córdoba (AITIC) (AITIC)
Nuove strategie basate sull'intelligenza artificiale nei programmi di screening del cancro al seno a Córdoba con mammografia digitale e tomosintesi mammaria digitale. Una valutazione prospettica.
L'utilizzo di software di intelligenza artificiale nello screening del seno (Transpara®) consente di identificare studi con una probabilità molto bassa di cancro.
L'ipotesi sollevata in questo lavoro è che le strategie di lettura basate sull'intelligenza artificiale (lettura singola o doppia solo dei casi con punteggio > 7 con Transpara®), consentano di ridurre il carico di lavoro di un programma di screening di oltre il 50% rispetto allo standard lettura del programma (doppia lettura di tutti i casi senza Transpara®), senza presentare inferiorità in termini di tassi di rilevamento e richiami del programma, sia con l'uso della mammografia digitale 2D che con l'uso della tomosintesi o mammografia 3D.
Panoramica dello studio
Tipo di studio
Iscrizione (Stimato)
Fase
- Non applicabile
Contatti e Sedi
Contatto studio
- Nome: Esperanza Elias Cabot, MD
- Numero di telefono: 0034957213700
- Email: eeliascabot@gmail.com
Backup dei contatti dello studio
- Nome: Cristina Amate
- Numero di telefono: 0034957213700
- Email: cristina.amate@imibic.org
Luoghi di studio
-
-
-
Córdoba, Spagna, 14004
- Reclutamento
- Hospital Universitario Reina Sofía
-
Contatto:
- Esperanza Elias Cabot, MD
- Email: eeliascabot@gmail.com
-
Contatto:
- Cristina Amate
- Email: cristina.amate@imibic.org
-
Investigatore principale:
- Esperanza Elias Cabot, MD
-
-
Criteri di partecipazione
Criteri di ammissibilità
Età idonea allo studio
Accetta volontari sani
Descrizione
Criterio di inclusione:
- Qualsiasi donna di età compresa tra 50 e 69 anni, dell'area ospedaliera dell'Ospedale Universitario Reina Sofía, invitata al Programma di diagnosi precoce del cancro al seno, convocata nelle stanze 2024 e 2001 e che accetta di partecipare allo studio firmando il consenso informato.
- Donne che hanno studiato nel programma nel periodo stabilito e che hanno partecipato in precedenza.
- Donne che vengono studiate nel programma per la prima volta nel periodo stabilito.
Criteri di esclusione:
- Donne invitate al programma che non accettano di entrare nello studio di ricerca firmando il consenso informato.
- Donne con protesi mammarie.
- Donne con sintomi o segni di sospetto cancro al seno.
Piano di studio
Come è strutturato lo studio?
Dettagli di progettazione
- Scopo principale: Diagnostico
- Assegnazione: N / A
- Modello interventistico: Assegnazione di gruppo singolo
- Mascheramento: Nessuno (etichetta aperta)
Armi e interventi
Gruppo di partecipanti / Arm |
Intervento / Trattamento |
---|---|
Sperimentale: Doppia lettura di tutti i casi con e senza software Transpara
|
Nelle donne partecipanti allo studio verranno attuate due strategie di lettura delle mammografie: Strategia 1: lettura standard del programma. Doppia lettura indipendente e non consensuale di tutti i casi, senza alcun sistema di intelligenza artificiale (strategia standard). Strategia 2: Strategia di lettura basata sul punteggio globale assegnato da Transpara® (strategia basata sull'intelligenza artificiale):
|
Cosa sta misurando lo studio?
Misure di risultato primarie
Misura del risultato |
Misura Descrizione |
Lasso di tempo |
---|---|---|
Valutazione del carico di lavoro di ciascuna strategia
Lasso di tempo: Nel mezzo dello studio, a 1 anno.
|
Il carico di lavoro di ciascuna strategia è valutato moltiplicando il tempo medio per una lettura di tale strategia per il numero totale di letture di tale strategia. Il tempo medio di lettura di un caso in ciascuna strategia è calcolato dalla misurazione del tempo di lettura individuale in un campione di 500 casi in ciascuna strategia. |
Nel mezzo dello studio, a 1 anno.
|
Valutazione del carico di lavoro di ciascuna strategia
Lasso di tempo: Alla fine dello studio, a 2 anni.
|
Il carico di lavoro di ciascuna strategia è valutato moltiplicando il tempo medio per una lettura di tale strategia per il numero totale di letture di tale strategia. Il tempo medio di lettura di un caso in ciascuna strategia è calcolato dalla misurazione del tempo di lettura individuale in un campione di 500 casi in ciascuna strategia. |
Alla fine dello studio, a 2 anni.
|
Tasso di rilevamento
Lasso di tempo: Nel mezzo dello studio, a 1 anno.
|
Percentuale di donne con diagnosi di cancro al seno tra quelle sottoposte a screening.
|
Nel mezzo dello studio, a 1 anno.
|
Tasso di rilevamento
Lasso di tempo: Alla fine dello studio, a 2 anni.
|
Percentuale di donne con diagnosi di cancro al seno tra quelle sottoposte a screening.
|
Alla fine dello studio, a 2 anni.
|
Tasso di richiamo o rinvio
Lasso di tempo: Nel mezzo dello studio, a 1 anno.
|
Percentuale di donne che, dopo il test di screening, vengono indirizzate all'unità di diagnosi senologica.
|
Nel mezzo dello studio, a 1 anno.
|
Tasso di richiamo o rinvio
Lasso di tempo: Alla fine dello studio, a 2 anni.
|
Percentuale di donne che, dopo il test di screening, vengono indirizzate all'unità di diagnosi senologica.
|
Alla fine dello studio, a 2 anni.
|
Misure di risultato secondarie
Misura del risultato |
Misura Descrizione |
Lasso di tempo |
---|---|---|
Valore predittivo positivo dei rinvii
Lasso di tempo: Nel mezzo dello studio, a 1 anno.
|
Percentuale di donne con diagnosi di cancro al seno tra quelle inviate in ospedale.
|
Nel mezzo dello studio, a 1 anno.
|
Valore predittivo positivo dei rinvii
Lasso di tempo: Alla fine dello studio, a 2 anni.
|
Percentuale di donne con diagnosi di cancro al seno tra quelle inviate in ospedale.
|
Alla fine dello studio, a 2 anni.
|
Valore predittivo positivo delle biopsie
Lasso di tempo: Nel mezzo dello studio, a 1 anno.
|
Proporzione di donne con cancro al seno tra tutte le donne sottoposte a biopsia.
|
Nel mezzo dello studio, a 1 anno.
|
Valore predittivo positivo delle biopsie
Lasso di tempo: Alla fine dello studio, a 2 anni.
|
Proporzione di donne con cancro al seno tra tutte le donne sottoposte a biopsia.
|
Alla fine dello studio, a 2 anni.
|
Valore predittivo positivo dei punteggi Transpara®
Lasso di tempo: Nel mezzo dello studio, a 1 anno.
|
Proporzione di tumori al seno diagnosticati tra le donne con un dato punteggio.
|
Nel mezzo dello studio, a 1 anno.
|
Valore predittivo positivo dei punteggi Transpara®
Lasso di tempo: Alla fine dello studio, a 2 anni.
|
Proporzione di tumori al seno diagnosticati tra le donne con un dato punteggio.
|
Alla fine dello studio, a 2 anni.
|
Collaboratori e investigatori
Investigatori
- Investigatore principale: Esperanza Elias Cabot, MD, Hospital Universitario Reina Sofia de Cordoba
Pubblicazioni e link utili
Pubblicazioni generali
- Rodriguez-Ruiz A, Lang K, Gubern-Merida A, Broeders M, Gennaro G, Clauser P, Helbich TH, Chevalier M, Tan T, Mertelmeier T, Wallis MG, Andersson I, Zackrisson S, Mann RM, Sechopoulos I. Stand-Alone Artificial Intelligence for Breast Cancer Detection in Mammography: Comparison With 101 Radiologists. J Natl Cancer Inst. 2019 Sep 1;111(9):916-922. doi: 10.1093/jnci/djy222.
- Rodriguez-Ruiz A, Krupinski E, Mordang JJ, Schilling K, Heywang-Kobrunner SH, Sechopoulos I, Mann RM. Detection of Breast Cancer with Mammography: Effect of an Artificial Intelligence Support System. Radiology. 2019 Feb;290(2):305-314. doi: 10.1148/radiol.2018181371. Epub 2018 Nov 20.
- Raya-Povedano JL, Romero-Martin S, Elias-Cabot E, Gubern-Merida A, Rodriguez-Ruiz A, Alvarez-Benito M. AI-based Strategies to Reduce Workload in Breast Cancer Screening with Mammography and Tomosynthesis: A Retrospective Evaluation. Radiology. 2021 Jul;300(1):57-65. doi: 10.1148/radiol.2021203555. Epub 2021 May 4.
- Rodriguez-Ruiz A, Lang K, Gubern-Merida A, Teuwen J, Broeders M, Gennaro G, Clauser P, Helbich TH, Chevalier M, Mertelmeier T, Wallis MG, Andersson I, Zackrisson S, Sechopoulos I, Mann RM. Can we reduce the workload of mammographic screening by automatic identification of normal exams with artificial intelligence? A feasibility study. Eur Radiol. 2019 Sep;29(9):4825-4832. doi: 10.1007/s00330-019-06186-9. Epub 2019 Apr 16.
- Sasaki M, Tozaki M, Rodriguez-Ruiz A, Yotsumoto D, Ichiki Y, Terawaki A, Oosako S, Sagara Y, Sagara Y. Artificial intelligence for breast cancer detection in mammography: experience of use of the ScreenPoint Medical Transpara system in 310 Japanese women. Breast Cancer. 2020 Jul;27(4):642-651. doi: 10.1007/s12282-020-01061-8. Epub 2020 Feb 12.
- Yala A, Schuster T, Miles R, Barzilay R, Lehman C. A Deep Learning Model to Triage Screening Mammograms: A Simulation Study. Radiology. 2019 Oct;293(1):38-46. doi: 10.1148/radiol.2019182908. Epub 2019 Aug 6.
- Le EPV, Wang Y, Huang Y, Hickman S, Gilbert FJ. Artificial intelligence in breast imaging. Clin Radiol. 2019 May;74(5):357-366. doi: 10.1016/j.crad.2019.02.006. Epub 2019 Mar 18.
Studiare le date dei record
Studia le date principali
Inizio studio (Effettivo)
Completamento primario (Stimato)
Completamento dello studio (Stimato)
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
- AITIC
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
- ICF
- 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 Cancro al seno
-
Emory UniversityNational Cancer Institute (NCI)RitiratoCancro al seno in stadio IV prognostico AJCC v8 | Neoplasia maligna metastatica nel cervello | Carcinoma mammario metastatico | Anatomic Stage IV Breast Cancer American Joint Committee on Cancer (AJCC) v8
-
NRG OncologyNational Cancer Institute (NCI)Attivo, non reclutanteCancro al seno in stadio anatomico IV AJCC v8 | Cancro al seno in stadio IV prognostico AJCC v8 | Neoplasia maligna metastatica nell'osso | Neoplasia maligna metastatica nei linfonodi | Neoplasia maligna metastatica nel fegato | Carcinoma mammario metastatico | Neoplasia maligna metastatica nel... e altre condizioniStati Uniti, Canada, Arabia Saudita, Corea, Repubblica di
-
Tianjin Medical University Cancer Institute and...Guangxi Medical University; Sun Yat-sen University; Chinese PLA General Hospital; The First Affiliated Hospital of Zhengzhou University e altri collaboratoriCompletatoLa guida all'applicazione clinica di Conebeam Breast CTCina
-
M.D. Anderson Cancer CenterNational Cancer Institute (NCI)CompletatoAdenocarcinoma dell'intestino tenue | Adenocarcinoma dell'intestino tenue in stadio III AJCC v8 | Adenocarcinoma dell'intestino tenue in stadio IIIA AJCC v8 | Adenocarcinoma dell'intestino tenue in stadio IIIB AJCC v8 | Adenocarcinoma dell'intestino tenue stadio IV AJCC v8 | Ampolla di Vater... e altre condizioniStati Uniti
-
Georgetown UniversityNational Cancer Institute (NCI); American Cancer Society, Inc.; Susan G. Komen...CompletatoStudio delle donne cinesi che non hanno aderito alle linee guida per lo screening mammografico dell'American Cancer SocietyStati Uniti
-
National Cancer Institute (NCI)ReclutamentoKita-kyushu Lung Cancer Antigen 1, umanoStati Uniti
-
Novartis PharmaceuticalsReclutamentoEGFR mutante avanzato Non SmallSellLung Cancer (NSCLC), KRAS G12-mutant NSCLC, Esophageal SquamousCell Cancer (SCC), Head/Neck SCC, MelanomaOlanda, Corea, Repubblica di, Spagna, Taiwan, Giappone, Italia, Canada, Stati Uniti, Singapore
-
Jonsson Comprehensive Cancer CenterNon ancora reclutamentoCarcinoma della prostata | Stadio IVB Cancro alla prostata American Joint Committee on Cancer (AJCC) v8Stati Uniti
-
Rashmi Verma, MDNational Cancer Institute (NCI)ReclutamentoCarcinoma prostatico resistente alla castrazione | Adenocarcinoma prostatico metastatico | Stadio IVB Cancro alla prostata American Joint Committee on Cancer (AJCC) v8Stati Uniti
-
Assiut UniversityNon ancora reclutamentoDeterminare l’incidenza cumulativa di AKI utilizzando i criteri KDIGO in pazienti pediatrici con tumori maligni presso il South Egypt Cancer Institute (SECI)