Dype nevrale nettverk om nøyaktigheten av diagnose av hudsykdommer hos ikke-dermatologer
25. oktober 2022 oppdatert av: Pyoeng Gyun Choe
Effekt av bruk av dype nevrale nettverk på nøyaktigheten av hudsykdomsdiagnose hos ikke-hudlege
Bakgrunn: Deep neural networks (DNN) har blitt brukt på mange typer hudsykdommer i eksperimentelle omgivelser.
Mål: Målet med denne studien er å bekrefte utvidelsen av dype nevrale nettverk for diagnostisering av hudsykdommer hos leger som ikke er hudleger i en virkelig verden.
Metoder: Totalt 40 ikke-hudleger ved et enkelt tertiærsykehus vil bli registrert. De vil bli randomisert til en DNN-gruppe og kontrollgruppe. Ved å sammenligne to grupper vil etterforskerne estimere effekten av å bruke dype nevrale nettverk på diagnostisering av hudsykdom når det gjelder nøyaktighet.
Studieoversikt
Status
Avsluttet
Forhold
Intervensjon / Behandling
Detaljert beskrivelse
I DNN-gruppen og kontrollgruppen er disse trinnene den samme prosessen.
- Rutinemessig undersøkelse og ta bilder av hudlesjoner for alle kvalifiserte påfølgende seriepasienter.
- Still en klinisk diagnose (FØR-DX)
- Still en klinisk diagnose (AFTER-DX)
- konsultere hudlege
I DNN-gruppen, etter å ha laget BEFORE-DX, bruker leger dype nevrale nettverk og lager en AFTER-DX med tanke på resultatene av de dype nevrale nettverkene (Model Dermatology, build 2020).
I kontrollgruppen, etter å ha laget FØR-DX, lager leger en AFTER-DX etter å ha gjennomgått bildene av hudlesjoner en gang til.
Grunnsannheten vil være basert på biopsien hvis tilgjengelig, eller konsensusdiagnosen til hudlegene.
Etterforskerne vil sammenligne nøyaktigheten mellom DNN-gruppen og kontrollgruppen etter 6 måneders sammenhengende studie.
Studietype
Intervensjonell
Registrering (Faktiske)
55
Fase
- Ikke aktuelt
Kontakter og plasseringer
Denne delen inneholder kontaktinformasjon for de som utfører studien, og informasjon om hvor denne studien blir utført.
Studiesteder
-
-
-
Seoul, Korea, Republikken, 03080
- Seoul National University Hospital
-
-
Deltakelseskriterier
Forskere ser etter personer som passer til en bestemt beskrivelse, kalt kvalifikasjonskriterier. Noen eksempler på disse kriteriene er en persons generelle helsetilstand eller tidligere behandlinger.
Kvalifikasjonskriterier
Alder som er kvalifisert for studier
- VOKSEN
- OLDER_ADULT
- BARN
Tar imot friske frivillige
Nei
Kjønn som er kvalifisert for studier
Alle
Beskrivelse
Inklusjonskriterier:
- ikke-hudlege (beboere) som samtykker i å delta i denne studien
Ekskluderingskriterier:
- beboere i dermatologi
- ikke-dermatologiske beboere som bruker andre dype nevrale nettverk for hudlesjonsdiagnose
Studieplan
Denne delen gir detaljer om studieplanen, inkludert hvordan studien er utformet og hva studien måler.
Hvordan er studiet utformet?
Designdetaljer
- Primært formål: DIAGNOSTISK
- Tildeling: TILFELDIG
- Intervensjonsmodell: PARALLELL
- Masking: INGEN
Våpen og intervensjoner
Deltakergruppe / Arm |
Intervensjon / Behandling |
|---|---|
|
EKSPERIMENTELL: DNN-gruppen
bruk av dype nevrale nettverk for hudlesjonsdiagnose
|
Leger i DNN-gruppen tar bilder av hudlesjonen og bruker algoritmen ved å laste opp bilder.
|
|
INGEN_INTERVENSJON: Kontrollgruppe
konvensjonell diagnose
|
Hva måler studien?
Primære resultatmål
Resultatmål |
Tiltaksbeskrivelse |
Tidsramme |
|---|---|---|
|
Topp-1 diagnostisk nøyaktighet
Tidsramme: 6 måneder på rad
|
frekvens for korrekt Topp-1-prediksjon
|
6 måneder på rad
|
Sekundære resultatmål
Resultatmål |
Tiltaksbeskrivelse |
Tidsramme |
|---|---|---|
|
Topp-2 og 3 diagnostisk nøyaktighet
Tidsramme: 6 måneder på rad
|
frekvens av korrekte Top-2 og 3 prediksjoner
|
6 måneder på rad
|
|
Infeksjonsfølsomhet
Tidsramme: 6 måneder på rad
|
positiv rate av infeksjonsdiagnose
|
6 måneder på rad
|
|
Malignitetsfølsomhet
Tidsramme: 6 måneder på rad
|
Positiv malignitetsdiagnose
|
6 måneder på rad
|
Samarbeidspartnere og etterforskere
Det er her du vil finne personer og organisasjoner som er involvert i denne studien.
Sponsor
Publikasjoner og nyttige lenker
Den som er ansvarlig for å legge inn informasjon om studien leverer frivillig disse publikasjonene. Disse kan handle om alt relatert til studiet.
Generelle publikasjoner
- 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.
Studierekorddatoer
Disse datoene sporer fremdriften for innsending av studieposter og sammendragsresultater til ClinicalTrials.gov. Studieposter og rapporterte resultater gjennomgås av National Library of Medicine (NLM) for å sikre at de oppfyller spesifikke kvalitetskontrollstandarder før de legges ut på det offentlige nettstedet.
Studer hoveddatoer
Studiestart (FAKTISKE)
27. november 2020
Primær fullføring (FAKTISKE)
27. november 2021
Studiet fullført (FAKTISKE)
27. desember 2021
Datoer for studieregistrering
Først innsendt
13. november 2020
Først innsendt som oppfylte QC-kriteriene
13. november 2020
Først lagt ut (FAKTISKE)
19. november 2020
Oppdateringer av studieposter
Sist oppdatering lagt ut (FAKTISKE)
27. oktober 2022
Siste oppdatering sendt inn som oppfylte QC-kriteriene
25. oktober 2022
Sist bekreftet
1. oktober 2022
Mer informasjon
Begreper knyttet til denne studien
Nøkkelord
Ytterligere relevante MeSH-vilkår
Andre studie-ID-numre
- 2020-3233
Plan for individuelle deltakerdata (IPD)
Planlegger du å dele individuelle deltakerdata (IPD)?
NEI
Legemiddel- og utstyrsinformasjon, studiedokumenter
Studerer et amerikansk FDA-regulert medikamentprodukt
Nei
Studerer et amerikansk FDA-regulert enhetsprodukt
Nei
Denne informasjonen ble hentet direkte fra nettstedet clinicaltrials.gov uten noen endringer. Hvis du har noen forespørsler om å endre, fjerne eller oppdatere studiedetaljene dine, vennligst kontakt register@clinicaltrials.gov. Så snart en endring er implementert på clinicaltrials.gov, vil denne også bli oppdatert automatisk på nettstedet vårt. .
Kliniske studier på Hudsykdommer
-
Alma LasersTilbaketrukket
-
Syneron MedicalFullførtSkin Resurfacing | RynkereduksjonForente stater, Canada
-
MolecuLight Inc.UkjentSkin Graft (Allograft) (Autograft) FeilStorbritannia
-
Centre Hospitalier le MansRekruttering
-
University Hospital "Sestre Milosrdnice"Har ikke rekruttert ennåNeseplastikk | Nasal Skin-myk vevskonvolutt metabolisme | Melkesyre | Autolog bruskpode
-
University of CatanzaroUniversity of Roma La SapienzaUkjent
-
The First Affiliated Hospital of Dalian Medical...UkjentSår og skader | Traume | Brudd, åpen | Skin ExpanderKina
-
Integrative Skin Science and ResearchBurt's Bees Inc.RekrutteringKviser | Skin MicroboimeForente stater
-
PT. Daewoong InfionEquilab InternationalFullførtHudtransplantasjonsarr | Split-Thickness Skin Graft (STSG)Indonesia
-
EmoledTilbaketrukketBrannsår | Skin Graft (Allograft) (Autograft) FeilItalia, Østerrike