Kunstmatige Intelligentie (AI)-verbeterd voorbehandeling peer-reviewproces om patiëntveiligheid in radiotherapie te verbeteren
Ontwikkeling en evaluatie van een kunstmatige intelligentie (AI)-versterkt voorbehandelings peer-reviewproces om patiëntveiligheid in de radiotherapie te verbeteren
Deze prospectieve studie zal beslissingsondersteunende tools voor kunstmatige intelligentie (AI) en machine learning (ML) testen. Deze tool is ontworpen om artsen, fysici en ander personeel te helpen tijdens de peer review voorafgaand aan de behandeling, een stap waarbij behandelplannen worden gecontroleerd voordat een patiënt met de zorg begint.
Het systeem benadrukt samenvattingen die laten zien hoe verschillende zorgverleners kunnen variëren in hun behandelplanning (samenvattingen van zorgverlenervariabiliteit) en wijst de beste signalen of waarschuwingssignalen aan om op te letten (optimale signalen). Door de aandacht op deze patronen en signalen te vestigen, beoogt de tool reviewers te helpen mogelijke fouten in de behandelplanning eerder op te sporen, de kans op fouten te verkleinen en de algehele patiëntveiligheid te verbeteren.
Studie Overzicht
Toestand
Conditie
Interventie / Behandeling
Gedetailleerde beschrijving
Naarmate radiotherapie (RT) complexer wordt, neemt het aantal mogelijke foutpaden toe. AI-ondersteunde peer review kan helpen om fouten te detecteren die anders onopgemerkt zouden blijven en bevordert consistente, gelijke veiligheidsnormen in zowel landelijke als stedelijke klinieken.
Radiotherapie (RT) wordt gebruikt bij ongeveer 50% van de kankerpatiënten en wordt meestal toegediend in poliklinieken. Nieuwere technologieën zoals intensiteitsgemoduleerde radiotherapie (IMRT), volumetrische gemoduleerde boogtherapie (VMAT) en beeldgestuurde radiotherapie (IGRT) verbeteren de behandeling door normaal weefsel beter te beschermen en een hogere dosis in doelgebieden toe te dienen. Ze zijn echter complexer en vereisen een zeer nauwkeurige definitie van tumordoelen en normaal weefsel. Zelfs kleine fouten bij het afbakenen van deze gebieden kunnen leiden tot onderbehandeling van de tumor of overbehandeling van gezond weefsel. Studies tonen aan dat fouten bij het definiëren van doelgebieden zijn toegenomen in de moderne radiotherapie. Omdat deze behandelingen cognitief veeleisender zijn, is het risico op planningsfouten toegenomen en in sommige gevallen kunnen fouten ernstige schade veroorzaken.
Pre-behandeling peer review, waarbij een multidisciplinair team het behandelplan beoordeelt voordat de therapie begint, is een belangrijke veiligheidsstap en wordt sterk aanbevolen. Het is het meest effectief wanneer het wordt uitgevoerd voordat de behandeling start, omdat correcties later kunnen leiden tot behandelingsvertragingen, gehaaste aanpassingen en extra risico's. De potentiële impact op de patiëntveiligheid is aanzienlijk.
Vanwege de toenemende complexiteit en werklast is er behoefte aan het versterken en gedeeltelijk automatiseren van pre-behandeling peer review. AI/ML-beslissingsondersteunende tools kunnen helpen door belangrijke informatie samen te vatten, ongebruikelijke plankenmerken te benadrukken en aandacht te vestigen op gebieden van potentieel risico. Deze tools nemen geen behandelbeslissingen. In plaats daarvan bieden ze analyses en visuele samenvattingen om clinici te ondersteunen en de cognitieve belasting te verminderen.
Omdat de tool ook verschillen benadrukt in hoe aanbieders behandelingen plannen, kan het helpen om variatie in zorg te identificeren en aandacht te vestigen op potentiële gezondheidsverschillen, wat toekomstige inspanningen ondersteunt om gelijkheid in de radiotherapie te verbeteren.
Studietype
Inschrijving (Geschat)
Fase
- Niet toepasbaar
Contacten en locaties
Studiecontact
- Naam: Olivia Morton
- Telefoonnummer: (984) 974-8441
- E-mail: olivia_roberts@med.unc.edu
Studie Contact Back-up
- Naam: Victoria Xu
- Telefoonnummer: (984) 974-8444
- E-mail: victoria_xu@med.unc.edu
Studie Locaties
-
-
North Carolina
-
Chapel Hill, North Carolina, Verenigde Staten, 27599
- Werving
- University of North Carolina at Chapel Hill, Department of Radiation Oncology
-
Contact:
- Olivia Morton
- Telefoonnummer: 984-974-8441
- E-mail: olivia_roberts@med.unc.edu
-
Hoofdonderzoeker:
- Lukasz Mazur, PhD
-
-
Deelname Criteria
Geschiktheidscriteria
Leeftijden die in aanmerking komen voor studie
- Volwassen
- Oudere volwassene
Accepteert gezonde vrijwilligers
Beschrijving
Om deel te nemen aan deze studie moet een proefpersoon voldoen aan alle hieronder beschreven in- en exclusiecriteria.
Inclusiecriteria:
Alleen zorgverleners
- ≥18 jaar
- Deelnemers aan peer-review bij deelnemende klinieken
Alleen patiënten
- ≥18 jaar
- Alle patiënten met prostaatkanker die bestralingstherapie hebben ondergaan op deelnemende locaties (er wordt geen interventie bij patiënten uitgevoerd)
Exclusiecriteria:
Alleen zorgverleners • Zorgverleners die niet bereid/instaat zijn om de studieprocedures na te leven; locaties die de workflow niet kunnen implementeren of de vereiste uitkomsten niet kunnen leveren.
Patiënten en zorgverleners
• Heeft dementie, veranderde mentale status, of een psychiatrische of comorbiditeit die het begrip of het verkrijgen van geïnformeerde toestemming verhindert
Studie plan
Hoe is de studie opgezet?
Ontwerpdetails
- Primair doel: Onderzoek naar gezondheidsdiensten
- Toewijzing: Niet-gerandomiseerd
- Interventioneel model: Parallelle opdracht
- Masker: Geen (open label)
Wapens en interventies
Deelnemersgroep / Arm |
Interventie / Behandeling |
|---|---|
|
Ander: Aanbieders
Radiotherapie-aanbieders die betrokken zijn bij collegiale toetsing in deelnemende klinieken.
|
Apparaat: De bijdrage van Kunstmatige Intelligentie (AI)/ Machine Learning (ML) aan behandelplanning
Alle behandelplanning en klinische monitoring worden uitgevoerd in overeenstemming met institutionele normen en vastgestelde afdelingsbeleid.
Peer review-activiteiten verlopen zoals in de routinematige klinische praktijk, met de toevoeging van optionele door kunstmatige intelligentie (AI) gegenereerde analyses beschikbaar voor beoordeling door de clinicus.
Het AI / Machine Learning (ML)-systeem is ingebed in geplande afdelingspeer review-bijeenkomsten en presenteert analytische samenvattingen en visualisaties via een dashboard dat is geïntegreerd in de bestaande klinische workflow.
Het systeem fungeert uitsluitend als een beslissingsondersteunend hulpmiddel en voert geen autonome behandelplanning, dosisleveringwijzigingen of klinische interventies uit of initieert deze.
Tijdens de simulatie (SIM) beoordeling worden eerst door de arts gegenereerde doel- en risicoorgaancontouren beoordeeld, in overeenstemming met de standaardpraktijk.
Pas na deze eerste beoordeling kan de behandelend arts optioneel toegang krijgen tot de door AI gegenereerde contouren voor vergelijkingsdoeleinden.
Andere namen:
|
|
Geen tussenkomst: Patiënten
Prostaatkankerpatiënten die radiotherapie ontvangen, dragen geanonimiseerde veiligheidsresultaten bij.
|
Wat meet het onderzoek?
Primaire uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
|---|---|---|
|
Percentage van patiënten met veranderingen in de volumecurves van de lymfeklieren
Tijdsspanne: Basislijn
|
Percentage van patiënten met gedocumenteerde veranderingen betreffende nodale volumecontouren na Artificial Intelligence (AI)-verbeterde peer review.
|
Basislijn
|
Medewerkers en onderzoekers
Onderzoekers
- Hoofdonderzoeker: Lukasz Mazur, PhD, UNC Lineberger Comprehensive Cancer Center
Publicaties en nuttige links
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
- LCCC2607
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 .