- ICH GCP
- Registro degli studi clinici negli Stati Uniti
- Sperimentazione clinica NCT05651360
Prestazioni diagnostiche della TC a basse dosi per condizioni addominali acute (DETECT_Acute)
Prestazioni diagnostiche della ricostruzione delle immagini in deep learning nella TC a basse dosi per il rilevamento di condizioni addominali acute
L'obiettivo di questo studio osservazionale di non inferiorità è valutare le prestazioni diagnostiche della TC a basso dosaggio con ricostruzione dell'immagine di apprendimento profondo (DLIR) in partecipanti adulti con condizioni addominali acute. La principale domanda di ricerca è:
• La TC a basse dosi con DLIR può ottenere le stesse prestazioni diagnostiche della TC standard per la diagnosi di patologie addominali acute.
I partecipanti saranno esaminati con un'ulteriore TC a basso dosaggio subito dopo la TC standard. Partecipante sarà i propri controlli.
Panoramica dello studio
Stato
Intervento / Trattamento
Descrizione dettagliata
Contesto La tomografia computerizzata (TC) è diventata uno strumento essenziale nella moderna medicina clinica. Con una disponibilità diffusa, negli ultimi decenni è stato osservato un rapido aumento dell'uso dell'imaging TC. Con l'aumento associato dell'esposizione alle radiazioni, il potenziale aumento del rischio di malignità indotta da radiazioni è diventato un problema di salute pubblica. Ciò è particolarmente vero per le scansioni TC dell'addome e del bacino che attualmente rappresentano il 50% della dose TC collettiva. Poiché il vantaggio della riduzione della dose in generale è compensato dal deterioramento della qualità dell'immagine, nella pratica clinica si aspira a progressi tecnologici per ridurre la dose di radiazioni senza compromettere la qualità dell'immagine.
Nella ricostruzione dell'immagine CT, la retroproiezione filtrata (FBP) è stata l'algoritmo della tecnica di ricostruzione dell'immagine dominante sin dai primi anni '70, integrato dai primi algoritmi commerciali di ricostruzione iterativa (IR) nel 2009.
Un nuovo algoritmo di ricostruzione dell'immagine di apprendimento profondo (DLIR) ha ricevuto l'approvazione clinica nel 2019 (TrueFidelity, GE Healthcare, Milwaukee, WI). Stanno emergendo anche altri algoritmi specifici del fornitore per la ricostruzione delle immagini di deep learning (AiCE, Canon Medical Systems, Otawara, Giappone). Come spiegato da un white paper tecnico, essendo stato addestrato con set di dati FBP ad alte e basse dosi su casi fantasma e pazienti, l'algoritmo DLIR si sforza di sopprimere il rumore dell'immagine senza compromettere la qualità dell'immagine. L'uso della ricostruzione dell'immagine con deep learning ha dimostrato il potenziale per migliorare la qualità dell'immagine e la riduzione della dose senza spostare la trama del rumore.
Per i pazienti con patologie addominali acute, la TC dell'addome e del bacino è considerata il miglior approccio diagnostico di prima o seconda linea. Per questi pazienti una diagnosi rapida e accurata è di grande importanza per evitare il ritardo del trattamento e le conseguenti complicazioni come la perforazione gastrointestinale in caso di appendicite o diverticolite. D'altra parte, è anche importante evitare inutili interventi chirurgici e le relative complicanze. Un eventuale protocollo TC a basso dosaggio deve quindi fornire una performance diagnostica non inferiore per facilitare una diagnosi rapida ed evitare trattamenti eccessivi ed esami inconcludenti.
Sono stati riportati risultati promettenti per quanto riguarda gli esami TC a basse dosi con IR basato su modello e riduzione della dose fino al 75-80%. Tuttavia, con l'introduzione del DLIR sembra fattibile un'ulteriore riduzione della dose. I nostri risultati di uno studio sulla percezione della qualità dell'immagine con DLIR indicano che una riduzione della dose fino al 92,5% rispetto alla TC standard potrebbe preservare una qualità dell'immagine diagnostica accettabile (lavoro ancora non pubblicato).
Su questa base, lo scopo di questo studio è valutare le prestazioni diagnostiche della TC a basse dosi con DLIR per la diagnosi di condizioni addominali acute in un contesto di non inferiorità con un campione di grandi dimensioni fornito da due importanti centri traumatologici del nord Europa.
Obiettivi
Primario:
Valutare le prestazioni diagnostiche per le condizioni addominali acute della TC a basso dosaggio con mezzo di contrasto con DLIR "TrueFidelity" (TF) rispetto alla TC standard a dose piena.
Secondario:
Valutare la qualità dell'immagine tecnica e percepita (qualitativamente e quantitativamente).
Etica
L'approvazione sarà ottenuta dal comitato etico regionale e dal responsabile della protezione dei dati delle istituzioni.
Il consenso informato scritto sarà ottenuto da tutti i partecipanti. Questo progetto sarà conforme alla Dichiarazione di Helsinki.
Rischi Esistono rischi minimi a causa di un leggero aumento dell'esposizione alle radiazioni. L'esposizione aggiuntiva alle radiazioni del 27,5% rientra nella variazione nazionale dell'esposizione alle radiazioni dagli esami TC eseguiti per le attività cliniche corrispondenti. I ricercatori hanno stimato la dose efficace aggiuntiva media a 1,5 mSv che corrisponde a circa 4 mesi con esposizione naturale alle radiazioni di fondo in Norvegia (4,1 mSv/anno). L'esposizione aggiuntiva alle radiazioni si traduce in un rischio teorico in eccesso nel corso della vita di cancro mortale indotto da radiazioni tra lo 0,004 e lo 0,03%. I rischi clinici derivanti da questa esposizione sono considerati minimi/non significativi.
Materiale e metodi Lo studio sarà registrato su ClinicalTrials.gov prima dell'iniziazione. I metodi e i risultati dello studio saranno riportati in accordo con la dichiarazione STARD (Standards for Reporting of Diagnostic Accuracy Studies) del 2015. Va notato che il gruppo direttivo STARD-AI sta preparando un'estensione specifica per l'IA. Se queste linee guida STARD-AI vengono pubblicate prima della fine dello studio, anche i risultati saranno riportati in conformità con il presente documento. Per compensare gli elementi specifici dell'IA non affrontati in STARD, gli investigatori, se del caso, si affideranno alla Checklist per l'intelligenza artificiale nell'imaging medico (CLAIM) che è modellata sulla linea guida STARD.
Pilota Verrà eseguito uno studio pilota comprendente 10 pazienti divisi equamente tra Oslo e Odense per consentire il test della logistica dello studio e gli aggiustamenti del livello di dose di radiazioni della TC a basse dosi.
Protocollo di esame / imaging Gli esami saranno eseguiti secondo le procedure di routine locali e i protocolli CT stabiliti (scanner CT: GE Revolution).
Oltre alla TC con protocollo di esame standard verrà eseguita una TC a basso dosaggio, non superiore al 30% della dose di radiazioni della TC standard. Le immagini TC a basso dosaggio saranno ricostruite con TF alto. La TC a bassa dose verrà eseguita direttamente dopo la TC standard per evitare distorsioni dovute a differenze nei tempi della fase di contrasto.
Ubicazione e popolazione locale dello studio Lo studio sarà condotto come uno studio multicentrico che coinvolge Oslo e Odense con raccolta di dati prospettici.
La popolazione totale stimata in studio sarà divisa equamente tra i due Ospedali.
Valutazione delle immagini La TC a basso dosaggio non verrà utilizzata per scopi diagnostici o per il trattamento del paziente. La valutazione e il confronto delle immagini saranno condotti separatamente dal flusso di lavoro clinico di routine.
Tutti gli esami TC a basso dosaggio saranno valutati indipendentemente da due radiologi residenti e da due radiologi esperti specializzati in radiologia addominale con più di 10 anni di esperienza nella TC addominale. I lettori saranno accecati per tutte le informazioni dagli esami precedenti, il referto CT primario, qualsiasi scoperta da parte degli altri lettori, tutte le informazioni relative al trattamento e per la diagnosi finale.
Avranno accesso a riferimenti clinici e test di laboratorio eseguiti prima dell'esame TC originale. La valutazione delle immagini verrà eseguita nell'ambiente clinico dei radiologi utilizzando monitor diagnostici.
Nell'analisi dei risultati, la diagnosi per ciascun paziente dalla TC a bassa dose sarà confrontata con la diagnosi radiologica originale basata sulla TC a dose piena.
Per l'accordo intra lettore, una selezione casuale dal 10% dei casi sarà presentata due volte a ciascun lettore.
La qualità tecnica dell'immagine viene valutata posizionando le regioni di interesse (ROI) in un segmento omogeneo della vena porta, nell'aorta del parenchima epatico normale adiacente, nei muscoli erettori della colonna vertebrale e nel grasso sottocutaneo. Verrà calcolato il rapporto contrasto-rumore (CNR).
La qualità dell'immagine percepita sarà valutata da almeno due radiologi su una scala di tipo Likert secondo criteri di qualità dell'immagine basati sulle linee guida europee per la qualità dell'immagine nella TC addominale.
Statistiche Software statistici dedicati come Stata e SPSS saranno utilizzati per l'analisi dei dati dello studio. Il livello di significatività alfa sarà impostato al 5% e verranno utilizzati intervalli di confidenza del 95%. Le statistiche Kappa saranno utilizzate per l'accordo inter e intra lettore. La regressione logistica verrà utilizzata per la valutazione della qualità dell'immagine. Verranno utilizzati opportuni test parametrici o non parametrici per la valutazione delle variabili numeriche. La performance diagnostica sarà definita per area sotto la curva, sensibilità, specificità, valore predittivo positivo e negativo. Differenze significative di sensibilità e specificità saranno determinate dal test di McNemar.
Calcolo della potenza e dimensione del campione Verrà utilizzato un disegno di studio di non inferiorità per mostrare la non inferiorità per quanto riguarda le prestazioni diagnostiche della TC a basso dosaggio rispetto alla TC standard. I ricercatori hanno stimato la sensibilità della TC standard al 90%. La prevalenza di condizioni addominali acute con una correlazione visibile sulla TC standard è stimata al 70% tra tutti i rinvii che soddisfano i criteri di inclusione. Un margine di non inferiorità del 10% per la sensibilità è stato considerato accettabile dal punto di vista clinico, ovvero la probabilità di risultati positivi alla TC a basso dosaggio in caso di TC standard positiva è stata assunta pari al 90%.
S_L = Probabilità (CT positivo a basso dosaggio | CT standard positivo)
L'ipotesi 0 è stata definita come:
S_L < 90%
L'ipotesi alternativa è stata quindi definita come:
S_L > 90% Per identificare una differenza (aumento) unilaterale del 6% rispetto al margine di non inferiorità con una potenza dell'80% e un livello di significatività alfa del 5%, i ricercatori hanno stimato i pazienti richiesti con risultati CT positivi a n= 116 (distribuzione binomiale). Il numero totale di pazienti richiesti è stato quindi calcolato in 116/0,7=166.
Tipo di studio
Iscrizione (Effettivo)
Contatti e Sedi
Criteri di partecipazione
Criteri di ammissibilità
Età idonea allo studio
Accetta volontari sani
Metodo di campionamento
Popolazione di studio
Descrizione
Criterio di inclusione:
- Pazienti in valutazione per una condizione addominale acuta che vengono inviati a TC dell'addome e del bacino.
- Età >18 anni
- I pazienti devono essere in grado di dare il proprio consenso orale e scritto alla partecipazione allo studio.
Criteri di esclusione:
- Controindicazioni riguardanti esami TC con mezzo di contrasto come reazioni avverse note con mezzi di contrasto iodati o claustrofobia.
- Gravidanza.
Piano di studio
Come è strutturato lo studio?
Dettagli di progettazione
- Modelli osservazionali: Coorte
- Prospettive temporali: Prospettiva
Coorti e interventi
Gruppo / Coorte |
Intervento / Trattamento |
|---|---|
|
Dolore addominale
- Partecipanti in valutazione per una condizione addominale acuta che vengono indirizzati a TC dell'addome e del bacino.
|
Verrà eseguita una scansione TC a basso dosaggio, non superiore al 30% della dose di radiazioni della TC standard.
Le immagini TC a basso dosaggio saranno ricostruite con TrueFidelity high.
La TC a basso dosaggio verrà eseguita direttamente dopo la TC standard per evitare distorsioni dovute a differenze nella tempistica della fase di contrasto.
|
Cosa sta misurando lo studio?
Misure di risultato primarie
Misura del risultato |
Misura Descrizione |
Lasso di tempo |
|---|---|---|
|
Diagnostic performance of low-dose CT
Lasso di tempo: 6 to 12 months
|
Diagnostic performance of low-dose CT compared to standard CT according to ICD 10 diagnosis. Diagnostic performance measured in terms of: Sensitivity, derived from mixed-effects logistic regression. |
6 to 12 months
|
Misure di risultato secondarie
Misura del risultato |
Misura Descrizione |
Lasso di tempo |
|---|---|---|
|
Diagnostic performance
Lasso di tempo: 6 to 12 month
|
Diagnostic performance measured in terms of: Specificity, positive predictive value, negative predictive value, and accuracy derived from mixed-effects logistic regression.
|
6 to 12 month
|
|
Radiation dose
Lasso di tempo: 6 to 12 months
|
Compare radiation dose; low-dose vs standard CT: Radiation dose measured in terms of DLP and CTDIvol. |
6 to 12 months
|
|
Reading time.
Lasso di tempo: 6 to 12 month
|
Reading time difference between low-dose CT and standard CT.
|
6 to 12 month
|
|
Perceived image quality
Lasso di tempo: 6 to 12 months
|
Compare perceived image quality; low-dose vs standard CT: Perceived image quality scored on a ordinal, 5-point Likert scale (at least two readers). |
6 to 12 months
|
|
Image quality - noise
Lasso di tempo: 6 to 12 months
|
Compare technical image quality; low-dose vs standard CT: Image noise in terms of standard deviation within a region of interest (ROI); numerical as Hounsfield unit (HU), several points of measurement. |
6 to 12 months
|
|
Image quality - contrast-to-noise ratio
Lasso di tempo: 6 to 12 months
|
Compare technical image quality; low-dose vs standard CT: Contrast-to-noise ratio; numerical, several points of measurement. Calculated according to: CNR=(│〖HU〗_Kidney - 〖HU〗_(Water )│)/√((〖SD〗_Kidney 2 + 〖SD〗_Water 2 )/2) |
6 to 12 months
|
|
Diagnoses
Lasso di tempo: 6 to 12 months
|
Descriptive exploration of diagnoses among patients referred to CT examinations; diagnoses according to ICD 10.
|
6 to 12 months
|
Collaboratori e investigatori
Sponsor
Collaboratori
Investigatori
- Investigatore principale: Anselm Schulz, PhD, Oslo University Hospital
Pubblicazioni e link utili
Pubblicazioni generali
- Berrington de Gonzalez A, Mahesh M, Kim KP, Bhargavan M, Lewis R, Mettler F, Land C. Projected cancer risks from computed tomographic scans performed in the United States in 2007. Arch Intern Med. 2009 Dec 14;169(22):2071-7. doi: 10.1001/archinternmed.2009.440.
- Brenner DJ, Hall EJ. Computed tomography--an increasing source of radiation exposure. N Engl J Med. 2007 Nov 29;357(22):2277-84. doi: 10.1056/NEJMra072149. No abstract available.
- Novelline RA, Rhea JT, Rao PM, Stuk JL. Helical CT in emergency radiology. Radiology. 1999 Nov;213(2):321-39. doi: 10.1148/radiology.213.2.r99nv01321.
- OECD. Computed tomography (CT) exams. 2018.
- Mettler FA Jr, Thomadsen BR, Bhargavan M, Gilley DB, Gray JE, Lipoti JA, McCrohan J, Yoshizumi TT, Mahesh M. Medical radiation exposure in the U.S. in 2006: preliminary results. Health Phys. 2008 Nov;95(5):502-7. doi: 10.1097/01.HP.0000326333.42287.a2.
- Pan X, Sidky EY, Vannier M. Why do commercial CT scanners still employ traditional, filtered back-projection for image reconstruction? Inverse Probl. 2009 Jan 1;25(12):1230009. doi: 10.1088/0266-5611/25/12/123009.
- Beister M, Kolditz D, Kalender WA. Iterative reconstruction methods in X-ray CT. Phys Med. 2012 Apr;28(2):94-108. doi: 10.1016/j.ejmp.2012.01.003. Epub 2012 Feb 10.
- Hsieh JL, E.; Nett, B.; Tang, J.; Thibault JB.; Sahney, S. A new era of image reconstruction: TrueFidelity. Technical white paper on deep learning image reconstruction. 2019.
- Jensen CT, Liu X, Tamm EP, Chandler AG, Sun J, Morani AC, Javadi S, Wagner-Bartak NA. Image Quality Assessment of Abdominal CT by Use of New Deep Learning Image Reconstruction: Initial Experience. AJR Am J Roentgenol. 2020 Jul;215(1):50-57. doi: 10.2214/AJR.19.22332. Epub 2020 Apr 14.
- Njolstad T, Schulz A, Godt JC, Brogger HM, Johansen CK, Andersen HK, Martinsen ACT. Improved image quality in abdominal computed tomography reconstructed with a novel Deep Learning Image Reconstruction technique - initial clinical experience. Acta Radiol Open. 2021 Apr 9;10(4):20584601211008391. doi: 10.1177/20584601211008391. eCollection 2021 Apr.
- Solomon J, Lyu P, Marin D, Samei E. Noise and spatial resolution properties of a commercially available deep learning-based CT reconstruction algorithm. Med Phys. 2020 Sep;47(9):3961-3971. doi: 10.1002/mp.14319. Epub 2020 Jul 6.
- Greffier J, Hamard A, Pereira F, Barrau C, Pasquier H, Beregi JP, Frandon J. Image quality and dose reduction opportunity of deep learning image reconstruction algorithm for CT: a phantom study. Eur Radiol. 2020 Jul;30(7):3951-3959. doi: 10.1007/s00330-020-06724-w. Epub 2020 Feb 25.
- Brady SL, Trout AT, Somasundaram E, Anton CG, Li Y, Dillman JR. Improving Image Quality and Reducing Radiation Dose for Pediatric CT by Using Deep Learning Reconstruction. Radiology. 2021 Jan;298(1):180-188. doi: 10.1148/radiol.2020202317. Epub 2020 Nov 17.
- Larson DB, Johnson LW, Schnell BM, Salisbury SR, Forman HP. National trends in CT use in the emergency department: 1995-2007. Radiology. 2011 Jan;258(1):164-73. doi: 10.1148/radiol.10100640. Epub 2010 Nov 29.
- Rud B, Vejborg TS, Rappeport ED, Reitsma JB, Wille-Jorgensen P. Computed tomography for diagnosis of acute appendicitis in adults. Cochrane Database Syst Rev. 2019 Nov 19;2019(11):CD009977. doi: 10.1002/14651858.CD009977.pub2.
- Kabir SA, Kabir SI, Sun R, Jafferbhoy S, Karim A. How to diagnose an acutely inflamed appendix; a systematic review of the latest evidence. Int J Surg. 2017 Apr;40:155-162. doi: 10.1016/j.ijsu.2017.03.013. Epub 2017 Mar 6.
- Moloney F, James K, Twomey M, Ryan D, Grey TM, Downes A, Kavanagh RG, Moore N, Murphy MJ, Bye J, Carey BW, McSweeney SE, Deasy C, Andrews E, Shanahan F, Maher MM, O'Connor OJ. Low-dose CT imaging of the acute abdomen using model-based iterative reconstruction: a prospective study. Emerg Radiol. 2019 Apr;26(2):169-177. doi: 10.1007/s10140-018-1658-z. Epub 2018 Nov 17.
- Poletti PA, Becker M, Becker CD, Halfon Poletti A, Rutschmann OT, Zaidi H, Perneger T, Platon A. Emergency assessment of patients with acute abdominal pain using low-dose CT with iterative reconstruction: a comparative study. Eur Radiol. 2017 Aug;27(8):3300-3309. doi: 10.1007/s00330-016-4712-9. Epub 2017 Jan 12.
- Widmark A. Diagnostic reference level (DRL) in Norway 2017. Results, revision:and establishment of new DRL.NRPA Report 2018:3. Norwegian Radiation Protection Authority, Østerås 2018.
- Komperød M, Rudjord AL, Skuterud L, Dyve JE. Radiation Doses from the Environment. Calculations of the Public's Exposure to Radiation from the Environment in Norway. Strålevern Rapport 2015:11 Østerås: Norwegian Radiation Protection Authority 2015.
- Bossuyt PM, Reitsma JB, Bruns DE, Gatsonis CA, Glasziou PP, Irwig L, Lijmer JG, Moher D, Rennie D, de Vet HC, Kressel HY, Rifai N, Golub RM, Altman DG, Hooft L, Korevaar DA, Cohen JF; STARD Group. STARD 2015: An Updated List of Essential Items for Reporting Diagnostic Accuracy Studies. Radiology. 2015 Dec;277(3):826-32. doi: 10.1148/radiol.2015151516. Epub 2015 Oct 28.
- Sounderajah V, Ashrafian H, Golub RM, Shetty S, De Fauw J, Hooft L, Moons K, Collins G, Moher D, Bossuyt PM, Darzi A, Karthikesalingam A, Denniston AK, Mateen BA, Ting D, Treanor D, King D, Greaves F, Godwin J, Pearson-Stuttard J, Harling L, McInnes M, Rifai N, Tomasev N, Normahani P, Whiting P, Aggarwal R, Vollmer S, Markar SR, Panch T, Liu X; STARD-AI Steering Committee. Developing a reporting guideline for artificial intelligence-centred diagnostic test accuracy studies: the STARD-AI protocol. BMJ Open. 2021 Jun 28;11(6):e047709. doi: 10.1136/bmjopen-2020-047709.
- Mongan J, Moy L, Kahn CE Jr. Checklist for Artificial Intelligence in Medical Imaging (CLAIM): A Guide for Authors and Reviewers. Radiol Artif Intell. 2020 Mar 25;2(2):e200029. doi: 10.1148/ryai.2020200029. eCollection 2020 Mar. No abstract available.
- Report EUR 16262 EN. European guidelines on quality criteria for computed tomography. 2000.
- Ahn S, Park SH, Lee KH. How to demonstrate similarity by using noninferiority and equivalence statistical testing in radiology research. Radiology. 2013 May;267(2):328-38. doi: 10.1148/radiol.12120725.
- Eng KA, Abadeh A, Ligocki C, Lee YK, Moineddin R, Adams-Webber T, Schuh S, Doria AS. Acute Appendicitis: A Meta-Analysis of the Diagnostic Accuracy of US, CT, and MRI as Second-Line Imaging Tests after an Initial US. Radiology. 2018 Sep;288(3):717-727. doi: 10.1148/radiol.2018180318. Epub 2018 Jun 19.
- Expert Panel on Gastrointestinal Imaging:; Garcia EM, Camacho MA, Karolyi DR, Kim DH, Cash BD, Chang KJ, Feig BW, Fowler KJ, Kambadakone AR, Lambert DL, Levy AD, Marin D, Moreno C, Peterson CM, Scheirey CD, Siegel A, Smith MP, Weinstein S, Carucci LR. ACR Appropriateness Criteria(R) Right Lower Quadrant Pain-Suspected Appendicitis. J Am Coll Radiol. 2018 Nov;15(11S):S373-S387. doi: 10.1016/j.jacr.2018.09.033.
- Expert Panel on Gastrointestinal Imaging:; Peterson CM, McNamara MM, Kamel IR, Al-Refaie WB, Arif-Tiwari H, Cash BD, Chernyak V, Goldstein A, Grajo JR, Hindman NM, Horowitz JM, Noto RB, Porter KK, Srivastava PK, Zaheer A, Carucci LR. ACR Appropriateness Criteria(R) Right Upper Quadrant Pain. J Am Coll Radiol. 2019 May;16(5S):S235-S243. doi: 10.1016/j.jacr.2019.02.013.
- Akagi M, Nakamura Y, Higaki T, Narita K, Honda Y, Zhou J, Yu Z, Akino N, Awai K. Deep learning reconstruction improves image quality of abdominal ultra-high-resolution CT. Eur Radiol. 2019 Nov;29(11):6163-6171. doi: 10.1007/s00330-019-06170-3. Epub 2019 Apr 11.
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
- Dolore
- Manifestazioni neurologiche
- Processi patologici
- Segni e sintomi, Digestivo
- Malattie intestinali
- Infezioni
- Malattie dell'apparato digerente
- Malattie gastrointestinali
- Malattie pancreatiche
- Malattie delle vie biliari
- Gastroenterite
- Malattie della cistifellea
- Malattie cecali
- Infezioni intraddominali
- Condizioni patologiche, segni e sintomi
- Segni e sintomi
- Colecistite
- Dolore addominale
- Pancreatite
- Patologia
- Dolore acuto
- Colecistite acuta
- Appendicite
Altri numeri di identificazione dello studio
- PVO ref. 22/11840
- 22/11840 (Altro identificatore: Data protection officer at Oslo University Hospital)
- 468490 (Altro identificatore: Regional Comittees for Medical Research Ethics South East)
Piano per i dati dei singoli partecipanti (IPD)
Hai intenzione di condividere i dati dei singoli partecipanti (IPD)?
Descrizione del piano IPD
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 .