Diepe neurale netwerken over de nauwkeurigheid van de diagnose van huidziekten bij niet-dermatologen
25 oktober 2022 bijgewerkt door: Pyoeng Gyun Choe
Effect van het gebruik van diepe neurale netwerken op de nauwkeurigheid van de diagnose van huidziekten bij niet-dermatologen
Achtergrond: Diepe neurale netwerken (DNN) zijn toegepast op vele soorten huidziekten in experimentele omgevingen.
Doelstelling: Het doel van deze studie is het bevestigen van de versterking van diepe neurale netwerken voor de diagnose van huidziekten bij niet-dermatologische artsen in een real-world setting.
Methoden: In totaal zullen 40 niet-dermatologen in een enkel ziekenhuis voor tertiaire zorg worden ingeschreven. Ze worden gerandomiseerd naar een DNN-groep en een controlegroep. Door twee groepen te vergelijken, zullen de onderzoekers het effect van het gebruik van diepe neurale netwerken op de diagnose van huidziekte in termen van nauwkeurigheid schatten.
Studie Overzicht
Toestand
Beëindigd
Conditie
Interventie / Behandeling
Gedetailleerde beschrijving
In de DNN-groep en controlegroep zijn deze stappen hetzelfde proces.
- Routinematig onderzoek en foto's maken van huidlaesies voor alle in aanmerking komende opeenvolgende patiënten.
- Stel een klinische diagnose (BEFORE-DX)
- Stel een klinische diagnose (AFTER-DX)
- overleg met dermatoloog
In de DNN-groep gebruiken artsen na het maken van de BEFORE-DX diepe neurale netwerken en maken ze een AFTER-DX rekening houdend met de resultaten van de diepe neurale netwerken (Model Dermatology, build 2020).
In de controlegroep maken artsen na het maken van de BEFORE-DX een AFTER-DX nadat ze de foto's van huidlaesies nog een keer hebben bekeken.
Grondwaarheid zal gebaseerd zijn op de biopsie, indien beschikbaar, of de consensusdiagnose van de dermatologen.
De onderzoekers zullen de nauwkeurigheid tussen de DNN-groep en de controlegroep vergelijken na een studie van 6 opeenvolgende maanden.
Studietype
Ingrijpend
Inschrijving (Werkelijk)
55
Fase
- Niet toepasbaar
Contacten en locaties
In dit gedeelte vindt u de contactgegevens van degenen die het onderzoek uitvoeren en informatie over waar dit onderzoek wordt uitgevoerd.
Studie Locaties
-
-
-
Seoul, Korea, republiek van, 03080
- Seoul National University Hospital
-
-
Deelname Criteria
Onderzoekers zoeken naar mensen die aan een bepaalde beschrijving voldoen, de zogenaamde geschiktheidscriteria. Enkele voorbeelden van deze criteria zijn iemands algemene gezondheidstoestand of eerdere behandelingen.
Geschiktheidscriteria
Leeftijden die in aanmerking komen voor studie
- VOLWASSEN
- OUDER_ADULT
- KIND
Accepteert gezonde vrijwilligers
Nee
Geslachten die in aanmerking komen voor studie
Allemaal
Beschrijving
Inclusiecriteria:
- niet-dermatologische arts (ingezetenen) die akkoord gaan met deelname aan dit onderzoek
Uitsluitingscriteria:
- dermatologie bewoners
- niet-dermatologie-assistenten die andere diepe neurale netwerken gebruiken voor de diagnose van huidlaesies
Studie plan
Dit gedeelte bevat details van het studieplan, inclusief hoe de studie is opgezet en wat de studie meet.
Hoe is de studie opgezet?
Ontwerpdetails
- Primair doel: DIAGNOSTIEK
- Toewijzing: GERANDOMISEERD
- Interventioneel model: PARALLEL
- Masker: GEEN
Wapens en interventies
Deelnemersgroep / Arm |
Interventie / Behandeling |
|---|---|
|
EXPERIMENTEEL: DNN-groep
het gebruik van diepe neurale netwerken voor de diagnose van huidlaesies
|
Artsen in de DNN-groep maken foto's van de huidlaesie en gebruiken het algoritme door foto's te uploaden.
|
|
GEEN_INTERVENTIE: Controlegroep
conventionele diagnose
|
Wat meet het onderzoek?
Primaire uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
|---|---|---|
|
Top-1 diagnostische nauwkeurigheid
Tijdsspanne: 6 opeenvolgende maanden
|
frequentie van correcte Top-1 voorspelling
|
6 opeenvolgende maanden
|
Secundaire uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
|---|---|---|
|
Top-2 en 3 diagnostische nauwkeurigheid
Tijdsspanne: 6 opeenvolgende maanden
|
frequentie van correcte Top-2 en 3 voorspelling
|
6 opeenvolgende maanden
|
|
Infectie gevoeligheid
Tijdsspanne: 6 opeenvolgende maanden
|
positieve infectiediagnose
|
6 opeenvolgende maanden
|
|
Maligniteit gevoeligheid
Tijdsspanne: 6 opeenvolgende maanden
|
Positief percentage maligniteitsdiagnose
|
6 opeenvolgende maanden
|
Medewerkers en onderzoekers
Hier vindt u mensen en organisaties die betrokken zijn bij dit onderzoek.
Sponsor
Publicaties en nuttige links
De persoon die verantwoordelijk is voor het invoeren van informatie over het onderzoek stelt deze publicaties vrijwillig ter beschikking. Dit kan gaan over alles wat met het onderzoek te maken heeft.
Algemene publicaties
- 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.
Studie record data
Deze datums volgen de voortgang van het onderzoeksdossier en de samenvatting van de ingediende resultaten bij ClinicalTrials.gov. Studieverslagen en gerapporteerde resultaten worden beoordeeld door de National Library of Medicine (NLM) om er zeker van te zijn dat ze voldoen aan specifieke kwaliteitscontrolenormen voordat ze op de openbare website worden geplaatst.
Bestudeer belangrijke data
Studie start (WERKELIJK)
27 november 2020
Primaire voltooiing (WERKELIJK)
27 november 2021
Studie voltooiing (WERKELIJK)
27 december 2021
Studieregistratiedata
Eerst ingediend
13 november 2020
Eerst ingediend dat voldeed aan de QC-criteria
13 november 2020
Eerst geplaatst (WERKELIJK)
19 november 2020
Updates van studierecords
Laatste update geplaatst (WERKELIJK)
27 oktober 2022
Laatste update ingediend die voldeed aan QC-criteria
25 oktober 2022
Laatst geverifieerd
1 oktober 2022
Meer informatie
Termen gerelateerd aan deze studie
Trefwoorden
Aanvullende relevante MeSH-voorwaarden
Andere studie-ID-nummers
- 2020-3233
Plan Individuele Deelnemersgegevens (IPD)
Bent u van plan om gegevens van individuele deelnemers (IPD) te delen?
NEE
Informatie over medicijnen en apparaten, studiedocumenten
Bestudeert een door de Amerikaanse FDA gereguleerd geneesmiddel
Nee
Bestudeert een door de Amerikaanse FDA gereguleerd apparaatproduct
Nee
Deze informatie is zonder wijzigingen rechtstreeks van de website clinicaltrials.gov gehaald. Als u verzoeken heeft om uw onderzoeksgegevens te wijzigen, te verwijderen of bij te werken, neem dan contact op met register@clinicaltrials.gov. Zodra er een wijziging wordt doorgevoerd op clinicaltrials.gov, wordt deze ook automatisch bijgewerkt op onze website .
Klinische onderzoeken op Huidziektes
-
Utah State UniversityActief, niet wervendOntvelling (skin-picking) stoornisVerenigde Staten
-
Ritamaria Di LorenzoVoltooidSKIN ADAPTOGEN EN SEBUM BALANCE EFFICIËNTIEItalië
-
Northwestern UniversityUniversity of Wisconsin, StoutVoltooidPerceptie van Skin of Color Clinics bij Afro-AmerikanenVerenigde Staten
-
Karolinska InstitutetRegion StockholmVoltooidTrichotillomanie | Ontvelling (skin-picking) stoornisZweden
-
University of PennsylvaniaVoltooidPatiënten met primaire of secundaire diagnose Code of Intrntl Classification of Diseases, 9th Revision, (ICD-9-CM) 410 (Behalve wanneer het 5e cijfer 2 was)Verenigde Staten
-
SpringWorks Therapeutics, Inc.VerkrijgbaarNeurofibromatose Type 1-geassocieerde plexiforme neurofibromen | Histiocytisch neoplasma | Andere MAP-K Pathway Driven Diseases