- ICH GCP
- Rejestr badań klinicznych w USA
- Badanie kliniczne NCT05048095
Sztuczna inteligencja w badaniach przesiewowych w kierunku raka piersi w regionie Östergötland Linkoping (AI-ROL)
Wykorzystanie sztucznej inteligencji jako trzeciego czytelnika i podczas konsensusu w programie badań przesiewowych raka piersi z podwójnym czytaniem w Szwecji
Przegląd badań
Szczegółowy opis
System wykrywania raka AI będzie działał jako trzeci czytnik i przywoła dodatkowe przypadki na konferencję konsensusową: egzaminy, które nie zostały przywołane przez podwójne odczytanie, ale zostały sklasyfikowane jako 3% najbardziej podejrzanych egzaminów, w oparciu o wyniki ryzyka raka uzyskane przez AI. Po drugie, sztuczna inteligencja jest wykorzystywana jako wsparcie decyzji podczas konsensusu. Czytelnikowi (czytelnikom) udostępniane są oceny ryzyka AI i wykrywanie wspomagane komputerowo (CAD) podejrzanych zwapnień i zmian w tkankach miękkich.
Hipotezą tego badania jest to, że wykorzystanie sztucznej inteligencji może potencjalnie poprawić jakość programu badań przesiewowych poprzez zwiększenie wskaźnika wykrywania raka bez wpływu na wskaźnik przypominania.
Typ studiów
Zapisy (Rzeczywisty)
Kontakty i lokalizacje
Lokalizacje studiów
-
-
Östergötland
-
Linköping, Östergötland, Szwecja, 58185
- Region Östergötland
-
-
Kryteria uczestnictwa
Kryteria kwalifikacji
Wiek uprawniający do nauki
Akceptuje zdrowych ochotników
Płeć kwalifikująca się do nauki
Metoda próbkowania
Badana populacja
Opis
Kryteria przyjęcia:
- Kobiety uczestniczące w regularnym programie badań przesiewowych w kierunku raka piersi w regionie Östergötland Linkoping
Kryteria wyłączenia:
- Kobiety z implantami piersi lub innymi implantami obcymi w mammografii
- Kobiety z objawami lub oznakami podejrzenia raka piersi
Plan studiów
Jak projektuje się badanie?
Szczegóły projektu
- Modele obserwacyjne: Kohorta
- Perspektywy czasowe: Spodziewany
Kohorty i interwencje
Grupa / Kohorta |
Interwencja / Leczenie |
|---|---|
|
Badane kobiety w regionie Östergötland Linkoping
|
Wykorzystanie sztucznej inteligencji jako trzeciego czytelnika i systemu wspomagania decyzji podczas spotkania konsensusowego
|
Co mierzy badanie?
Podstawowe miary wyniku
Miara wyniku |
Opis środka |
Ramy czasowe |
|---|---|---|
|
Wskaźnik wykrywalności raka
Ramy czasowe: Po 4 miesiącach włączenia
|
Odsetek kobiet, u których zdiagnozowano raka piersi wśród osób wycofanych po uzyskaniu konsensusu
|
Po 4 miesiącach włączenia
|
|
Wskaźnik wycofania lub skierowania
Ramy czasowe: Po 4 miesiącach włączenia
|
Odsetek kobiet kierowanych na dalsze badania diagnostyczne po uzyskaniu konsensusu
|
Po 4 miesiącach włączenia
|
|
Dodatnia wartość predykcyjna skierowań
Ramy czasowe: Po 4 miesiącach włączenia
|
Odsetek kobiet, u których zdiagnozowano raka piersi wśród skierowań
|
Po 4 miesiącach włączenia
|
Miary wyników drugorzędnych
Miara wyniku |
Opis środka |
Ramy czasowe |
|---|---|---|
|
Pozytywna wartość predykcyjna wyników Transpara®
Ramy czasowe: Po 4 miesiącach włączenia
|
Odsetek rozpoznanych raków piersi wśród kobiet z danym wynikiem AI
|
Po 4 miesiącach włączenia
|
Współpracownicy i badacze
Śledczy
- Główny śledczy: Håkan Gustafsson, PhD, Linköping University - University Hospital
Publikacje i pomocne linki
Publikacje ogólne
- Rodriguez-Ruiz A, Lang K, Gubern-Merida A, Broeders M, Gennaro G, Clauser P, Helbich TH, Chevalier M, Tan T, Mertelmeier T, Wallis MG, Andersson I, Zackrisson S, Mann RM, Sechopoulos I. Stand-Alone Artificial Intelligence for Breast Cancer Detection in Mammography: Comparison With 101 Radiologists. J Natl Cancer Inst. 2019 Sep 1;111(9):916-922. doi: 10.1093/jnci/djy222.
- Rodriguez-Ruiz A, Krupinski E, Mordang JJ, Schilling K, Heywang-Kobrunner SH, Sechopoulos I, Mann RM. Detection of Breast Cancer with Mammography: Effect of an Artificial Intelligence Support System. Radiology. 2019 Feb;290(2):305-314. doi: 10.1148/radiol.2018181371. Epub 2018 Nov 20.
- van Winkel SL, Rodriguez-Ruiz A, Appelman L, Gubern-Merida A, Karssemeijer N, Teuwen J, Wanders AJT, Sechopoulos I, Mann RM. Impact of artificial intelligence support on accuracy and reading time in breast tomosynthesis image interpretation: a multi-reader multi-case study. Eur Radiol. 2021 Nov;31(11):8682-8691. doi: 10.1007/s00330-021-07992-w. Epub 2021 May 4.
- Pinto MC, Rodriguez-Ruiz A, Pedersen K, Hofvind S, Wicklein J, Kappler S, Mann RM, Sechopoulos I. Impact of Artificial Intelligence Decision Support Using Deep Learning on Breast Cancer Screening Interpretation with Single-View Wide-Angle Digital Breast Tomosynthesis. Radiology. 2021 Sep;300(3):529-536. doi: 10.1148/radiol.2021204432. Epub 2021 Jul 6.
- Raya-Povedano JL, Romero-Martin S, Elias-Cabot E, Gubern-Merida A, Rodriguez-Ruiz A, Alvarez-Benito M. AI-based Strategies to Reduce Workload in Breast Cancer Screening with Mammography and Tomosynthesis: A Retrospective Evaluation. Radiology. 2021 Jul;300(1):57-65. doi: 10.1148/radiol.2021203555. Epub 2021 May 4.
- Lang K, Dustler M, Dahlblom V, Akesson A, Andersson I, Zackrisson S. Identifying normal mammograms in a large screening population using artificial intelligence. Eur Radiol. 2021 Mar;31(3):1687-1692. doi: 10.1007/s00330-020-07165-1. Epub 2020 Sep 2.
- Rodriguez-Ruiz A, Lang K, Gubern-Merida A, Teuwen J, Broeders M, Gennaro G, Clauser P, Helbich TH, Chevalier M, Mertelmeier T, Wallis MG, Andersson I, Zackrisson S, Sechopoulos I, Mann RM. Can we reduce the workload of mammographic screening by automatic identification of normal exams with artificial intelligence? A feasibility study. Eur Radiol. 2019 Sep;29(9):4825-4832. doi: 10.1007/s00330-019-06186-9. Epub 2019 Apr 16.
- Lang K, Hofvind S, Rodriguez-Ruiz A, Andersson I. Can artificial intelligence reduce the interval cancer rate in mammography screening? Eur Radiol. 2021 Aug;31(8):5940-5947. doi: 10.1007/s00330-021-07686-3. Epub 2021 Jan 23.
- Sasaki M, Tozaki M, Rodriguez-Ruiz A, Yotsumoto D, Ichiki Y, Terawaki A, Oosako S, Sagara Y, Sagara Y. Artificial intelligence for breast cancer detection in mammography: experience of use of the ScreenPoint Medical Transpara system in 310 Japanese women. Breast Cancer. 2020 Jul;27(4):642-651. doi: 10.1007/s12282-020-01061-8. Epub 2020 Feb 12.
- Kerschke L, Weigel S, Rodriguez-Ruiz A, Karssemeijer N, Heindel W. Using deep learning to assist readers during the arbitration process: a lesion-based retrospective evaluation of breast cancer screening performance. Eur Radiol. 2022 Feb;32(2):842-852. doi: 10.1007/s00330-021-08217-w. Epub 2021 Aug 12.
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
- NCT20210157-AI-ROL
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
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 .