胸部X線を使用した深い学習肺がんのスクリーニングのための高リスク患者を特定するCT
肺がんのスクリーニングのための高リスク患者を特定するための日常的な胸部X線と電子医療記録データを使用した深い学習CT
この臨床試験の目標は、胸部X線画像に基づいて肺がんの6年リスクの高い患者にプロバイダーに警告するAIツールが肺がんのスクリーニングCT参加を改善するかどうかを評価することです。 それが答えることを目指している主な質問は、AIツールがベースライン外来患者訪問の6か月後に肺がんスクリーニングCT参加を改善するのですか?
この介入は、CXR-LC AIツールに基づいた肺がんのリスクが高いと考えられる患者の肺がんのスクリーニングCT適格性について議論するためにプロバイダーに警戒しています。
比較グループがある場合:研究者は介入と非介入群を比較して、肺がんスクリーニングCTの参加が増加するかどうかを判断します。
調査の概要
状態
状態
条件
条件
介入・治療
介入・治療
研究の種類
研究の種類
入学 (推定)
入学
段階
段階
- 適用できない
連絡先と場所
研究連絡先
研究連絡先
- 名前:Michael T Lu, MD, MPH
- 電話番号:617-726-1255
- メール:mlu@mgh.harvard.edu
研究場所
-
-
Massachusetts
-
Boston、Massachusetts、アメリカ、02114
- 募集
- Massachusetts General Hospital
-
コンタクト:
- Michael T Lu, MD, MPH
- 電話番号:617-724-9729
- メール:mlu@mgh.harvard.edu
-
-
参加基準
適格基準
適格基準
就学可能な年齢
- 大人
- 高齢者
健康ボランティアの受け入れ
説明
主要な包含基準:
- 参加プロバイダーとの予定外来任命。
- 現在または以前に喫煙していた50〜77歳は、メディケアのガイドラインに基づいて肺スクリーニングの対象となる可能性のある人を含めています。
- 最近(2年以内)PA胸部X線写真。
除外基準:
•肺がんの病歴または徴候/症状。 最近(2年以内)胸部CT。 肺がんのスクリーニングを超えた胸部CTの臨床的適応。
研究計画
研究はどのように設計されていますか?
デザインの詳細
- 主な目的:ふるい分け
- 割り当て:ランダム化
- 介入モデル:並列代入
- マスキング:ダブル
アーム数
武器と介入
参加者グループ / アーム参加者グループ / アーム |
介入・治療介入・治療 |
|---|---|
|
実験的:介入
|
CXR-LC AIツールに基づいた肺がんのリスクが高いと考えられる患者について、肺がんスクリーニングCTの適格性について議論するためにプロバイダーに警告します。
|
|
介入なし:不干渉
|
この研究は何を測定していますか?
主要な結果の測定
主要な結果の測定
結果測定 |
メジャーの説明 |
時間枠 |
|---|---|---|
|
訪問後6ヶ月で肺がんのスクリーニングCTを完了する割合
時間枠:6ヶ月
|
肺がんのスクリーニングへの影響を評価するために、ベースライン訪問後6か月でCT参加(肺がんスクリーニングCTの完了と定義)。
|
6ヶ月
|
二次結果の測定
二次結果の測定
結果測定 |
メジャーの説明 |
時間枠 |
|---|---|---|
|
Suspicious lung nodules
時間枠:6 months
|
Suspicious lung nodules (Lung-RADS 4a or greater, including lung nodules ≥8 mm in diameter) identified on CT or diagnosed lung cancer.
|
6 months
|
協力者と研究者
協力者
協力者
出版物と役立つリンク
一般刊行物
- Lu MT, Raghu VK, Mayrhofer T, Aerts HJWL, Hoffmann U. Deep Learning Using Chest Radiographs to Identify High-Risk Smokers for Lung Cancer Screening Computed Tomography: Development and Validation of a Prediction Model. Ann Intern Med. 2020 Nov 3;173(9):704-713. doi: 10.7326/M20-1868. Epub 2020 Sep 1.
- Lee JH, Lee D, Lu MT, Raghu VK, Park CM, Goo JM, Choi SH, Kim H. Deep Learning to Optimize Candidate Selection for Lung Cancer CT Screening: Advancing the 2021 USPSTF Recommendations. Radiology. 2022 Oct;305(1):209-218. doi: 10.1148/radiol.212877. Epub 2022 Jun 14.
- Raghu VK, Walia AS, Zinzuwadia AN, Goiffon RJ, Shepard JO, Aerts HJWL, Lennes IT, Lu MT. Validation of a Deep Learning-Based Model to Predict Lung Cancer Risk Using Chest Radiographs and Electronic Medical Record Data. JAMA Netw Open. 2022 Dec 1;5(12):e2248793. doi: 10.1001/jamanetworkopen.2022.48793.
研究記録日
主要日程の研究
研究開始 (実際)
研究開始
一次修了 (推定)
一次修了
研究の完了 (推定)
研究の完了
試験登録日
最初に提出
最初に提出
QC基準を満たした最初の提出物
QC基準を満たした最初の提出物
最初の投稿 (実際)
最初の投稿
学習記録の更新
投稿された最後の更新 (実際)
投稿された最後の更新
QC基準を満たした最後の更新が送信されました
QC基準を満たした最後の更新が送信されました
最終確認日
最終確認日
詳しくは
本研究に関する用語
その他の研究ID番号
その他の研究ID番号
- 2023P002872
- 2025P002902 (その他の識別子:Mass General Hospital)
個々の参加者データ (IPD) の計画
個々の参加者データ (IPD) を共有する予定はありますか?
医薬品およびデバイス情報、研究文書
米国FDA規制医薬品の研究
米国FDA規制機器製品の研究
米国で製造され、米国から輸出された製品。
この情報は、Web サイト clinicaltrials.gov から変更なしで直接取得したものです。研究の詳細を変更、削除、または更新するリクエストがある場合は、register@clinicaltrials.gov。 までご連絡ください。 clinicaltrials.gov に変更が加えられるとすぐに、ウェブサイトでも自動的に更新されます。