Głębokie uczenie się przy użyciu promieni rentgenowskich klatki piersiowej w celu identyfikacji pacjentów z wysokim ryzykiem w kierunku badań przesiewowych w kierunku raka płuc CT
Głębokie uczenie się przy użyciu rutynowych prześwietleń klatki piersiowej i elektronicznej dokumentacji medycznej w celu zidentyfikowania pacjentów z wysokim ryzykiem dla badań przesiewowych raka płuc CT
Celem tego badania klinicznego jest ocena, czy narzędzie AI, które ostrzega dostawców pacjentom z wysokim 6-letnim ryzykiem raka płuc w oparciu o ich obrazy rentgenowskie klatki piersiowej, poprawi uczestnictwo CT badań przesiewowych w kierunku raka płuc. Głównym pytaniem, na które ma na celu odpowiedzieć: czy narzędzie AI poprawia uczestnictwo CT raka płuc po 6 miesiącach po wyjściowej wizycie ambulatoryjnej
Interwencja jest czujną wobec dostawcy w celu omówienia kwalifikowalności do przesiewowej raka płuc dla pacjentów uważanych za wysokie ryzyko raka płuc w oparciu o narzędzie CXR-LC AI.
Jeśli istnieje grupa porównawcza: naukowcy porównają ramiona interwencyjne i nie interwencyjne w celu ustalenia, czy wzrośnie uczestnictwo w zakresie badań nad rakiem płuc.
Przegląd badań
Status
Status
Warunki
Warunki
Interwencja / Leczenie
Interwencja / Leczenie
Typ studiów
Typ studiów
Zapisy (Szacowany)
Zapisy
Faza
Faza
- Nie dotyczy
Kontakty i lokalizacje
Kontakt w sprawie studiów
Kontakt w sprawie studiów
- Nazwa: Michael T Lu, MD, MPH
- Numer telefonu: 617-726-1255
- E-mail: mlu@mgh.harvard.edu
Lokalizacje studiów
-
-
Massachusetts
-
Boston, Massachusetts, Stany Zjednoczone, 02114
- Rekrutacyjny
- Massachusetts General Hospital
-
Kontakt:
- Michael T Lu, MD, MPH
- Numer telefonu: 617-724-9729
- E-mail: mlu@mgh.harvard.edu
-
-
Kryteria uczestnictwa
Kryteria kwalifikacji
Kryteria kwalifikacji
Wiek uprawniający do nauki
- Dorosły
- Starszy dorosły
Akceptuje zdrowych ochotników
Opis
Główne kryteria włączenia:
- Zaplanowane spotkanie ambulatoryjne z uczestniczącym dostawcą.
- 50–77-latek, którzy obecnie lub wcześniej palili, obejmują osoby potencjalnie kwalifikujące się do badań przesiewowych płuc w oparciu o wytyczne Medicare.
- Ostatnie (w ciągu 2 lat) Radiografia klatki piersiowej PA.
Kryteria wykluczenia:
• Historia lub objawy/objawy raka płuc. Ostatnie (w ciągu 2 lat) CT klatki piersiowej. Wskazanie kliniczne CT klatki piersiowej poza badaniami przesiewowymi raka płuc.
Plan studiów
Jak projektuje się badanie?
Szczegóły projektu
- Główny cel: Ekranizacja
- Przydział: Randomizowane
- Model interwencyjny: Przydział równoległy
- Maskowanie: Podwójnie
Liczba ramion
Broń i interwencje
Grupa uczestników / ArmGrupa uczestników / Arm |
Interwencja / LeczenieInterwencja / Leczenie |
|---|---|
|
Eksperymentalny: Interwencja
|
Ustanowienie dla dostawcy w celu omówienia kwalifikowalności do badań przesiewowych w kierunku raka płuc dla pacjentów rozważanych na wysokie ryzyko raka płuc w oparciu o narzędzie CXR-LC AI.
|
|
Brak interwencji: Brak interwencji
|
Co mierzy badanie?
Podstawowe miary wyniku
Podstawowe miary wyniku
Miara wyniku |
Opis środka |
Ramy czasowe |
|---|---|---|
|
Proporcja kończąca CT badań przesiewowych w kierunku raka płuc w 6 miesięcy po wizycie
Ramy czasowe: 6 miesięcy
|
Aby ocenić wpływ na uczestnictwo CT badań przesiewowych w kierunku raka płuc (zdefiniowane jako ukończenie CT przesiewowego raka płuc) w ciągu 6 miesięcy po wizycie wyjściowej.
|
6 miesięcy
|
Miary wyników drugorzędnych
Miary wyników drugorzędnych
Miara wyniku |
Opis środka |
Ramy czasowe |
|---|---|---|
|
Suspicious lung nodules
Ramy czasowe: 6 months
|
Suspicious lung nodules (Lung-RADS 4a or greater, including lung nodules ≥8 mm in diameter) identified on CT or diagnosed lung cancer.
|
6 months
|
Współpracownicy i badacze
Sponsor
Sponsor
Współpracownicy
Współpracownicy
Publikacje i pomocne linki
Publikacje ogólne
- Lu MT, Raghu VK, Mayrhofer T, Aerts HJWL, Hoffmann U. Deep Learning Using Chest Radiographs to Identify High-Risk Smokers for Lung Cancer Screening Computed Tomography: Development and Validation of a Prediction Model. Ann Intern Med. 2020 Nov 3;173(9):704-713. doi: 10.7326/M20-1868. Epub 2020 Sep 1.
- Lee JH, Lee D, Lu MT, Raghu VK, Park CM, Goo JM, Choi SH, Kim H. Deep Learning to Optimize Candidate Selection for Lung Cancer CT Screening: Advancing the 2021 USPSTF Recommendations. Radiology. 2022 Oct;305(1):209-218. doi: 10.1148/radiol.212877. Epub 2022 Jun 14.
- Raghu VK, Walia AS, Zinzuwadia AN, Goiffon RJ, Shepard JO, Aerts HJWL, Lennes IT, Lu MT. Validation of a Deep Learning-Based Model to Predict Lung Cancer Risk Using Chest Radiographs and Electronic Medical Record Data. JAMA Netw Open. 2022 Dec 1;5(12):e2248793. doi: 10.1001/jamanetworkopen.2022.48793.
Daty zapisu na studia
Główne daty studiów
Rozpoczęcie studiów (Rzeczywisty)
Rozpoczęcie studiów
Zakończenie podstawowe (Szacowany)
Zakończenie podstawowe
Ukończenie studiów (Szacowany)
Ukończenie studiów
Daty rejestracji na studia
Pierwszy przesłany
Pierwszy przesłany
Pierwszy przesłany, który spełnia kryteria kontroli jakości
Pierwszy przesłany, który spełnia kryteria kontroli jakości
Pierwszy wysłany (Rzeczywisty)
Pierwszy wysłany
Aktualizacje rekordów badań
Ostatnia wysłana aktualizacja (Rzeczywisty)
Ostatnia wysłana aktualizacja
Ostatnia przesłana aktualizacja, która spełniała kryteria kontroli jakości
Ostatnia przesłana aktualizacja, która spełniała kryteria kontroli jakości
Ostatnia weryfikacja
Ostatnia weryfikacja
Więcej informacji
Terminy związane z tym badaniem
Słowa kluczowe
Dodatkowe istotne warunki MeSH
Inne numery identyfikacyjne badania
Inne numery identyfikacyjne badania
- 2023P002872
- 2025P002902 (Inny identyfikator: Mass General Hospital)
Plan dla danych uczestnika indywidualnego (IPD)
Planujesz udostępniać dane poszczególnych uczestników (IPD)?
Informacje o lekach i urządzeniach, dokumenty badawcze
Bada produkt leczniczy regulowany przez amerykańską FDA
Bada produkt urządzenia regulowany przez amerykańską FDA
produkt wyprodukowany i wyeksportowany z USA
Te informacje zostały pobrane bezpośrednio ze strony internetowej clinicaltrials.gov bez żadnych zmian. Jeśli chcesz zmienić, usunąć lub zaktualizować dane swojego badania, skontaktuj się z register@clinicaltrials.gov. Gdy tylko zmiana zostanie wprowadzona na stronie clinicaltrials.gov, zostanie ona automatycznie zaktualizowana również na naszej stronie internetowej .