- ICH GCP
- US Clinical Trials Registry
- Klinisk utprøving NCT07305324
Forbedring av leverfibrose-diagnostikk i primærhelsetjenesten med FibroX AI
Validasjon av et AI-verktøy for å forbedre MASLD-diagnose av avansert leverfibrose i primærhelsetjenesten: En provider-level crossover randomisert kontrollert studiepilot
Målet med denne kliniske studien er å undersøke om et kunstig intelligens-verktøy (AI) kalt FibroX kan hjelpe allmennleger bedre å diagnostisere betydelig leversklerose (≥F2) og klinisk signifikant portalhypertensjon hos voksne med metabolisk dysfunksjonsassosiert steatotisk leversykdom (MASLD).
Hovedspørsmålene den tar sikte på å besvare er:
- Kan FibroX forbedre nøyaktigheten ved diagnostisering av betydelig leversklerose (≥F2) og klinisk signifikant portalhypertensjon sammenlignet med vanlig behandling?
- Er FibroX enkelt å bruke og akseptabelt for allmennleger i simulerte kliniske settinger?
- Stoler behandlere på FibroX som et beslutningsstøtteverktøy?
Forskere vil sammenligne FibroX-assistert behandling med vanlig behandling for å se om FibroX forbedrer diagnostisk nøyaktighet, behandlerens tillit, og støtter bedre beslutningstaking.
Deltakere vil:
- Være allmennleger (leger, osteopater, sykepleiere med videreutdanning, fysioterapeuter) fra ulike klinikker
- Gjennomgå simulerte pasienttilfeller med MASLD-risikofaktorer
- Bruke enten vanlige behandlingsverktøy (standard laboratorieprøver og valgfri FIB-4-kalkulator) eller FibroX (AI-generert risikoscore, triage-bånd og forklaringspanel)
- Ta diagnostiske og henvisningsbeslutninger for hvert tilfelle
- Fullføre spørreundersøkelser om brukervennlighet, tillit til AI, selvtillit og kognitiv arbeidsbelastning
Denne studien vil bidra til å avgjøre om FibroX kan integreres i reelle allmennlegearbeidsflyter for å støtte tidligere og mer nøyaktig oppdagelse av leversklerose og portalhypertensjon, potensielt redusere oversette diagnoser, unødvendige henvisninger, og forbedre pasientresultater.
Studieoversikt
Status
Forhold
Intervensjon / Behandling
Detaljert beskrivelse
Denne studien er et 12-måneders pilotforsøk designet for å evaluere gjennomførbarheten, brukervennligheten, tillit hos behandlere og foreløpig effekt av FibroX, et forklarbart kunstig intelligens-verktøy utviklet for å forbedre diagnosen av betydelig leverfibrose (≥F2) og klinisk signifikant portal hypertensjon hos voksne med metabolisk dysfunksjon-assosiert steatotisk leversykdom (MASLD). MASLD er en vanlig og progressiv leverlidelse som kan føre til cirrose, leversvikt og økt kardiovaskulær risiko. Tidlig oppdagelse av disse tilstandene er avgjørende fordi gjeldende retningslinjer anbefaler å starte terapi (f.eks. resmetirom eller semaglutid for ≥F2 fibrose og betablokkere for portal hypertensjon). Imidlertid mangler eksisterende verktøy som FIB-4 ofte nøyaktighet og brukervennlighet i rutinemessig primærhelsetjeneste.
FibroX adresserer disse begrensningene ved å bruke rutinemessig tilgjengelige kliniske data – som alder, leverenzymer, blodplatelletall, BMI og nyrefunksjon – for å estimere sannsynligheten for betydelig fibrose og portal hypertensjon. Det gir en triasjebånd (regel ut, ubestemt, regel inn) og en en-linjes forklaring på hvilke kliniske faktorer som påvirket prediksjonen mest. Denne gjennomsiktigheten oppnås ved bruk av Shapley Additive Explanations (SHAP), som hjelper klinikere å forstå hvordan AI-en nådde sin konklusjon.
I retrospektive studier viste FibroX overlegen diagnostisk ytelse sammenlignet med FIB-4 (AUROC 0,97 vs. 0,62) og var assosiert med langsiktig dødelighetsrisiko, noe som antyder prognostisk verdi utover diagnostisk nytte.
Dette pilotforsøket vil simulere virkelige primærhelsetjenestearbeidsflyter for å teste om FibroX kan brukes effektivt av klinikere. Studien vil rekruttere 30–40 primærhelsetjenesteytere (leger, osteopater, sykepleiere med spesialutdanning, fysioterapeuter) fra 4–6 forskjellige klinikker. Hver yter vil delta i to simuleringsperioder, hver involverende 16 syntetiske eller avidentifiserte pasienttilfeller som reflekterer voksne med MASLD-risikofaktorer. Sannhetsgrunnlag for fibrosestadium og portal hypertensjon vil bli bestemt ved biopsi eller ekspertkonsensus ved bruk av vibrasjonskontrollert transient elastografi (VCTE) og retningslinjebaserte kriterier.
Ytere vil bli tilfeldig tildelt til å vurdere tilfeller i en av to sekvenser:
- FibroX-aktivert omsorg: Ytere vil motta FibroXs risikosannsynlighet, triasjebånd og forklarbarhetspanel.
- Vanlig omsorg: Ytere vil bruke standard laboratorieprøver og vitale tegn, med valgfri tilgang til FIB-4-kalkulatoren.
Etter en én-ukers utvaskeperiode vil ytere bytte til den andre tilstanden. For hvert tilfelle vil ytere ta en behandlingsbeslutning (f.eks. ingen handling, bestille VCTE, henvise til hepatologi), registrere sitt tillitsnivå og fullføre spørreskjemaer om brukervennlighet, tillit til AI og kognitiv arbeidsbelastning.
Primære utfall
- Gjennomførbarhet: Rekrutteringsrate ≥70 %, fullføringsrate ≥85 %, median beslutningstid ≤3,5 minutter.
- Brukervennlighet og aksept: System Usability Scale (SUS)-score ≥70.
- Tillit hos behandlere: AI-Trust Scale-score ≥6.
- Effektivitet: Diagnostisk nøyaktighet innenfor yter for betydelig fibrose (≥F2) og klinisk signifikant portal hypertensjon.
Sekundære utfall
- Passende henvisningsrater
- Netto reklassifiseringsforbedring (NRI)
- Kalibreringsmål (skjæringspunkt, helning)
- Tillit hos behandlere og kognitiv belastning (NASA-TLX)
- Planlagt nedstrøms testbyrde
- Adopsjon og troskap til triasjeanbefalinger
- Overstyringsrater og årsaker
- Rettferdighetsanalyse på tvers av undergrupper (alder, kjønn, BMI, rase/etnisitet)
Alle yterhandlinger og beslutningstider vil bli automatisk logget. Etter-periodes spørreskjemaer og kvalitative avslutningssamtaler vil utforske barrierer og fasilitatorer for bruk av FibroX.
Studiens betydning Denne pilotstudien vil generere kritisk data for å støtte et fremtidig multisenterforsøk og potensiell integrering av FibroX i elektroniske helsejournaler. Hvis vellykket, kan FibroX muliggjøre skalerbar, retningslinjekonkordant screening for betydelig leverfibrose og portal hypertensjon i primærhelsetjenesten, og redusere oversette diagnoser og unødvendige henvisninger. Dette samsvarer med nasjonale prioriteringer for presisjonsmedisin og ansvarlig AI-implementering i helsevesenet.
Studietype
Registrering (Antatt)
Fase
- Ikke aktuelt
Kontakter og plasseringer
Studiekontakt
- Navn: Basile Njei, MD, MPH, PhD, FRCP
- Telefonnummer: 475-227-5537
- E-post: basile.njei@yale.edu
Studer Kontakt Backup
- Navn: Ulrick S Kanmounye, MD, MPH, MSc
- Telefonnummer: 5705404973
- E-post: ulricksidney@gmail.com
Deltakelseskriterier
Kvalifikasjonskriterier
Alder som er kvalifisert for studier
- Voksen
- Eldre voksen
Tar imot friske frivillige
Beskrivelse
Inklusjonskriterier:
- Lisensierte primærhelsetjenesteytere (MD, DO, NP eller PA)
- For tiden i praksis innen voksen primærhelsetjeneste (≥0,5 årsverk)
- Tilknyttet en av de deltakende klinikkene (akademisk, kommunal eller Federalt Kvalifisert Helsesenter)
- Villig og i stand til å delta i simulerte elektroniske pasientjournalbaserte (EHR) kasusgjennomganger
- I stand til å gi informert samtykke
Eksklusjonskriterier:
- Ytere som ikke aktivt praktiserer innen voksen primærhelsetjeneste
- Ytere med mindre enn 0,5 årsverk i klinisk praksis
- Tidligere involvering i utviklingen eller valideringen av FibroX-verktøyet
- Manglende evne til å fullføre begge simuleringsperioder på grunn av timeplanlegging eller andre begrensninger
Studieplan
Hvordan er studiet utformet?
Designdetaljer
- Primært formål: Diagnostisk
- Tildeling: Randomisert
- Intervensjonsmodell: Crossover-oppdrag
- Masking: Ingen (Open Label)
Våpen og intervensjoner
Deltakergruppe / Arm |
Intervensjon / Behandling |
|---|---|
|
Eksperimentell: FibroX-aktivert omsorg
I denne armen bruker primærhelsetjenesten FibroX, et KI-drevet klinisk beslutningsstøtteverktøy, for å vurdere simulerte pasienttilfeller for signifikant leversklerose (≥F2) og klinisk signifikant portalt hypertensjon.
FibroX viser en risiko-sannsynlighetsscore, en triasjebånd (rule-out, usikker, rule-in), og en en-linjes forklaringspanel som viser hvilke kliniske faktorer som påvirket spådommen mest.
Tjenesteytere bruker denne informasjonen til å ta diagnostiske og henvisningsbeslutninger (f.eks. bestille VCTE, henvise til hepatologi, starte retningslinjebasert behandling).
Hver tjenesteyter gjennomgår 16 tilfeller i løpet av denne intervensjonsperioden.
Målet er å evaluere FibroX sin innvirkning på diagnostisk nøyaktighet, tjenesteyterens tillit, brukervennlighet og arbeidsflyteffektivitet sammenlignet med vanlig behandling.
|
FibroX er et forklarbart kunstig intelligens (AI)-verktøy designet for å hjelpe primærhelsetjenesten med å diagnostisere betydelig leverfibrose (≥F2) og klinisk betydelig portal hypertensjon hos pasienter med metabolsk dysfunksjons-assosiert steatotisk leversykdom (MASLD).
Det bruker rutinemessig tilgjengelige kliniske data (f.eks. alder, AST, ALT, blodplater, BMI, HbA1c, kreatinin) for å generere en risikosannsynlighetsscore, en triasjebånd (rule-out, ubestemt, rule-in), og en en-linjes forklaringspanel ved hjelp av Shapley Additive Explanations (SHAP).
Tilbydere bruker FibroX under simulert pasientmøter for å veilede diagnostiske og henvisningsbeslutninger (f.eks. bestille VCTE, henvise til hepatologi, initiere retningslinjebasert terapi).
Verktøyet har som mål å forbedre diagnostisk nøyaktighet, øke tillit blant tilbydere, redusere oversette diagnoser og støtte retningslinjegod triasje i primærhelsetjenesten.
|
|
Aktiv komparator: Vanlig behandling
I denne armen vurderer primærhelsetjenestepersonell simulert pasienttilfeller ved hjelp av standard kliniske verktøy som er tilgjengelige i rutinemessig praksis.
Disse inkluderer laboratorieresultater, vitale tegn, problemlister, medisiner og tidligere bildeundersøkelser.
Personell kan eventuelt bruke FIB-4-kalkulatoren for å estimere risikoen for leverfibrose.
Hver behandler gjennomgår 16 tilfeller i løpet av denne perioden.
Ingen AI-beslutningsstøtte blir gitt.
Denne armen fungerer som sammenligningsgrunnlag for å evaluere om FibroX forbedrer diagnostisk nøyaktighet for betydelig leverfibrose (≥F2) og klinisk betydelig portal hypertensjon, samt personellets tillit, brukervennlighet og arbeidsflyteffektivitet sammenlignet med vanlig behandling.
|
I vanlig behandling vurderer primærhelsetjenesten simulerte pasienttilfeller ved hjelp av standard kliniske verktøy som er tilgjengelig i rutinemessig praksis.
Disse inkluderer laboratorieresultater, vitale tegn, problemlister, medisiner og tidligere bildediagnostikk.
Behandlere kan eventuelt bruke FIB-4-kalkulatoren for å estimere risikoen for leverfibrose.
Ingen AI-beslutningsstøtte gis.
Denne intervensjonen fungerer som sammenligningsgrunnlag for å evaluere om FibroX forbedrer diagnostisk nøyaktighet for betydelig leverfibrose (≥F2) og klinisk signifikant portalt hypertoni, samt behandleres tillit, beslutningskvalitet og arbeidsflyteffektivitet sammenlignet med vanlig behandling.
|
Hva måler studien?
Primære resultatmål
Resultatmål |
Tiltaksbeskrivelse |
Tidsramme |
|---|---|---|
|
Diagnostisk nøyaktighet for betydelig leverfibrose (≥F2) og klinisk signifikant portalt hypertoni ved bruk av FibroX sammenlignet med vanlig behandling
Tidsramme: Umiddelbart etter hver simuleringsperiode, opp til 24 uker
|
Nøyaktighet av diagnostikk innen leverandør for deteksjon av signifikant leverfibrose (≥F2) og klinisk signifikant portal hypertensjon i simulert primærhelsetjeneste-møter. Nøyaktighet vil bli vurdert ved bruk av sensitivitet, spesifisitet og AUROC ved klinisk relevante terskler. Grunnsannhet for fibrosegrad og portal hypertensjon vil bli utledet fra biopsi, ekspertkonsensus basert på Vibration-Controlled Transient Elastography (VCTE), og retningslinjedefinerte kriterier. Måleenhet: Andel (sensitivitet og spesifisitet i %, AUROC som en dimensjonsløs verdi) |
Umiddelbart etter hver simuleringsperiode, opp til 24 uker
|
|
System Usability Scale (SUS)-score for FibroX-integrasjon
Tidsramme: Umiddelbart etter hver simuleringsperiode, opp til 24 uker
|
Bruksvennligheten til FibroX vurdert ved hjelp av System Usability Scale (SUS), et validert spørreskjema med 10 punkter som poengsummes fra 0 til 100, der høyere poengsummer indikerer bedre bruksvennlighet. Måleenhet: Poengsum (område: 0-100; høyere poengsum = bedre bruksvennlighet) |
Umiddelbart etter hver simuleringsperiode, opp til 24 uker
|
|
Tillit til AI-verktøyet (FibroX)
Tidsramme: Umiddelbart etter den FibroX-aktiverte simuleringsperioden, opptil 24 uker
|
Tillit til FibroX hos behandlere vurdert ved bruk av den validerte AI-Trust-skalaen, som inkluderer 12 elementer scoret på en Likert-skala. Høyere poengsummer indikerer større tillit til AI-verktøyet. Måleenhet: Poengsum (område: 12-60; høyere poengsummer = større tillit) |
Umiddelbart etter den FibroX-aktiverte simuleringsperioden, opptil 24 uker
|
|
Median beslutningstid per sak
Tidsramme: Umiddelbart etter hver simuleringsperiode, opptil 24 uker
|
Median tid (i minutter) brukt av behandlere for å fullføre behandlingsbeslutninger for simulerte MASLD-tilfeller ved bruk av FibroX versus vanlig behandling. Måleenhet: Minutter |
Umiddelbart etter hver simuleringsperiode, opptil 24 uker
|
Sekundære resultatmål
Resultatmål |
Tiltaksbeskrivelse |
Tidsramme |
|---|---|---|
|
Passende henvisningsrate
Tidsramme: Umiddelbart etter hver simuleringsperiode, opptil 24 uker
|
Andel av simulerte tilfeller hvor henvisningsbeslutninger fra leverandør (f.eks. henvisning til hepatologi, VCTE-bestilling) samsvarer med retningslinjekoinsidente triageringsregler for MASLD-risikostratifisering. Måleenhet: Andel (%) |
Umiddelbart etter hver simuleringsperiode, opptil 24 uker
|
|
Netto reklassifiseringsforbedring (NRI)
Tidsramme: Umiddelbart etter hver simuleringsperiode, opp til 24 uker
|
Endring i klassifiseringsnøyaktighet for MASLD-risikokategorier (utelukke, ubestemt, inkludere) ved bruk av FibroX sammenlignet med vanlig behandling. Måleenhet: NRI-poengsum (uten enhet) |
Umiddelbart etter hver simuleringsperiode, opp til 24 uker
|
|
Kalibrering av risikoprediksjoner
Tidsramme: Umiddelbart etter hver simuleringsperiode, opptil 24 uker
|
Kalibrering av FibroX-prediksjoner sammenlignet med observerte utfall, vurdert ved bruk av kalibreringsintercept, helning og kalibreringsplott. Måleenhet: Intercept og helning (uten enhet) |
Umiddelbart etter hver simuleringsperiode, opptil 24 uker
|
|
Tillit til leverandør i beslutningstaking
Tidsramme: Umiddelbart etter hver simuleringsperiode, opptil 24 uker
|
Leverandørrapportert tillit til MASLD-håndteringsbeslutninger under simulerte tilfeller, målt på en 5-punkts Likert-skala (1 = svært lav tillit; 5 = svært høy tillit). Måleenhet: Poengsum (område: 1-5; høyere poengsum = større tillit) |
Umiddelbart etter hver simuleringsperiode, opptil 24 uker
|
|
Kognitiv belastning under saksgjennomgang
Tidsramme: Umiddelbart etter hver simuleringsperiode, opptil 24 uker
|
Tilbyderens kognitive belastning vurdert ved bruk av NASA Task Load Index (NASA-TLX), som gir en samlet belastningsscore fra 0 til 100 på tvers av seks dimensjoner. Måleenhet: Score (område: 0-100; høyere score = større belastning) |
Umiddelbart etter hver simuleringsperiode, opptil 24 uker
|
|
Beregnet nedstrøms testbelastning
Tidsramme: Umiddelbart etter hver simuleringsperiode, opp til 24 uker
|
Antall og type av ytterligere tester eller henvisninger (f.eks. VCTE, hepatologikonsultasjon) som behandlere har til hensikt å bestille etter hver simulerte case. Måleenhet: Antall (antall tester/henvisninger per case) |
Umiddelbart etter hver simuleringsperiode, opp til 24 uker
|
|
Adopsjon og etterlevelse av triageanbefalinger
Tidsramme: Umiddelbart etter hver simuleringsperiode, opp til 24 uker
|
Andel av tilfeller hvor tilbydere følger FibroX-triage-anbefalinger (f.eks. utelukke, ubestemt, bekrefte) uten overstyring. Måleenhet: Andel (%) |
Umiddelbart etter hver simuleringsperiode, opp til 24 uker
|
|
Overstyringsfrekvens og årsaker
Tidsramme: Umiddelbart etter hver simuleringsperiode, opptil 24 uker
|
Andel tilfeller der behandlere overstyrer FibroX-anbefalinger og de dokumenterte årsakene for overstyring. Måleenhet: Andel (%) |
Umiddelbart etter hver simuleringsperiode, opptil 24 uker
|
|
Rettferdighetsanalyse på tvers av undergrupper
Tidsramme: Umiddelbart etter hver simuleringsperiode, opp til 24 uker
|
Ytelsen til FibroX (sensitivitet, spesifisitet, kalibrering) på tvers av demografiske undergrupper (alder, kjønn, BMI, rase/etnisitet). Måleenhet: Andel (%) og AUROC (dimensjonsløs) |
Umiddelbart etter hver simuleringsperiode, opp til 24 uker
|
Samarbeidspartnere og etterforskere
Sponsor
Publikasjoner og nyttige lenker
Generelle publikasjoner
- Wong VW, Vergniol J, Wong GL, Foucher J, Chan HL, Le Bail B, Choi PC, Kowo M, Chan AW, Merrouche W, Sung JJ, de Ledinghen V. Diagnosis of fibrosis and cirrhosis using liver stiffness measurement in nonalcoholic fatty liver disease. Hepatology. 2010 Feb;51(2):454-62. doi: 10.1002/hep.23312.
- Njei, B., et al., FIBROX: an explainable AI model for accurate prediction of advanced liver fibrosis and cardiovascular mortality in MASLD. Gastroenterology, 2024. 169(1): p. S-131-S-132.
- Njei B, Osta E, Njei N, Al-Ajlouni YA, Lim JK. An explainable machine learning model for prediction of high-risk nonalcoholic steatohepatitis. Sci Rep. 2024 Apr 13;14(1):8589. doi: 10.1038/s41598-024-59183-4.
- Ratziu V, Charlotte F, Heurtier A, Gombert S, Giral P, Bruckert E, Grimaldi A, Capron F, Poynard T; LIDO Study Group. Sampling variability of liver biopsy in nonalcoholic fatty liver disease. Gastroenterology. 2005 Jun;128(7):1898-906. doi: 10.1053/j.gastro.2005.03.084.
- Decharatanachart P, Chaiteerakij R, Tiyarattanachai T, Treeprasertsuk S. Application of artificial intelligence in non-alcoholic fatty liver disease and liver fibrosis: a systematic review and meta-analysis. Therap Adv Gastroenterol. 2021 Dec 21;14:17562848211062807. doi: 10.1177/17562848211062807. eCollection 2021.
- Meng F, Zheng Y, Zhang Q, Mu X, Xu X, Zhang H, Ding L. Noninvasive evaluation of liver fibrosis using real-time tissue elastography and transient elastography (FibroScan). J Ultrasound Med. 2015 Mar;34(3):403-10. doi: 10.7863/ultra.34.3.403.
- Boursier J, de Ledinghen V, Zarski JP, Fouchard-Hubert I, Gallois Y, Oberti F, Cales P; multicentric groups from SNIFF 32, VINDIAG 7, and ANRS/HC/EP23 FIBROSTAR studies. Comparison of eight diagnostic algorithms for liver fibrosis in hepatitis C: new algorithms are more precise and entirely noninvasive. Hepatology. 2012 Jan;55(1):58-67. doi: 10.1002/hep.24654.
- Yoon JH, Lee JM, Joo I, Lee ES, Sohn JY, Jang SK, Lee KB, Han JK, Choi BI. Hepatic fibrosis: prospective comparison of MR elastography and US shear-wave elastography for evaluation. Radiology. 2014 Dec;273(3):772-82. doi: 10.1148/radiol.14132000. Epub 2014 Jul 7.
- Mondal A, Debnath A, Dhandapani G, Sharma A, Lukhmana S, Yadav G. Prevalence of High and Moderate Risk of Liver Fibrosis Among Patients With Diabetes at a Noncommunicable Diseases (NCD) Clinic in a Primary Healthcare Center in Northern India. Cureus. 2023 Nov 23;15(11):e49286. doi: 10.7759/cureus.49286. eCollection 2023 Nov.
- Estes C, Anstee QM, Arias-Loste MT, Bantel H, Bellentani S, Caballeria J, Colombo M, Craxi A, Crespo J, Day CP, Eguchi Y, Geier A, Kondili LA, Kroy DC, Lazarus JV, Loomba R, Manns MP, Marchesini G, Nakajima A, Negro F, Petta S, Ratziu V, Romero-Gomez M, Sanyal A, Schattenberg JM, Tacke F, Tanaka J, Trautwein C, Wei L, Zeuzem S, Razavi H. Modeling NAFLD disease burden in China, France, Germany, Italy, Japan, Spain, United Kingdom, and United States for the period 2016-2030. J Hepatol. 2018 Oct;69(4):896-904. doi: 10.1016/j.jhep.2018.05.036. Epub 2018 Jun 8.
- Targher G, Byrne CD, Tilg H. MASLD: a systemic metabolic disorder with cardiovascular and malignant complications. Gut. 2024 Mar 7;73(4):691-702. doi: 10.1136/gutjnl-2023-330595.
- Maher S, Rajapakse J, El-Omar E, Zekry A. Role of the Gut Microbiome in Metabolic Dysfunction-Associated Steatotic Liver Disease. Semin Liver Dis. 2024 Nov;44(4):457-473. doi: 10.1055/a-2438-4383. Epub 2024 Oct 10.
- Younossi ZM, Mangla KK, Berentzen TL, Grau K, Kjaer MS, Ladelund S, Nitze LM, Coolbaugh C, Hsu CY, Hagstrom H. Liver histology is associated with long-term clinical outcomes in patients with metabolic dysfunction-associated steatohepatitis. Hepatol Commun. 2024 May 10;8(6):e0423. doi: 10.1097/HC9.0000000000000423. eCollection 2024 Jun 1.
Hjelpsomme linker
Studierekorddatoer
Studer hoveddatoer
Studiestart (Antatt)
Primær fullføring (Antatt)
Studiet fullført (Antatt)
Datoer for studieregistrering
Først innsendt
Først innsendt som oppfylte QC-kriteriene
Først lagt ut (Faktiske)
Oppdateringer av studieposter
Sist oppdatering lagt ut (Faktiske)
Siste oppdatering sendt inn som oppfylte QC-kriteriene
Sist bekreftet
Mer informasjon
Begreper knyttet til denne studien
Nøkkelord
Ytterligere relevante MeSH-vilkår
Andre studie-ID-numre
- 2000027433
Plan for individuelle deltakerdata (IPD)
Planlegger du å dele individuelle deltakerdata (IPD)?
IPD-planbeskrivelse
Legemiddel- og utstyrsinformasjon, studiedokumenter
Studerer et amerikansk FDA-regulert medikamentprodukt
Studerer et amerikansk FDA-regulert enhetsprodukt
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. .