- ICH GCP
- Register voor klinische proeven in de VS.
- Klinische proef NCT05651360
Diagnostische prestaties van low-dose CT voor acute abdominale aandoeningen (DETECT_Acute)
Diagnostische prestaties van deep learning beeldreconstructie in lage dosis CT voor de detectie van acute abdominale aandoeningen
Het doel van deze non-inferioriteit observationele studie is het beoordelen van de diagnostische prestatie van een lage dosis CT met deep learning beeldreconstructie (DLIR) bij volwassen deelnemers met acute abdominale aandoeningen. De centrale onderzoeksvraag luidt:
• Kan low-dose CT met DLIR dezelfde diagnostische prestatie bereiken als standaard CT voor de diagnose van acute abdominale aandoeningen.
Deelnemers worden direct na de standaard CT onderzocht met een extra lage dosis CT. Deelnemer zal zijn eigen controles zijn.
Studie Overzicht
Toestand
Conditie
Interventie / Behandeling
Gedetailleerde beschrijving
Achtergrond Computertomografie (CT) is een essentieel hulpmiddel geworden in de moderne klinische geneeskunde. Met een wijdverbreide beschikbaarheid is de afgelopen decennia een snelle toename van het gebruik van CT-beeldvorming waargenomen. Met de daarmee gepaard gaande toename van blootstelling aan straling, is het potentieel verhoogde risico op door straling veroorzaakte maligniteiten een zorg voor de volksgezondheid geworden. Dit geldt met name voor CT-scans van de buik en het bekken, die momenteel 50% van de collectieve CT-dosis uitmaken. Aangezien het voordeel van dosisverlaging in het algemeen wordt gecompenseerd door verslechtering van de beeldkwaliteit, wordt in de klinische praktijk gestreefd naar technologische vooruitgang om de stralingsdosis te verminderen zonder de beeldkwaliteit in gevaar te brengen.
Bij CT-beeldreconstructie is gefilterde terugprojectie (FBP) sinds het begin van de jaren zeventig het dominante algoritme voor beeldreconstructietechniek, aangevuld met de eerste commerciële algoritmen voor iteratieve reconstructie (IR) in 2009.
Een nieuw algoritme voor deep learning-beeldreconstructie (DLIR) werd in 2019 klinisch goedgekeurd (TrueFidelity, GE Healthcare, Milwaukee, WI). Andere leverancierspecifieke algoritmen voor deep learning beeldreconstructie zijn ook in opkomst (AiCE, Canon Medical Systems, Otawara, Japan). Zoals uitgelegd in een technisch witboek, streeft het DLIR-algoritme ernaar om beeldruis te onderdrukken zonder afbreuk te doen aan de beeldkwaliteit. Het gebruik van deep learning beeldreconstructie heeft het potentieel aangetoond voor verbeterde beeldkwaliteit en dosisreductie zonder de ruisstructuur te verschuiven.
Voor patiënten met acute abdominale aandoeningen wordt CT van de buik en het bekken beschouwd als de beste diagnostische benadering in de eerste of tweede lijn. Voor deze patiënten is een snelle en nauwkeurige diagnose van groot belang om vertraging van de behandeling en daaropvolgende complicaties zoals gastro-intestinale perforatie bij appendicitis of diverticulitis te voorkomen. Aan de andere kant is het ook belangrijk om onnodige chirurgische ingrepen en de daarmee gepaard gaande complicaties te vermijden. Een mogelijk laaggedoseerd CT-protocol moet daarom een niet-inferieure diagnostische prestatie bieden om een snelle diagnose mogelijk te maken en overbehandeling en onduidelijke onderzoeken te voorkomen.
Veelbelovende resultaten zijn gemeld met betrekking tot CT-onderzoeken met een lage dosis met modelgebaseerde IR en dosisverlaging tot 75-80%. Met de introductie van DLIR lijkt echter een verdere dosisverlaging haalbaar. Onze eigen resultaten van een onderzoek naar beeldkwaliteitperceptie met DLIR geven aan dat een dosisverlaging tot 92,5% in vergelijking met standaard CT een acceptabele diagnostische beeldkwaliteit zou kunnen behouden (maar niet-gepubliceerd werk).
Op basis hiervan is het doel van deze studie om de diagnostische prestaties van een lage dosis CT met DLIR te beoordelen voor de diagnose van acute abdominale aandoeningen in een non-inferioriteitssetting met een grote steekproefomvang geleverd door twee grote traumacentra in Noord-Europa.
Doelstellingen
Primair:
Om de diagnostische prestaties voor acute abdominale aandoeningen van contrastversterkte CT met lage dosis met DLIR "TrueFidelity" (TF) te evalueren in vergelijking met standaard CT met volledige dosis.
Ondergeschikt:
Technische en waargenomen beeldkwaliteit evalueren (kwalitatief en kwantitatief).
Ethiek
Goedkeuring zal worden verkregen van de regionale ethische commissie en de functionaris voor gegevensbescherming van de instelling.
Schriftelijke geïnformeerde toestemming zal worden verkregen van alle deelnemers. Dit project zal in overeenstemming zijn met de Verklaring van Helsinki.
Risico's Er zijn minimale risico's door een lichte toename van de blootstelling aan straling. De extra stralingsblootstelling van 27,5% valt binnen de nationale variatie van stralingsblootstelling van CT-onderzoeken die worden uitgevoerd voor overeenkomstige klinische taken. De onderzoekers schatten de gemiddelde extra effectieve dosis op 1,5 mSv, wat overeenkomt met ongeveer 4 maanden bij blootstelling aan natuurlijke achtergrondstraling in Noorwegen (4,1 mSv/jaar). De extra blootstelling aan straling vertaalt zich in een theoretisch verhoogd levenslange risico op dodelijke, door straling veroorzaakte kanker tussen 0,004 en 0,03%. De klinische risico's van deze blootstelling worden als minimaal/niet significant beschouwd.
Materiaal en methoden De studie zal worden geregistreerd op ClinicalTrials.gov voor aanvang. Studiemethoden en -resultaten zullen worden gerapporteerd in overeenstemming met de Standards for Reporting of Diagnostic Accuracy Studies (STARD)-verklaring van 2015. Opgemerkt moet worden dat de STARD-AI-stuurgroep een AI-specifieke uitbreiding voorbereidt. Als deze STARD-AI-richtlijnen vóór het einde van het onderzoek worden gepubliceerd, zullen de bevindingen ook in overeenstemming hiermee worden gerapporteerd. Om AI-specifieke elementen te compenseren die niet aan bod komen in STARD, zullen de onderzoekers, indien relevant, vertrouwen op de Checklist for Artificial Intelligence in Medical Imaging (CLAIM) die is gemodelleerd naar de STARD-richtlijn.
Pilot Er zal een studiepilot worden uitgevoerd met 10 patiënten gelijkelijk verdeeld over Oslo en Odense om de studielogistiek te testen en het stralingsdosisniveau van de lagedosis-CT aan te passen.
Onderzoeksprotocol / beeldvorming Onderzoeken worden uitgevoerd volgens lokale routineprocedures en vastgestelde CT-protocollen (CT-scanner: GE Revolution).
Naast de CT met standaard onderzoeksprotocol wordt er een low-dosis CT-scan gemaakt, maximaal 30% stralingsdosis van de standaard CT. Laaggedoseerde CT-beelden worden gereconstrueerd met TF hoog. De CT met lage dosis wordt direct na de standaard CT uitgevoerd om vertekening door verschillen in de timing van de contrastfase te voorkomen.
Locatie en lokale onderzoekspopulatie De studie zal worden uitgevoerd als een multicenter studie waarbij Oslo en Odense betrokken zijn met prospectieve gegevensverzameling.
De geschatte totale onderzoekspopulatie zal gelijkelijk worden verdeeld over de twee ziekenhuizen.
Beeldevaluatie De low-dose CT wordt niet gebruikt voor diagnostische doeleinden of behandeling van patiënten. Beeldevaluatie en -vergelijking zullen worden uitgevoerd gescheiden van de klinische routineworkflow.
Alle low-dose CT-onderzoeken worden onafhankelijk beoordeeld door twee lokale radiologen en door twee ervaren radiologen gespecialiseerd in abdominale radiologie met meer dan 10 jaar ervaring in abdominale CT. De lezers worden geblindeerd voor alle informatie van eerdere onderzoeken, het primaire CT-rapport, eventuele bevindingen van de andere lezers, alle behandelingsgerelateerde informatie en voor de uiteindelijke diagnose.
Ze hebben toegang tot klinische verwijzingen en laboratoriumtests die voorafgaand aan het oorspronkelijke CT-onderzoek zijn uitgevoerd. Beeldevaluatie zal worden uitgevoerd in de klinische omgeving van de radioloog met behulp van diagnostische monitoren.
In de uitkomstanalyse wordt voor elke patiënt de diagnose van lage dosis CT vergeleken met de oorspronkelijke radiologische diagnose op basis van volledige dosis CT.
Voor overeenstemming binnen de lezer wordt een willekeurige selectie uit 10% van de casussen twee keer aan elke lezer gepresenteerd.
De technische beeldkwaliteit wordt beoordeeld door regio's van belang (ROI) te positioneren in een homogeen segment van de poortader, aangrenzende normale leverparenchym aorta, erector spinae-spieren en in het onderhuidse vet. De contrast-ruisverhouding (CNR) wordt berekend.
De waargenomen beeldkwaliteit zal worden beoordeeld door ten minste twee radiologen op een Likert-schaal volgens beeldkwaliteitscriteria gebaseerd op de Europese richtlijnen voor beeldkwaliteit bij abdominale CT.
Statistieken Speciale statistische software zoals Stata en SPSS zullen worden gebruikt voor analyse van onderzoeksgegevens. Het alfa-significantieniveau wordt ingesteld op 5% en er worden betrouwbaarheidsintervallen van 95% gebruikt. Kappa-statistieken worden gebruikt voor overeenstemming tussen en binnen de lezer. Logistische regressie zal worden gebruikt voor de beoordeling van de beeldkwaliteit. Passende parametrische of niet-parametrische tests zullen worden gebruikt voor de evaluatie van numerieke variabelen. De diagnostische prestatie wordt bepaald door oppervlakte onder de curve, sensitiviteit, specificiteit, positieve en negatieve voorspellende waarde. Significante verschillen in sensitiviteit en specificiteit zullen worden bepaald door McNemar's test.
Powerberekening en steekproefomvang Er zal een non-inferioriteitsonderzoek worden gebruikt om non-inferioriteit aan te tonen met betrekking tot de diagnostische prestatie van de laaggedoseerde CT in vergelijking met de standaard CT. De onderzoekers schatten de sensitiviteit van de standaard CT op 90%. De prevalentie van acute abdominale aandoeningen met een zichtbare correlaat op standaard CT wordt geschat op 70% van alle verwijzingen die voldoen aan de inclusiecriteria. Een non-inferioriteitsmarge van 10% voor sensitiviteit werd als klinisch aanvaardbaar beschouwd, d.w.z. de kans op positieve bevindingen bij een lage dosis CT in het geval van een positieve standaard CT werd verondersteld 90% te zijn.
S_L = Waarschijnlijkheid (positieve lage dosis CT | positieve standaard CT)
De 0-hypothese werd gedefinieerd als:
S_L < 90%
De alternatieve hypothese werd vervolgens gedefinieerd als:
S_L > 90% Om een eenzijdig verschil (toename) van 6% ten opzichte van de non-inferioriteitsmarge te identificeren met een power van 80% en een alfa-significantieniveau van 5%, schatten de onderzoekers het benodigde aantal patiënten met positieve CT-bevindingen op n= 116 (binominale verdeling). Het totale aantal benodigde patiënten werd vervolgens berekend op 116/0,7=166.
Studietype
Inschrijving (Werkelijk)
Contacten en locaties
Studie Locaties
-
-
-
Odense, Denemarken
- Odense University Hospital
-
-
-
-
-
Oslo, Noorwegen
- Oslo University Hospital
-
-
Deelname Criteria
Geschiktheidscriteria
Leeftijden die in aanmerking komen voor studie
Accepteert gezonde vrijwilligers
Bemonsteringsmethode
Studie Bevolking
Beschrijving
Inclusiecriteria:
- Patiënten onder evaluatie voor een acute abdominale aandoening die worden doorverwezen voor CT van de buik en het bekken.
- Leeftijd >18 jaar
- De patiënten moeten mondeling en schriftelijk toestemming kunnen geven voor deelname aan het onderzoek.
Uitsluitingscriteria:
- Contra-indicaties met betrekking tot contrastversterkte CT-onderzoeken zoals bekende bijwerkingen van gejodeerde contrastmiddelen of claustrofobie.
- Zwangerschap.
Studie plan
Hoe is de studie opgezet?
Ontwerpdetails
- Observatiemodellen: Cohort
- Tijdsperspectieven: Prospectief
Cohorten en interventies
Groep / Cohort |
Interventie / Behandeling |
|---|---|
|
Buikpijn
Deelnemers onder evaluatie voor een acute buikaandoening die worden doorverwezen voor CT van de buik en het bekken.
|
Er wordt een lage dosis CT-scan uitgevoerd, die niet hoger is dan 30% stralingsdosis van de standaard CT.
Laaggedoseerde CT-beelden worden gereconstrueerd met TrueFidelity high.
De CT met lage dosis wordt direct na de standaard CT uitgevoerd om vertekening door verschillen in de timing van de contrastfase te voorkomen.
|
Wat meet het onderzoek?
Primaire uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
|---|---|---|
|
Diagnostic performance of low-dose CT
Tijdsspanne: 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
|
Secundaire uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
|---|---|---|
|
Diagnostic performance
Tijdsspanne: 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
Tijdsspanne: 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.
Tijdsspanne: 6 to 12 month
|
Reading time difference between low-dose CT and standard CT.
|
6 to 12 month
|
|
Perceived image quality
Tijdsspanne: 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
Tijdsspanne: 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
Tijdsspanne: 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
Tijdsspanne: 6 to 12 months
|
Descriptive exploration of diagnoses among patients referred to CT examinations; diagnoses according to ICD 10.
|
6 to 12 months
|
Medewerkers en onderzoekers
Sponsor
Medewerkers
Onderzoekers
- Hoofdonderzoeker: Anselm Schulz, PhD, Oslo University Hospital
Publicaties en nuttige links
Algemene publicaties
- 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.
Studie record data
Bestudeer belangrijke data
Studie start (Werkelijk)
Primaire voltooiing (Werkelijk)
Studie voltooiing (Werkelijk)
Studieregistratiedata
Eerst ingediend
Eerst ingediend dat voldeed aan de QC-criteria
Eerst geplaatst (Werkelijk)
Updates van studierecords
Laatste update geplaatst (Werkelijk)
Laatste update ingediend die voldeed aan QC-criteria
Laatst geverifieerd
Meer informatie
Termen gerelateerd aan deze studie
Trefwoorden
Aanvullende relevante MeSH-voorwaarden
- Pijn
- Neurologische manifestaties
- Pathologische processen
- Tekenen en symptomen, spijsvertering
- Darmziekten
- Infecties
- Ziekten van het spijsverteringsstelsel
- Gastro-intestinale aandoeningen
- Alvleesklier Ziekten
- Ziekten van de galwegen
- Gastro-enteritis
- Galblaas Ziekten
- Cecale ziekten
- Intra-abdominale infecties
- Pathologische aandoeningen, tekenen en symptomen
- Tekenen en symptomen
- Cholecystitis
- Buikpijn
- Pancreatitis
- Ziekte
- Acute pijn
- Cholecystitis, acuut
- Appendicitis
Andere studie-ID-nummers
- PVO ref. 22/11840
- 22/11840 (Andere identificatie: Data protection officer at Oslo University Hospital)
- 468490 (Andere identificatie: Regional Comittees for Medical Research Ethics South East)
Plan Individuele Deelnemersgegevens (IPD)
Bent u van plan om gegevens van individuele deelnemers (IPD) te delen?
Beschrijving IPD-plan
Informatie over medicijnen en apparaten, studiedocumenten
Bestudeert een door de Amerikaanse FDA gereguleerd geneesmiddel
Bestudeert een door de Amerikaanse FDA gereguleerd apparaatproduct
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 .