Intelligente ondersteuning voor radiologische rapportage van longneoplasmata (SPOILERS)
Intelligente Ondersteuning voor Radiologische Verslaglegging van Longneoplasmata - SPOILERS Studie
Longkanker is een van de meest voorkomende kankersoorten en heeft een van de slechtste prognoses, voornamelijk vanwege de moeilijkheid van vroege diagnose. In Italië worden jaarlijks naar schatting 41.000 nieuwe gevallen vastgesteld, en in 2021 was de ziekte verantwoordelijk voor ongeveer 34.000 sterfgevallen. De maatschappelijke impact is aanzienlijk, aangezien de ziekte vaak in een gevorderd stadium wordt gediagnosticeerd, wanneer de overlevingskansen verminderd zijn: de 5-jaarsoverleving is ongeveer 18% in gevorderde stadia, terwijl deze 90% kan bereiken indien vroegtijdig gediagnosticeerd.
Longkanker in een vroeg stadium manifesteert zich voornamelijk in de vorm van longknobbels, die kunnen worden gedetecteerd door computertomografie (CT). De diagnose van deze knobbels vereist echter vaak invasieve procedures, zoals bronchoscopie, CT-geleide naaldbiopsie of chirurgische biopsieën, die de levenskwaliteit van patiënten en de gezondheidszorgkosten beïnvloeden. Daarom is het nauwkeurig onderscheiden van goedaardige en kwaadaardige knobbels een centraal thema in klinisch onderzoek.
In de afgelopen jaren heeft kunstmatige intelligentie, met name deep learning-technieken, aanzienlijk potentieel getoond bij het ondersteunen van CT-screening. Resultaten tonen aan dat AI prestaties kan bereiken die superieur zijn aan die van individuele radiologen en vergelijkbaar met die van een multidisciplinair team, waarbij histologische rapporten als diagnostische referentie worden gebruikt. Dit bevestigt de waarde van AI als hulpmiddel ter ondersteuning van klinische besluitvorming.
Gezien de multimodale aard van klinische gegevens (beelden, tekstrapporten, diagnostische tests), is er groeiende interesse in modellen die meerdere informatiebronnen kunnen integreren. In deze context heeft het onderzoeksproject tot doel een systeem te ontwikkelen dat automatisch longknobbels kan herkennen en natuurlijke taaltekstbeschrijvingen van de bevindingen kan genereren.
Studie Overzicht
Toestand
Conditie
Interventie / Behandeling
Studietype
Inschrijving (Werkelijk)
Contacten en locaties
Studie Locaties
-
-
Piedmont
-
Alessandria, Piedmont, Italië, 15121
- SSD Laboratori di Ricerca (DAIRI) - AOU Alessandria
-
-
Deelname Criteria
Geschiktheidscriteria
Leeftijden die in aanmerking komen voor studie
- Volwassen
- Oudere volwassene
Accepteert gezonde vrijwilligers
Bemonsteringsmethode
Studie Bevolking
Beschrijving
Insluitingscriteria:
- Leeftijd ≥18 jaar
- Bewijs van longnodule radiologisch gedocumenteerd door een CT-scan van de borst
- Aanwezigheid van een CT-scanrapport
- Aanwezigheid van een histologisch rapport (longnodule biopsie)
- Aanwezigheid van een schriftelijk ondertekende geïnformeerde toestemming
Uitsluitingscriteria:
- Eerdere kanker
- Eerdere longoperatie
- Eerdere radiotherapie en/of chemotherapie
Studie plan
Hoe is de studie opgezet?
Ontwerpdetails
Cohorten en interventies
Groep / Cohort |
Interventie / Behandeling |
|---|---|
|
Patiënten met pulmonale noduli
Patiënten met pulmonale noduli op computertomografie (CT) evaluatie en die een biopsie ondergaan, zullen worden ingeschreven.
|
De interventie omvat het inschrijven van patiënten met longnoduli en het verzamelen van klinische gegevens, deze te anonimiseren, CT-beelden voor te verwerken en deze voor te bereiden voor gebruik bij het trainen van kunstmatige intelligentiemodellen, waarbij klinische validatie en ethische naleving worden gewaarborgd.
|
Wat meet het onderzoek?
Primaire uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
|---|---|---|
|
Ontwikkeling van een AI-computermodel
Tijdsspanne: Gedurende de studie, gemiddeld 18 maanden
|
Ontwikkeling van een computermodel dat, door de toepassing van kunstmatige intelligentie, in staat is om longnoduli te herkennen en te onderscheiden.
|
Gedurende de studie, gemiddeld 18 maanden
|
Secundaire uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
|---|---|---|
|
Automatische generatie van resultaten door het AI-model
Tijdsspanne: Gedurende de volledige studie, gemiddeld 18 maanden
|
Genereer automatisch natuurlijke taaltekst die de resultaten beschrijft die het AI-model heeft herkend uit de gegevens die eraan zijn verstrekt
|
Gedurende de volledige studie, gemiddeld 18 maanden
|
Medewerkers en onderzoekers
Studie record data
Bestudeer belangrijke data
Studie start (Werkelijk)
Primaire voltooiing (Werkelijk)
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
Aanvullende relevante MeSH-voorwaarden
Andere studie-ID-nummers
- ASO.Rad.23.01
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
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 .