Evaluation of Use of Diagnostic AI for Lung Cancer in Practice
20 lipca 2019 zaktualizowane przez: Ensemble Group Holdings, LLC
This study investigates ways of improving radiologists performance of the classification of CT-scans as cancerous or non-cancerous.
Participants interact with an AI to classify CT-scans under three different conditions.
Przegląd badań
Szczegółowy opis
The three conditions are as follows: "probabilistic classification", where the radiologist diagnoses scans using an AI cancer likelihood score; "classification plus detection", where the radiologist see detecting lung nodules in addition to the AI's probabilistic classification score before making her own examination of the CT-scan; and "classification with delayed detection", where the radiologist identifies regions of interest independently of the AI and then sees the AI's detected ROIs.
Typ studiów
Interwencyjne
Zapisy (Oczekiwany)
15
Faza
- Nie dotyczy
Kontakty i lokalizacje
Ta sekcja zawiera dane kontaktowe osób prowadzących badanie oraz informacje o tym, gdzie badanie jest przeprowadzane.
Lokalizacje studiów
-
-
-
Hong Kong, Hongkong
- University of Hong Kong
-
-
Kryteria uczestnictwa
Badacze szukają osób, które pasują do określonego opisu, zwanego kryteriami kwalifikacyjnymi. Niektóre przykłady tych kryteriów to ogólny stan zdrowia danej osoby lub wcześniejsze leczenie.
Kryteria kwalifikacji
Wiek uprawniający do nauki
- Dziecko
- Dorosły
- Starszy dorosły
Akceptuje zdrowych ochotników
Nie
Płeć kwalifikująca się do nauki
Wszystko
Opis
Inclusion Criteria:
- The participant performs radiology screenings professionally
Exclusion Criteria:
-
Plan studiów
Ta sekcja zawiera szczegółowe informacje na temat planu badania, w tym sposób zaprojektowania badania i jego pomiary.
Jak projektuje się badanie?
Szczegóły projektu
- Główny cel: Diagnostyczny
- Przydział: Randomizowane
- Model interwencyjny: Zadanie krzyżowe
- Maskowanie: Pojedynczy
Broń i interwencje
Grupa uczestników / Arm |
Interwencja / Leczenie |
|---|---|
|
Eksperymentalny: Probabilistic Classification
Radiologists see a "score" from 1-100 that represents the AI's prediction of whether the CT-scan comes from a patient with cancer or not before beginning their analysis of the scan.
|
Exploring what kinds of AI-human interaction improve radiologists detection accuracy.
|
|
Eksperymentalny: Classification Plus Detection
Radiologists see a "score" from 1-100 that represents the AI's prediction of whether the CT-scan comes from a patient with cancer or not before beginning their analysis of the scan.
They also see ROIs identified by the AI that represent lung nodules.
|
Exploring what kinds of AI-human interaction improve radiologists detection accuracy.
|
|
Eksperymentalny: Classification With Delayed Detection
Radiologists see a "score" from 1-100 that represents the AI's prediction of whether the CT-scan comes from a patient with cancer or not before beginning their analysis of the scan.
After identifying their own ROIs, the radiologist then can see ROIs identified by the AI that represent lung nodules before making final decisions.
|
Exploring what kinds of AI-human interaction improve radiologists detection accuracy.
|
Co mierzy badanie?
Podstawowe miary wyniku
Miara wyniku |
Opis środka |
Ramy czasowe |
|---|---|---|
|
Classification accuracy
Ramy czasowe: up to 4 months after initiation of evaluation of the test set
|
This compares radiologists' classifications with the ground truth in the tested cases.
|
up to 4 months after initiation of evaluation of the test set
|
Miary wyników drugorzędnych
Miara wyniku |
Opis środka |
Ramy czasowe |
|---|---|---|
|
detection concordance
Ramy czasowe: up to 4 months after initiation of evaluation of the test set
|
Evaluation of concordance between radiologists in the tested cases in detection of lung nodules > 4 mm
|
up to 4 months after initiation of evaluation of the test set
|
Współpracownicy i badacze
Tutaj znajdziesz osoby i organizacje zaangażowane w to badanie.
Sponsor
Daty zapisu na studia
Daty te śledzą postęp w przesyłaniu rekordów badań i podsumowań wyników do ClinicalTrials.gov. Zapisy badań i zgłoszone wyniki są przeglądane przez National Library of Medicine (NLM), aby upewnić się, że spełniają określone standardy kontroli jakości, zanim zostaną opublikowane na publicznej stronie internetowej.
Główne daty studiów
Rozpoczęcie studiów (Rzeczywisty)
14 grudnia 2018
Zakończenie podstawowe (Oczekiwany)
15 grudnia 2019
Ukończenie studiów (Oczekiwany)
15 grudnia 2019
Daty rejestracji na studia
Pierwszy przesłany
16 grudnia 2018
Pierwszy przesłany, który spełnia kryteria kontroli jakości
17 grudnia 2018
Pierwszy wysłany (Rzeczywisty)
19 grudnia 2018
Aktualizacje rekordów badań
Ostatnia wysłana aktualizacja (Rzeczywisty)
23 lipca 2019
Ostatnia przesłana aktualizacja, która spełniała kryteria kontroli jakości
20 lipca 2019
Ostatnia weryfikacja
1 lipca 2019
Więcej informacji
Terminy związane z tym badaniem
Dodatkowe istotne warunki MeSH
Inne numery identyfikacyjne badania
- EN-122018
Plan dla danych uczestnika indywidualnego (IPD)
Planujesz udostępniać dane poszczególnych uczestników (IPD)?
Niezdecydowany
Informacje o lekach i urządzeniach, dokumenty badawcze
Bada produkt leczniczy regulowany przez amerykańską FDA
Nie
Bada produkt urządzenia regulowany przez amerykańską FDA
Nie
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 .