- ICH GCP
- Registro degli studi clinici negli Stati Uniti
- Sperimentazione clinica NCT05224479
Clinical Validation of Machine Learning Triage of Chest Radiographs
29 ottobre 2022 aggiornato da: Emily Tsai, Stanford University
Artificial intelligence and machine learning have the potential to transform the practice of radiology, but real-world application of machine learning algorithms in clinical settings has been limited.
An area in which machine learning could be applied to radiology is through the prioritization of unread studies in a radiologist's worklist.
This project proposes a framework for integration and clinical validation of a machine learning algorithm that can accurately distinguish between normal and abnormal chest radiographs.
Machine learning triage will be compared with traditional methods of study triage in a prospective controlled clinical trial.
The investigators hypothesize that machine learning classification and prioritization of studies will result in quicker interpretation of abnormal studies.
This has the potential to reduce time to initiation of appropriate clinical management in patients with critical findings.
This project aims to provide a thoughtful and reproducible framework for bringing machine learning into clinical practice, potentially benefiting other areas of radiology and medicine more broadly.
Panoramica dello studio
Stato
Ritirato
Condizioni
Intervento / Trattamento
Tipo di studio
Interventistico
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
-
-
California
-
Stanford, California, Stati Uniti, 94305
- Stanford University
-
-
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
18 anni e precedenti (Adulto, Adulto più anziano)
Accetta volontari sani
No
Sessi ammissibili allo studio
Tutto
Descrizione
Inclusion Criteria:
- Radiologist at Stanford Hospital and Clinics
Exclusion Criteria:
- None
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: Assegnazione incrociata
- Mascheramento: Separare
Armi e interventi
Gruppo di partecipanti / Arm |
Intervento / Trattamento |
---|---|
Comparatore attivo: Traditional workflow triage
Radiologists follow standard triage of chest radiographs.
|
Workflow triage is based on order location, STAT designation, and first-in-first-out status.
Workflow triage is based on the machine learning model's confidence of abnormality.
Workflow triage is based on random order.
|
Comparatore attivo: Machine learning workflow triage
Radiologists follow machine learning triage of chest radiographs.
|
Workflow triage is based on order location, STAT designation, and first-in-first-out status.
Workflow triage is based on the machine learning model's confidence of abnormality.
Workflow triage is based on random order.
|
Comparatore fittizio: Random workflow triage
Radiologists follow randomly ordered triage of chest radiographs.
|
Workflow triage is based on order location, STAT designation, and first-in-first-out status.
Workflow triage is based on the machine learning model's confidence of abnormality.
Workflow triage is based on random order.
|
Cosa sta misurando lo studio?
Misure di risultato primarie
Misura del risultato |
Misura Descrizione |
Lasso di tempo |
---|---|---|
Turnaround time
Lasso di tempo: up to 1 hour
|
Time from completion of radiograph to time that radiologist issues an assessment via preliminary or final report
|
up to 1 hour
|
Collaboratori e investigatori
Qui è dove troverai le persone e le organizzazioni coinvolte in questo studio.
Sponsor
Collaboratori
Investigatori
- Investigatore principale: Emily Tsai, MD, Stanford University
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 (Anticipato)
1 agosto 2022
Completamento primario (Anticipato)
1 novembre 2022
Completamento dello studio (Anticipato)
1 novembre 2022
Date di iscrizione allo studio
Primo inviato
22 gennaio 2022
Primo inviato che soddisfa i criteri di controllo qualità
3 febbraio 2022
Primo Inserito (Effettivo)
4 febbraio 2022
Aggiornamenti dei record di studio
Ultimo aggiornamento pubblicato (Effettivo)
1 novembre 2022
Ultimo aggiornamento inviato che soddisfa i criteri QC
29 ottobre 2022
Ultimo verificato
1 ottobre 2022
Maggiori informazioni
Termini relativi a questo studio
Altri numeri di identificazione dello studio
- 47832
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
prodotto fabbricato ed esportato dagli 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 .