Denne siden ble automatisk oversatt og nøyaktigheten av oversettelsen er ikke garantert. Vennligst referer til engelsk versjon for en kildetekst.

Utvikling av hjelpeverktøy for brystundersøkelse ved bruk av prinsippet for ultralydsensor

3. desember 2024 oppdatert av: Hyeong-Gon Moon, Seoul National University Hospital

Utvikling av hjelpeverktøy for brystundersøkelse ved bruk av prinsippet for ultralydsensor: En utviklings- og valideringsstudie

Nøyaktigheten av brystundersøkelser og ultralyd utført klinisk for å påvise brystmasse varierer sterkt avhengig av legens ferdighetsnivå, og nøyaktigheten av brystundersøkelser av ikke-eksperter er spesielt lav. I denne studien tok vi sikte på å validere om samtidig bruk av ultralydsensorteknologi er en effektiv strategi med det formål å forbedre følsomheten ved å oppdage brystmasser gjennom brystundersøkelse.

Studieoversikt

Detaljert beskrivelse

[Bakgrunn] Dette forskerteamet ønsker å gjennomføre denne studien basert på ideen om at følsomheten til brystpalpering kan forbedres ved å gå bort fra tradisjonell brystpalpering, som ganske enkelt utføres for hånd, og ved å bruke hjelpeundersøkelsesutstyr basert på ultralydsensorteknologi . Spesielt fokuserte forskerteamet vårt på bølgeformen til selve ultralyden i stedet for de visuelle bildene som ble oppnådd gjennom ultralydenheten. I den eksisterende brystultralyden leser det medisinske personalet bilder laget gjennom ultralyd fra flere sensorer for å bekrefte muligheten for brystkreft, og dette leses ut fra helsepersonellets svært subjektive meninger. Imidlertid kan ultralydbølgeformer innhentet gjennom ultralyd lagre informasjon om bølgeformen som data og dermed implementeres som objektive verdier.

[Studiedesign] Prospektiv, multiinstitusjonell

[Studieprotokoll]

① Preoperativt ultralydsensorbasert diagnostisk utstyr ble brukt på 200 pasienter med brystmasse blant pasienter innlagt på brystkirurgisk avdeling, og prospektivt innhentet ultralydekkosignaldata generert av massen.

② For dette formålet bruker forskeren utstyr som inneholder en enkelt ultralydsensor for manuelt å skanne masselesjonsområdet og ingen bevis for sykdomsområdet.

③ Diagnostisk ytelse (vurdering for tilstedeværelse eller fravær av en svulst) av diagnostisk verktøy basert på ultralydsensorteknologi gjennom en kunstig intelligens-algoritme designet basert på ultralydbølgelengde og frekvens optimalisert for massedeteksjon.

[Mål]

  1. Primært endepunkt Sensitivitet/spesifisitet/prediktiv verdi/nøyaktighet/positiv og negativ prediksjon for diagnostisk ytelse
  2. Sekundært endepunkt Effektivitet av kunstig intelligens-algoritme

Studietype

Observasjonsmessig

Registrering (Antatt)

200

Kontakter og plasseringer

Denne delen inneholder kontaktinformasjon for de som utfører studien, og informasjon om hvor denne studien blir utført.

Studiesteder

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
  • Eldre voksen

Tar imot friske frivillige

Nei

Prøvetakingsmetode

Ikke-sannsynlighetsprøve

Studiepopulasjon

planlagt operasjon etter at en svulst er bekreftet ved ultralydundersøkelse av brystet

Beskrivelse

Inklusjonskriterier:

  • kvinnelige pasienter mellom 18 og 80 år som skal opereres etter at en svulst er bekreftet ved ultralydundersøkelse av brystet

Ekskluderingskriterier:

  • Pasienter diagnostisert med brystkreft etter biopsi med ikke-masseforsterkning eller forkalkning
  • Inflammatorisk brystkreft
  • Pasienter hvis kreft har invadert huden og brutt gjennom
  • Pasienter med hudsykdommer
  • Kvinner som nektet å delta i studien

Studieplan

Denne delen gir detaljer om studieplanen, inkludert hvordan studien er utformet og hva studien måler.

Hvordan er studiet utformet?

Designdetaljer

Kohorter og intervensjoner

Gruppe / Kohort
Ultralydgruppe

Hva måler studien?

Primære resultatmål

Resultatmål
Tiltaksbeskrivelse
Tidsramme
Enhetens ytelse
Tidsramme: Innen 1 år etter registreringsfristen for studiedeltaker
Sensitivitet/spesifisitet/prediktiv verdi/nøyaktighet/positiv prediktiv verdi/ negativ prediktiv verdi av diagnostisk ytelse
Innen 1 år etter registreringsfristen for studiedeltaker

Sekundære resultatmål

Resultatmål
Tidsramme
Effektivitet av kunstig intelligens-algoritme
Tidsramme: Innen 2 år etter registreringsfristen for studiedeltaker
Innen 2 år etter registreringsfristen for studiedeltaker

Samarbeidspartnere og etterforskere

Det er her du vil finne personer og organisasjoner som er involvert i denne studien.

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)

5. oktober 2024

Primær fullføring (Antatt)

27. februar 2025

Studiet fullført (Antatt)

5. april 2025

Datoer for studieregistrering

Først innsendt

4. februar 2024

Først innsendt som oppfylte QC-kriteriene

4. februar 2024

Først lagt ut (Faktiske)

13. februar 2024

Oppdateringer av studieposter

Sist oppdatering lagt ut (Antatt)

4. desember 2024

Siste oppdatering sendt inn som oppfylte QC-kriteriene

3. desember 2024

Sist bekreftet

1. desember 2024

Mer informasjon

Begreper knyttet til denne studien

Andre studie-ID-numre

  • 2209-039-1357

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. .

Abonnere