- ICH GCP
- Rejestr badań klinicznych w USA
- Badanie kliniczne NCT04562168
Wykorzystanie sztucznej inteligencji jako narzędzia wspomagającego podejmowanie decyzji diagnostycznych w diagnostyce chorób skóry w podstawowej opiece zdrowotnej w Katalonii
Wstęp: Schorzenia dermatologiczne stanowią istotny problem zdrowotny. Modele uczenia maszynowego są coraz częściej stosowane w dermatologii jako narzędzie wspomagające podejmowanie decyzji diagnostycznych z wykorzystaniem analizy obrazu, szczególnie do wykrywania i klasyfikacji raka skóry.
Cel: Celem tego badania jest przeprowadzenie prospektywnej walidacji modelu analizy obrazu ML, który jest zdolny do badania przesiewowego 44 różnych typów chorób skóry, porównując jego możliwości diagnostyczne z możliwościami lekarzy ogólnych (GP) i dermatologów.
Metody: W tym prospektywnym badaniu zostanie zrekrutowanych 100 kolejnych pacjentów, którzy odwiedzą uczestnika GP z problemem skórnym w centralnej Katalonii, czas zbierania danych zaplanowano na 7 miesięcy. Anonimowe zdjęcia chorób skóry zostaną wykonane i wprowadzone do interfejsu modelu ML, który zwróci diagnozę o najwyższej dokładności 5. To samo zdjęcie zostanie przesłane również jako konsultacja teledermatologiczna, zgodnie z dotychczasowym trybem pracy. Lekarz rodzinny, model ML i oceny dermatologa/ów zostaną porównane w celu obliczenia precyzji, czułości, specyficzności i dokładności modelu ML.
Przegląd badań
Status
Warunki
Interwencja / Leczenie
Szczegółowy opis
Bezpieczny, anonimowy, autonomiczny interfejs sieciowy, który jest kompatybilny z każdym urządzeniem mobilnym, zostanie zintegrowany z API Autoderm. Badanie przeprowadzone w ramach tego projektu będzie polegało na prospektywnym badaniu mającym na celu ocenę wydajności modelu ML, porównując jego możliwości diagnostyczne z lekarzami pierwszego kontaktu i dermatologami.
W celu przeprowadzenia badania będzie wykonywana następująca procedura, aż do uzyskania wymaganej liczby próbek:
- Odpowiedni pacjent z problemem skórnym jest proszony o udział i podpisanie umowy pacjenta na badanie.
- Lekarz rodzinny zdiagnozuje stan skóry.
- Lekarz rodzinny (lub pielęgniarka) wykona jedno dobrej jakości zdjęcie stanu skóry.
- Lekarz rodzinny prześle zdjęcie jako konsultację teledermatologiczną zgodnie z dotychczasowym trybem pracy.
- Obraz jest wprowadzany do interfejsu Autoderm ML.
- Dermatolog zdiagnozuje stan skóry.
Badanie zostanie przeprowadzone w ośrodkach podstawowej opieki zdrowotnej zarządzanych przez Kataloński Instytut Zdrowia. Uczestniczący PCP będzie zlokalizowany na obszarach wiejskich i metropolitalnych w środkowej Katalonii, która obejmuje regiony Anoia, Bages, Moianès, Berguedà i Osona. Populacja referencyjna uwzględniona w badaniu wyniesie około 512 050 osób. Rekrutacja kandydatów na kandydatów odbywać się będzie w systemie sekwencyjnym.
Lekarze ogólni będą gromadzić dane od kolejnych pacjentów spełniających kryteria włączenia po uzyskaniu pisemnej świadomej zgody. Zgromadzone dane zostaną przedstawione wyłącznie w formie opisu przypadku (załączonego w załączniku V i VI).
Lekarz rodzinny zdiagnozuje stan skóry i wypełni „Ocenę bezpośrednią przeprowadzoną przez lekarza rodzinnego”. Dla każdego pacjenta lekarz rodzinny za pomocą aparatu w smartfonie wykona z bliska dobrej jakości zdjęcie problemu skórnego. Zdjęcie będzie anonimowe i nie będzie możliwa identyfikacja pacjentów. Lekarz rodzinny użyje interfejsu Autoderm ML do przesłania anonimowego obrazu i wypełni kwestionariusz „Ocena dostarczona przez model ML” trzema najważniejszymi diagnozami wygenerowanymi przez model ML.
Aby uzyskać drugą opinię, lekarz rodzinny włączy zanonimizowany obraz i dokładny opis zmiany skórnej do historii medycznej pacjenta zgodnie z aktualnym przepływem teledermatologicznym. Lekarz rodzinny wypełni kwestionariusz „Ocena przez teledermatologię” po otrzymaniu informacji, czas odpowiedzi wynosi około 2-7 dni.
W przypadku skierowania do dermatologa, lekarz rodzinny wypełni „Ocenę dokonaną osobiście przez dermatologa”, uzyskując dostęp do elektronicznej dokumentacji medycznej w miarę jej udostępniania, przy czym średni czas oczekiwania na skierowanie wynosi od 30 do 90 dni.
Numer przypadku w kwestionariuszu będzie taki sam dla wszystkich kwestionariuszy i nie będzie możliwa identyfikacja pacjenta, ponieważ numer przypadku zostanie z góry określony przed rozpoczęciem fazy zbierania danych.
Aby porównać wydajność modelu ML z wynikami lekarzy rodzinnych i dermatologów, wymagana będzie próbka o wielkości 100 obrazów chorób skóry od pacjentów spełniających kryteria włączenia. Proponowana wielkość próby jest oparta na obliczeniach wielkości próby stosowanych w podobnych badaniach.
Typ studiów
Zapisy (Rzeczywisty)
Faza
- Nie dotyczy
Kontakty i lokalizacje
Lokalizacje studiów
-
-
Barcelona
-
Navàs, Barcelona, Hiszpania, 08670
- CAP Navàs
-
-
Kryteria uczestnictwa
Kryteria kwalifikacji
Wiek uprawniający do nauki
Akceptuje zdrowych ochotników
Płeć kwalifikująca się do nauki
Opis
Kryteria przyjęcia:
- Pacjenci z powodu choroby skórnej do wizyty.
- Pacjenci, którzy wyrażą pisemną świadomą zgodę.
- Pacjenci w wieku 18 lat lub starsi.
Kryteria wyłączenia:
- Pacjenci z zaawansowaną demencją.
- Pacjenci ze zmianą skórną, której nie można sfotografować smartfonem i zdjęciami o słabej jakości.
- Pacjenci, u których występują stany związane z ryzykiem nieprzestrzegania protokołu.
Plan studiów
Jak projektuje się badanie?
Szczegóły projektu
- Główny cel: DIAGNOSTYCZNY
- Przydział: NA
- Model interwencyjny: POJEDYNCZA_GRUPA
- Maskowanie: NIC
Broń i interwencje
Grupa uczestników / Arm |
Interwencja / Leczenie |
|---|---|
|
EKSPERYMENTALNY: Test diagnostyczny: model ML
Możliwości diagnostyczne modelu ML zostaną porównane z możliwościami lekarzy pierwszego kontaktu i dermatologa.
|
Lekarz rodzinny za pomocą aparatu w smartfonie wykona zdjęcie problemu skórnego i użyje interfejsu Autoderm ML do przesłania anonimowego obrazu.
Uzyskana przewidywana diagnoza zostanie zapisana w formie opisu przypadku.
|
Co mierzy badanie?
Podstawowe miary wyniku
Miara wyniku |
Opis środka |
Ramy czasowe |
|---|---|---|
|
Czułość modelu ML
Ramy czasowe: 1 rok
|
Prawdziwie dodatni wskaźnik modelu ML
|
1 rok
|
|
Specyfika modelu ML
Ramy czasowe: 1 rok
|
Prawdziwie ujemna stopa modelu ML
|
1 rok
|
|
Dokładność modelu ML
Ramy czasowe: 1 rok
|
Stosunek liczby poprawnych predykcji do całkowitej liczby próbek wejściowych
|
1 rok
|
|
Pole pod krzywą charakterystyki pracy odbiornika modelu ML
Ramy czasowe: 1 rok
|
Zdolność diagnostyczna modelu ML
|
1 rok
|
Miary wyników drugorzędnych
Miara wyniku |
Opis środka |
Ramy czasowe |
|---|---|---|
|
Odsetek kwalifikujących się uczestników, którzy zgodzili się wziąć udział w badaniu
Ramy czasowe: 1 rok
|
Częstotliwość pacjentów, którzy wyrażają zgodę na udział w badaniu klinicznym i kwalifikują się.
|
1 rok
|
Współpracownicy i badacze
Sponsor
Publikacje i pomocne linki
Publikacje ogólne
- Lim HW, Collins SAB, Resneck JS Jr, Bolognia JL, Hodge JA, Rohrer TA, Van Beek MJ, Margolis DJ, Sober AJ, Weinstock MA, Nerenz DR, Smith Begolka W, Moyano JV. The burden of skin disease in the United States. J Am Acad Dermatol. 2017 May;76(5):958-972.e2. doi: 10.1016/j.jaad.2016.12.043. Epub 2017 Mar 1.
- Schofield JK, Fleming D, Grindlay D, Williams H. Skin conditions are the commonest new reason people present to general practitioners in England and Wales. Br J Dermatol. 2011 Nov;165(5):1044-50. doi: 10.1111/j.1365-2133.2011.10464.x. Epub 2011 Sep 22.
- Dokotor.se [Internet]. Survey Telemedicine statistics Dokotor.se, the % of queries that are dermatology related 2019 [cited 2019]
- Activitat assistencial de la xarxa sanitària de Catalunya, any 2012: registre del conjunt mínim bàsic de dades (CMBD). Barcelona: Departament de Salut. 2013.
- Lowell BA, Froelich CW, Federman DG, Kirsner RS. Dermatology in primary care: Prevalence and patient disposition. J Am Acad Dermatol. 2001 Aug;45(2):250-5. doi: 10.1067/mjd.2001.114598.
- Porta N, San Juan J, Grasa MP, Simal E, Ara M, Querol MA. [Diagnostic agreement between primary care physicians and dermatologists in the health area of a referral hospital]. Actas Dermosifiliogr. 2008 Apr;99(3):207-12. Spanish.
- Lopez Segui F, Franch Parella J, Girones Garcia X, Mendioroz Pena J, Garcia Cuyas F, Adroher Mas C, Garcia-Altes A, Vidal-Alaball J. A Cost-Minimization Analysis of a Medical Record-based, Store and Forward and Provider-to-provider Telemedicine Compared to Usual Care in Catalonia: More Agile and Efficient, Especially for Users. Int J Environ Res Public Health. 2020 Mar 18;17(6):2008. doi: 10.3390/ijerph17062008.
- Borve A, Dahlen Gyllencreutz J, Terstappen K, Johansson Backman E, Aldenbratt A, Danielsson M, Gillstedt M, Sandberg C, Paoli J. Smartphone teledermoscopy referrals: a novel process for improved triage of skin cancer patients. Acta Derm Venereol. 2015 Feb;95(2):186-90. doi: 10.2340/00015555-1906.
- Ferrer RT, Bezares AP, Manes AL, Mas AV, Gutierrez IT, Llado CN, Estaras GM. [Diagnostic reliability of an asynchronous teledermatology consultation]. Aten Primaria. 2009 Oct;41(10):552-7. doi: 10.1016/j.aprim.2008.11.012. Epub 2009 Jun 5. Spanish.
- Gomolin A, Netchiporouk E, Gniadecki R, Litvinov IV. Artificial Intelligence Applications in Dermatology: Where Do We Stand? Front Med (Lausanne). 2020 Mar 31;7:100. doi: 10.3389/fmed.2020.00100. eCollection 2020.
- Esteva A, Kuprel B, Novoa RA, Ko J, Swetter SM, Blau HM, Thrun S. Dermatologist-level classification of skin cancer with deep neural networks. Nature. 2017 Feb 2;542(7639):115-118. doi: 10.1038/nature21056. Epub 2017 Jan 25. Erratum In: Nature. 2017 Jun 28;546(7660):686.
- Liu Y, Jain A, Eng C, Way DH, Lee K, Bui P, Kanada K, de Oliveira Marinho G, Gallegos J, Gabriele S, Gupta V, Singh N, Natarajan V, Hofmann-Wellenhof R, Corrado GS, Peng LH, Webster DR, Ai D, Huang SJ, Liu Y, Dunn RC, Coz D. A deep learning system for differential diagnosis of skin diseases. Nat Med. 2020 Jun;26(6):900-908. doi: 10.1038/s41591-020-0842-3. Epub 2020 May 18.
- Kamulegeya LH, Okello M, Bwanika JM, Musinguzi D, Lubega W, Rusoke D, et al. Using artificial intelligence on dermatology conditions in Uganda: A case for diversity in training data sets for machine learning. bioRxiv [Internet]. 2019 Jan 1;826057. Available from: http://biorxiv.org/content/early/2019/10/31/826057.abstract .
- Evaluation of the diagnostic accuracy of an online artificial intelligence app for skin disease diagnosis. Alexander Larson, Degree Project in Medicine, Sahlgrenska University Hospital Department of Dermatology and Venereology, Gothenburg, Sweden 2018.
- Brinker TJ, Hekler A, Enk AH, Klode J, Hauschild A, Berking C, Schilling B, Haferkamp S, Schadendorf D, Holland-Letz T, Utikal JS, von Kalle C; Collaborators. Deep learning outperformed 136 of 157 dermatologists in a head-to-head dermoscopic melanoma image classification task. Eur J Cancer. 2019 May;113:47-54. doi: 10.1016/j.ejca.2019.04.001. Epub 2019 Apr 10.
- Haenssle HA, Fink C, Schneiderbauer R, Toberer F, Buhl T, Blum A, Kalloo A, Hassen ABH, Thomas L, Enk A, Uhlmann L; Reader study level-I and level-II Groups; Alt C, Arenbergerova M, Bakos R, Baltzer A, Bertlich I, Blum A, Bokor-Billmann T, Bowling J, Braghiroli N, Braun R, Buder-Bakhaya K, Buhl T, Cabo H, Cabrijan L, Cevic N, Classen A, Deltgen D, Fink C, Georgieva I, Hakim-Meibodi LE, Hanner S, Hartmann F, Hartmann J, Haus G, Hoxha E, Karls R, Koga H, Kreusch J, Lallas A, Majenka P, Marghoob A, Massone C, Mekokishvili L, Mestel D, Meyer V, Neuberger A, Nielsen K, Oliviero M, Pampena R, Paoli J, Pawlik E, Rao B, Rendon A, Russo T, Sadek A, Samhaber K, Schneiderbauer R, Schweizer A, Toberer F, Trennheuser L, Vlahova L, Wald A, Winkler J, Wolbing P, Zalaudek I. Man against machine: diagnostic performance of a deep learning convolutional neural network for dermoscopic melanoma recognition in comparison to 58 dermatologists. Ann Oncol. 2018 Aug 1;29(8):1836-1842. doi: 10.1093/annonc/mdy166.
Daty zapisu na studia
Główne daty studiów
Rozpoczęcie studiów (RZECZYWISTY)
Zakończenie podstawowe (RZECZYWISTY)
Ukończenie studiów (RZECZYWISTY)
Daty rejestracji na studia
Pierwszy przesłany
Pierwszy przesłany, który spełnia kryteria kontroli jakości
Pierwszy wysłany (RZECZYWISTY)
Aktualizacje rekordów badań
Ostatnia wysłana aktualizacja (RZECZYWISTY)
Ostatnia przesłana aktualizacja, która spełniała kryteria kontroli jakości
Ostatnia weryfikacja
Więcej informacji
Terminy związane z tym badaniem
Słowa kluczowe
Dodatkowe istotne warunki MeSH
Inne numery identyfikacyjne badania
- P20/159-P
Plan dla danych uczestnika indywidualnego (IPD)
Planujesz udostępniać dane poszczególnych uczestników (IPD)?
Opis planu IPD
Ramy czasowe udostępniania IPD
Kryteria dostępu do udostępniania IPD
Typ informacji pomocniczych dotyczących udostępniania IPD
- PROTOKÓŁ BADANIA
- CSR
Informacje o lekach i urządzeniach, dokumenty badawcze
Bada produkt leczniczy regulowany przez amerykańską FDA
Bada produkt urządzenia regulowany przez amerykańską FDA
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 .
Badania kliniczne na Choroby skórne
-
Northwestern UniversityUniversity of Wisconsin, StoutZakończonyPostrzeganie klinik Skin of Color u AfroamerykanówStany Zjednoczone