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

Evaluering av Legit.Health Plus-støtte for å forbedre diagnostisering av generalisert pustuløs psoriasis og andre hudsykdommer blant allmennleger og hudleger (LegitHealth BI)

18. februar 2026 oppdatert av: AI Labs Group S.L

En Multi-Reader Multi-Case (MRMC)-studie for å vurdere virkningen av Legit.Health Plus på den kliniske vurderingen av generalisert pustuløs psoriase og andre hudsykdommer av helsepersonell.

Denne studien har som mål å avgjøre om en medisinsk enhet med kunstig intelligens (AI) kan hjelpe helsepersonell til å diagnostisere sjeldne og komplekse hudlidelser mer nøyaktig. Hudproblemer er vanlige i primærhelsetjenesten, men det er ofte et gap i diagnostisk nøyaktighet mellom allmennleger og spesialister, noe som kan føre til behandlingsforsinkelser for alvorlige tilstander som generalisert pustuløs psoriasis (GPP) og hidradenitis suppurativa (HS).

Forskerne hypotiserte at AI-enheten ville forbedre helsepersonellets diagnostiske nøyaktighet for GPP og andre hudlidelser. For å teste dette fulgte studien et prospektivt observasjonsdesign med deltakelse av 15 praktiserende leger, inkludert både allmennleger og hudspesialister.

Under studien ble deltakerne bedt om å evaluere 100 kliniske bilder. For hvert tilfelle ga de først en diagnose basert kun på bildet og pasienthistorien. Deretter ble de vist AI-analysen – som inkluderte de fem beste foreslåtte diagnosene og konfidensnivåer – og ble spurt om de ønsket å justere sin første vurdering.

Hovedspørsmålet studien forsøkte å besvare var om informasjonen fra AI-enheten kunne øke antallet korrekte diagnoser fra disse fagpersonene betydelig, spesielt for sjeldne sykdommer som ofte er vanskelige å identifisere i en standard klinisk setting.

Studieoversikt

Detaljert beskrivelse

Denne undersøkelsen er strukturert som en multi-reader multi-case (MRMC) studie. En kohort på 15 helsepersonell, inkludert 11 allmennleger og 4 hudleger, fungerte som "lesere". Disse leserne evaluerte et "case"-sett med 100 kliniske bilder for å vurdere diagnostisk ytelse både med og uten assistanse fra AI-enheten.

Studiedesign og teknisk metodologi Forskningen ble gjennomført som en prospektiv observasjons- og tverrsnittsstudie. Den benyttet et "lege-som-sin-egen-kontroll"-design for å måle effekten av kunstig intelligens (AI) på diagnostisk ytelse.

  • Intervensjonsarbeidsflyt: Deltakerne fikk tilgang til en dedikert nettplattform der de ble presentert med 100 kliniske tilfeller.
  • Evalueringstrinn: For hvert tilfelle vurderte praktiserende leger først et klinisk bilde sammen med anamnese data (f.eks. allergier, systemiske symptomer) for å gi en innledende diagnose.
  • AI-støtte: Deretter ble de presentert med AI-enhetens 5 beste foreslåtte diagnoser og tilhørende konfidensnivåer før de gjorde en endelig vurdering.
  • Bildeinnhenting: Tilfellene bestod av høykvalitetsbilder av generalisert pustuløs psoriasis (GPP), hidradenitis suppurativa (HS), og ulike differensielle "look-alike"-tilstander som subcorneal pustular dermatosis og palmoplantar pustulosis.
  • Datakilder: Disse bildene ble kuratert fra offentlige hudatlasser og interne forskningsdatabaser fra sponsoren.

Kvalitetssikring og databehandling

For å sikre den vitenskapelige integriteten og påliteligheten til funnene, ble flere kvalitetskontrolltiltak implementert:

  • Datavalidering: En valideringsprosess av de kliniske dataene ble utført ved å kjøre datamaskinfiltre basert på valideringsregler.
  • Feiloppdagelse: Disse filtrene identifiserer automatisk manglende verdier eller inkonsistenser. Dette ble supplert med manuell redigering og utforskende statistiske teknikker for å oppdage logiske feil og inkonsistenser.
  • Overvåkingsplan: Undersøkelsen ble overvåket av en utpekt klinisk monitor utnevnt av sponsoren.
  • Fjernovervåkning: Overvåkingsaktiviteter inkluderte fjernmøter hver tredje måned for å gjennomgå studiefremgang og sikre løpende overholdelse.
  • Biasminimering: Tilfeldig utvalg av helsepersonell (HCP) ble brukt for å sikre at resultatene ikke ble påvirket av eksisterende deltakeregenskaper.
  • Standardisering: Bruken av standardiserte prosedyrer sikret at alle deltakere ble evaluert på samme måte.

Statistisk analyseplan

Det primære målet med analysen var å kvantifisere Top-1 nøyaktighet, sensitivitet og spesifisitet for både allmennleger og hudleger.

  • Sammenligningsmål: Analysen fokuserte på de absolutte målverdiene sammenlignet med state of the art, samt prosentandelen av variasjon som spesifikt kan tilskrives bruken av enheten.
  • Undergruppeanalyse: En dedikert analyse ble utført for sjeldne sykdommer, inkludert GPP, acne conglobata og pemphigus vulgaris, for å vurdere enhetens nytte i høykomplekse, lavforekomsttilstander.

Etisk og konfidensialitetsrammeverk Studien overholdt UNE-EN ISO 14155:2021, Helsinkideklarasjonen og den generelle databeskyttelsesforordningen (GDPR).

  • Anonymisering: Ingen data som muliggjør personlig identifikasjon av deltakere eller pasienter ble innhentet.
  • Kryptering: All informasjon ble håndtert sikkert i kryptert format.
  • Studieavslutning: All informasjon lagret i enheten vil bli totalt og permanent slettet ved slutten av studien.

Studietype

Observasjonsmessig

Registrering (Faktiske)

15

Kontakter og plasseringer

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

Studiesteder

    • Basque Country
      • Bilbao, Basque Country, Spania
        • AI Labs Group S.L.

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

Studiepopulasjonen består av autoriserte helsepersonell rekruttert fra kliniske fagfelt innen allmennmedisin og dermatologi. Deltakergruppen inkluderer:

  • Allmennleger: Generelle leger som ofte er første kontaktpunkt for pasienter med dermatologiske symptomer.
  • Spesialister i dermatologi: Lege med avansert ekspertise innen hudpatologier og sjeldne tilstander.
  • Erfaringsnivå: Kohorten inkluderer leger med minst 5 års klinisk erfaring i sine respektive spesialiteter.

Deltakere ble rekruttert for å delta i et fjernbasert, nettbasert evalueringsmiljø i stedet for å bli valgt fra et enkelt fysisk sykehus eller by. De kliniske bildene som ble evaluert som del av studiens "tilfeller" ble hentet fra internasjonale offentlige dermatologiatlas og eksisterende forskningsdatabaser fra sponsoren, og representerer en mangfoldig global pasientpopulasjon.

Beskrivelse

Inklusjonskriterier:

  • Spesialister i allmennmedisin og dermatologer med spesialistgodkjenning, uavhengig av deres yrkeserfaring.
  • Gode kvalitetsbilder av pasienter med GPP.
  • Gode kvalitetsbilder av pasienter med HS.
  • Gode kvalitetsbilder av pasienter med patologier som kan forveksles med GPP eller HS, noe som kan føre til feildiagnose.

Eksklusjonskriterier:

  • Bilder av pasienter med patologier forskjellig fra GPP eller HS som lett kan identifiseres.

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
Intervensjon / Behandling
Helsepersonell (Allmennleger og Hudleger)

Denne gruppen består av helsepersonell (HCPs) med spesialistgodkjenning som fungerer som "lesere" i denne multi-reader multi-case (MRMC)-studien. Kohorten er unikt karakterisert ved sin interne sammenligning: hver deltaker fungerer som sin egen kontroll.

  • Dobbel profesjonell rolle: Gruppen inkluderer 11 allmennleger (PCPs) og 4 hudleger, noe som muliggjør en sammenligning mellom generelle og spesialistiske diagnostiske grunnprestasjoner.
  • Intervensjonell eksponering: Alle deltakere evalueres under to forskjellige forhold: først ved å gi en diagnose utelukkende basert på kliniske bilder og pasienthistorie; deretter ved å gi en diagnose assistert av den AI-baserte medisinske enhetens 5 beste forslag og konfidensnivåer.
  • Klinisk ekspertise: Hvert medlem av kohorten har minst 5 års klinisk erfaring i sitt respektive felt.
Intervensjonen består av et medisinsk utstyr som kun inneholder programvare for datamaskinassistert diagnose (CAD), og som bruker datamaskinsynsalgoritmer for å analysere digitale bilder av hudstrukturer. I løpet av studien bruker helsepersonell verktøyet som et diagnostisk støttesystem for å hjelpe til med vurderingen av komplekse dermatologiske tilstander.

Hva måler studien?

Primære resultatmål

Resultatmål
Tiltaksbeskrivelse
Tidsramme
Diagnostisk nøyaktighet for generalisert pustuløs psoriasis (GPP) med og uten kunstig intelligens-støtte.
Tidsramme: Dag 1
Denne målingen evaluerer Top-1 diagnostisk nøyaktighet blant helsepersonell ved identifisering av GPP. Nøyaktighet beregnes ved å sammenligne klinikerens diagnose (både med og uten enhetens 5 beste forslag) mot den bekreftede referansediagnosen for hvert av de kliniske tilfellene.
Dag 1
Diagnostisk nøyaktighet for ulike hudtilstander med og uten kunstig intelligens-støtte
Tidsramme: Dag 1
Denne målingen evaluerer Top-1 diagnostisk nøyaktighet hos helsepersonell (HCP) når de identifiserer den tilsvarende hudsykdommen. Nøyaktighet beregnes ved å sammenligne klinikerens diagnose (både med og uten enhetens 5 beste forslag) mot den bekreftede referansediagnosen for hvert av de kliniske tilfellene.
Dag 1

Sekundære resultatmål

Resultatmål
Tiltaksbeskrivelse
Tidsramme
Diagnostisk nøyaktighet for sjeldne dermatologiske tilstander med og uten kunstig intelligens-støtte.
Tidsramme: Dag 1
Denne målingen evaluerer Top-1 diagnostisk nøyaktighet hos helsepersonell når de identifiserer sjeldne dermatologiske tilstander. Nøyaktighet beregnes ved å sammenligne klinikerens diagnose (både med og uten enhetens 5 beste forslag) mot den bekreftede referansediagnosen for hvert av de kliniske tilfellene.
Dag 1

Samarbeidspartnere og etterforskere

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

Etterforskere

  • Hovedetterforsker: Antonio Martorell, PhD, Hospital Universitari de Manises

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.

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)

1. juni 2024

Primær fullføring (Faktiske)

15. september 2024

Studiet fullført (Faktiske)

15. september 2024

Datoer for studieregistrering

Først innsendt

18. februar 2026

Først innsendt som oppfylte QC-kriteriene

18. februar 2026

Først lagt ut (Faktiske)

24. februar 2026

Oppdateringer av studieposter

Sist oppdatering lagt ut (Faktiske)

24. februar 2026

Siste oppdatering sendt inn som oppfylte QC-kriteriene

18. februar 2026

Sist bekreftet

1. februar 2026

Mer informasjon

Begreper knyttet til denne studien

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