- ICH GCP
- Register voor klinische proeven in de VS.
- Klinische proef NCT06910956
Diep leren met behulp van röntgenfoto's van de borst om patiënten met een hoog risico te identificeren voor screening van longkanker CT
Diep leren met routinematige röntgenfoto's van de borst en elektronische medische dossiers om patiënten met een hoog risico te identificeren voor longkanker-screening CT
Het doel van deze klinische studie is om te evalueren of een AI-tool die aanbieders waarschuwt voor patiënten met een hoog 6-jarige risico op longkanker op basis van hun röntgenfoto's van de borst, de longkanker-screening CT-participatie zal verbeteren. De belangrijkste vraag die het wil beantwoorden is: verbetert de AI -tool longkanker screening CT -deelname na 6 maanden na het baseline poliklinische bezoek
De interventie is een waarschuwing voor de leverancier om Long Cancer Screening CT-geschiktheid te bespreken, voor patiënten die worden overwogen met een hoog risico op longkanker op basis van CXR-LC AI-tool.
Als er een vergelijkingsgroep is: onderzoekers zullen interventie en niet-interventiesarmen vergelijken om te bepalen of CT-deelname van het longkanker toeneemt.
Studie Overzicht
Toestand
Interventie / Behandeling
Studietype
Inschrijving (Geschat)
Fase
- Niet toepasbaar
Contacten en locaties
Studiecontact
- Naam: Michael T Lu, MD, MPH
- Telefoonnummer: 617-726-1255
- E-mail: mlu@mgh.harvard.edu
Studie Locaties
-
-
Massachusetts
-
Boston, Massachusetts, Verenigde Staten, 02114
- Werving
- Massachusetts General Hospital
-
Contact:
- Michael T Lu, MD, MPH
- Telefoonnummer: 617-724-9729
- E-mail: mlu@mgh.harvard.edu
-
-
Deelname Criteria
Geschiktheidscriteria
Leeftijden die in aanmerking komen voor studie
- Volwassen
- Oudere volwassene
Accepteert gezonde vrijwilligers
Beschrijving
Grote inclusiecriteria:
- Geplande poliklinische afspraak met de deelnemende provider.
- 50- tot 77-jarige die momenteel of voorheen rookte, om personen op te nemen die potentieel in aanmerking komen voor longscreening op basis van Medicare-richtlijnen.
- Recente (binnen 2 jaar) PA borstradiograaf.
Uitsluitingscriteria:
• Geschiedenis of tekenen/symptomen van longkanker. Recente (binnen 2 jaar) borst CT. Klinische indicatie voor CT van de borst voorbij longkanker screening.
Studie plan
Hoe is de studie opgezet?
Ontwerpdetails
- Primair doel: Screening
- Toewijzing: Gerandomiseerd
- Interventioneel model: Parallelle opdracht
- Masker: Dubbele
Wapens en interventies
Deelnemersgroep / Arm |
Interventie / Behandeling |
|---|---|
|
Experimenteel: Interventie
|
ALERT op de provider om screening van longkanker te bespreken CT-geschiktheid, voor patiënten die worden overwogen met een hoog risico op longkanker op basis van CXR-LC AI-tool.
|
|
Geen tussenkomst: Niet-interventie
|
Wat meet het onderzoek?
Primaire uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
|---|---|---|
|
Aandeel voltooid longkanker screening CT in 6 maanden na bezoek
Tijdsspanne: 6 maanden
|
Om de impact te beoordelen op de screening van de longkanker CT -participatie (gedefinieerd als het voltooien van longkanker screening CT) in de 6 maanden na het basisbezoek.
|
6 maanden
|
Secundaire uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
|---|---|---|
|
Suspicious lung nodules
Tijdsspanne: 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
|
Medewerkers en onderzoekers
Sponsor
Medewerkers
Publicaties en nuttige links
Algemene publicaties
- 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.
Studie record data
Bestudeer belangrijke data
Studie start (Werkelijk)
Primaire voltooiing (Geschat)
Studie voltooiing (Geschat)
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
Andere studie-ID-nummers
- 2023P002872
- 2025P002902 (Andere identificatie: Mass General Hospital)
Plan Individuele Deelnemersgegevens (IPD)
Bent u van plan om gegevens van individuele deelnemers (IPD) te delen?
Informatie over medicijnen en apparaten, studiedocumenten
Bestudeert een door de Amerikaanse FDA gereguleerd geneesmiddel
Bestudeert een door de Amerikaanse FDA gereguleerd apparaatproduct
product vervaardigd in en geëxporteerd uit de V.S.
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 .