- ICH GCP
- Rejestr badań klinicznych w USA
- Badanie kliniczne NCT05651360
Wydajność diagnostyczna niskodawkowej tomografii komputerowej w ostrych stanach jamy brzusznej (DETECT_Acute)
Wydajność diagnostyczna rekonstrukcji obrazu z głębokim uczeniem w tomografii komputerowej z niską dawką w celu wykrycia ostrych stanów jamy brzusznej
Celem tego badania obserwacyjnego non-inferiority jest ocena skuteczności diagnostycznej niskodawkowej tomografii komputerowej z rekonstrukcją obrazu głębokiego uczenia się (DLIR) u dorosłych uczestników z ostrymi chorobami jamy brzusznej. Głównym pytaniem badawczym jest:
• Czy niskodawkowa tomografia komputerowa z DLIR może osiągnąć taką samą skuteczność diagnostyczną jak standardowa tomografia komputerowa w diagnostyce ostrych schorzeń jamy brzusznej.
Uczestnicy zostaną zbadani za pomocą dodatkowej niskodawkowej tomografii komputerowej bezpośrednio po standardowej tomografii komputerowej. Uczestnik będzie miał własne kontrole.
Przegląd badań
Status
Warunki
Interwencja / Leczenie
Szczegółowy opis
Tomografia komputerowa (TK) stała się podstawowym narzędziem współczesnej medycyny klinicznej. Wraz z powszechną dostępnością w ostatnich dziesięcioleciach obserwuje się szybki wzrost wykorzystania obrazowania CT. Wraz ze wzrostem narażenia na promieniowanie potencjalne zwiększone ryzyko nowotworów wywołanych promieniowaniem stało się problemem zdrowia publicznego. Dotyczy to zwłaszcza tomografii komputerowej jamy brzusznej i miednicy, które obecnie stanowią 50% dawki zbiorczej tomografii komputerowej. Ponieważ ogólnie rzecz biorąc, korzyści wynikające ze zmniejszenia dawki są równoważone pogorszeniem jakości obrazu, w praktyce klinicznej dąży się do osiągnięcia postępu technologicznego w celu zmniejszenia dawki promieniowania bez pogorszenia jakości obrazu.
W rekonstrukcji obrazu CT filtrowana projekcja wsteczna (FBP) jest dominującym algorytmem techniki rekonstrukcji obrazu od wczesnych lat 70. XX wieku, uzupełnionym pierwszymi komercyjnymi algorytmami rekonstrukcji iteracyjnej (IR) w 2009 r.
Nowatorski algorytm głębokiej rekonstrukcji obrazu (DLIR) uzyskał aprobatę kliniczną w 2019 r. (TrueFidelity, GE Healthcare, Milwaukee, WI). Pojawiają się również algorytmy innych dostawców do głębokiej rekonstrukcji obrazu (AiCE, Canon Medical Systems, Otawara, Japonia). Jak wyjaśniono w dokumencie technicznym, algorytm DLIR został przeszkolony z zestawami danych FBP o wysokich i niskich dawkach w przypadkach fantomów i pacjentów. Zastosowanie rekonstrukcji obrazu z głębokim uczeniem wykazało potencjał poprawy jakości obrazu i zmniejszenia dawki bez zmiany tekstury szumu.
U pacjentów z ostrymi chorobami jamy brzusznej tomografia komputerowa jamy brzusznej i miednicy uważana jest za najlepszą metodę diagnostyczną pierwszego lub drugiego rzutu. Dla tych pacjentów szybka i trafna diagnoza ma ogromne znaczenie, aby uniknąć opóźnienia leczenia i późniejszych powikłań, takich jak perforacja przewodu pokarmowego w przypadku zapalenia wyrostka robaczkowego lub zapalenia uchyłków. Z drugiej strony ważne jest również unikanie niepotrzebnej interwencji chirurgicznej i związanych z nią powikłań. Ewentualny protokół tomografii komputerowej z niską dawką musi zatem zapewniać niegorszą wydajność diagnostyczną, aby ułatwić szybką diagnozę i uniknąć nadmiernego leczenia i niejednoznacznych badań.
Obiecujące wyniki uzyskano w przypadku niskodawkowych badań CT z modelową IR i redukcją dawki nawet o 75-80%. Jednak wraz z wprowadzeniem DLIR możliwe wydaje się dalsze zmniejszenie dawki. Nasze własne wyniki z badania percepcji jakości obrazu za pomocą DLIR wskazują, że zmniejszenie dawki do 92,5% w porównaniu ze standardową CT może zachować akceptowalną diagnostyczną jakość obrazu (jeszcze niepublikowana praca).
Na tej podstawie celem tego badania jest ocena skuteczności diagnostycznej niskodawkowej CT z DLIR w diagnostyce ostrych stanów jamy brzusznej w warunkach równoważności z dużą liczebnością próby dostarczonej przez dwa główne ośrodki urazowe w północnej Europie.
Celuje
Podstawowy:
Ocena skuteczności diagnostycznej ostrych schorzeń jamy brzusznej niskodawkowej tomografii komputerowej wzmocnionej kontrastem z technologią DLIR „TrueFidelity” (TF) w porównaniu ze standardową tomografią komputerową z pełną dawką.
Wtórny:
Ocena technicznej i postrzeganej jakości obrazu (jakościowo i ilościowo).
Etyka
Zgoda zostanie uzyskana od regionalnej komisji etycznej i inspektora ochrony danych instytucji.
Od wszystkich uczestników zostanie uzyskana pisemna świadoma zgoda. Projekt ten będzie zgodny z Deklaracją Helsińską.
Zagrożenia Minimalne ryzyko istnieje ze względu na nieznaczny wzrost narażenia na promieniowanie. Dodatkowa ekspozycja na promieniowanie wynosząca 27,5% mieści się w krajowych odchyleniach ekspozycji na promieniowanie z badań CT wykonanych dla odpowiednich zadań klinicznych. Badacze oszacowali średnią dodatkową skuteczną dawkę na 1,5 mSv, co odpowiada około 4 miesiącom naturalnej ekspozycji na promieniowanie tła w Norwegii (4,1 mSv/rok). Dodatkowa ekspozycja na promieniowanie przekłada się na teoretyczne zwiększone ryzyko śmiertelnego raka wywołanego promieniowaniem w ciągu całego życia, wynoszące od 0,004 do 0,03%. Ryzyko kliniczne związane z tą ekspozycją uważa się za minimalne/nieistotne.
Materiał i metody Badanie zostanie zarejestrowane na stronie ClinicalTrials.gov przed inicjacją. Metody badań i wyniki zostaną przedstawione zgodnie z oświadczeniem Standards for Reporting of Diagnostic Accuracy Studies (STARD) z 2015 r. Należy zauważyć, że Grupa Sterująca STARD-AI przygotowuje rozszerzenie specyficzne dla AI. Jeśli te wytyczne STARD-AI zostaną opublikowane przed zakończeniem badania, wyniki zostaną również zgłoszone zgodnie z niniejszym dokumentem. Aby zrekompensować specyficzne elementy sztucznej inteligencji, które nie zostały uwzględnione w STARD, badacze będą, w stosownych przypadkach, polegać na liście kontrolnej dla sztucznej inteligencji w obrazowaniu medycznym (CLAIM), która jest wzorowana na wytycznych STARD.
Pilotażowe Badanie pilotażowe obejmujące 10 pacjentów równo podzielonych między Oslo i Odense zostanie przeprowadzone, aby umożliwić przetestowanie logistyki badania i dostosowanie poziomu dawki promieniowania w niskodawkowej tomografii komputerowej.
Protokół badania / obrazowanie Badania zostaną przeprowadzone zgodnie z lokalnymi rutynowymi procedurami i ustalonymi protokołami tomografii komputerowej (skaner tomografii komputerowej: GE Revolution).
Oprócz tomografii komputerowej ze standardowym protokołem badania zostanie wykonana niskodawkowa tomografia komputerowa, nie przekraczająca 30% dawki promieniowania standardowej tomografii komputerowej. Obrazy CT z niską dawką zostaną zrekonstruowane przy użyciu TF high. Niskodawkowa tomografia komputerowa zostanie przeprowadzona bezpośrednio po standardowej tomografii komputerowej, aby uniknąć odchyleń wynikających z różnic w czasie fazy kontrastu.
Lokalizacja i lokalna badana populacja Badanie zostanie przeprowadzone jako badanie wieloośrodkowe z udziałem Oslo i Odense z prospektywnym gromadzeniem danych.
Szacunkowa całkowita populacja badana zostanie równo podzielona między dwa szpitale.
Ocena obrazu Niskodawkowa tomografia komputerowa nie będzie używana do celów diagnostycznych ani leczenia pacjentów. Ocena i porównanie obrazów będą przeprowadzane niezależnie od rutynowego przebiegu pracy klinicznej.
Wszystkie niskodawkowe badania CT będą oceniane niezależnie przez dwóch radiologów rezydentów i dwóch doświadczonych radiologów specjalizujących się w radiologii jamy brzusznej z ponad 10-letnim doświadczeniem w zakresie tomografii komputerowej jamy brzusznej. Czytelnicy będą zaślepieni na wszystkie informacje z poprzednich badań, pierwotny raport CT, wszelkie ustalenia dokonane przez innych czytelników, wszystkie informacje związane z leczeniem i ostateczną diagnozę.
Będą mieli dostęp do skierowań klinicznych i badań laboratoryjnych wykonanych przed pierwotnym badaniem TK. Ocena obrazu zostanie przeprowadzona w środowisku klinicznym radiologów z wykorzystaniem monitorów diagnostycznych.
W analizie wyników diagnoza każdego pacjenta z CT z niską dawką zostanie porównana z pierwotną diagnozą radiologiczną opartą na CT z pełną dawką.
W celu uzgodnienia między czytelnikami losowo wybrane spośród 10% przypadków zostanie dwukrotnie przedstawione każdemu czytelnikowi.
Techniczną jakość obrazu ocenia się poprzez pozycjonowanie obszarów zainteresowania (ROI) w jednorodnym odcinku żyły wrotnej, przyległym prawidłowym miąższu aorty wątroby, mięśniach prostowników grzbietu oraz w tłuszczu podskórnym. Zostanie obliczony współczynnik kontrastu do szumu (CNR).
Postrzegana jakość obrazu będzie oceniana przez co najmniej dwóch radiologów w skali typu Likerta według kryteriów jakości obrazu opartych na europejskich wytycznych dotyczących jakości obrazu w TK jamy brzusznej.
Statystyki Dedykowane oprogramowanie statystyczne, takie jak Stata i SPSS, zostanie użyte do analizy danych z badania. Poziom istotności alfa zostanie ustawiony na 5% i zastosowane zostaną 95% przedziały ufności. Statystyki Kappa będą wykorzystywane do uzgodnień między czytelnikami i wewnątrz nich. Do oceny jakości obrazu wykorzystana zostanie regresja logistyczna. Do oceny zmiennych numerycznych zostaną zastosowane odpowiednie testy parametryczne lub nieparametryczne. Wydajność diagnostyczna zostanie określona przez pole pod krzywą, czułość, swoistość, dodatnią i ujemną wartość predykcyjną. Znaczące różnice w czułości i specyficzności zostaną określone za pomocą testu McNemara.
Obliczanie mocy i wielkość próby Projekt badania non-inferiority zostanie wykorzystany do wykazania non-inferiority pod względem wydajności diagnostycznej CT z niską dawką w porównaniu ze standardową CT. Badacze oszacowali czułość standardowej tomografii komputerowej na 90%. Częstość występowania ostrych schorzeń jamy brzusznej z widocznym korelatem w standardowej tomografii komputerowej szacuje się na 70% wśród wszystkich skierowań spełniających kryteria włączenia. Margines równoważności wynoszący 10% dla czułości uznano za akceptowalny klinicznie, tj. przyjęto, że prawdopodobieństwo pozytywnego wyniku w niskodawkowej CT w przypadku dodatniej standardowej CT wynosi 90%.
S_L = Prawdopodobieństwo (dodatnia tomografia komputerowa z małą dawką | dodatnia tomografia standardowa)
Hipotezę 0 zdefiniowano jako:
S_L < 90%
Hipoteza alternatywna została następnie zdefiniowana jako:
S_L > 90% Aby zidentyfikować jednostronną 6% różnicę (wzrost) od marginesu równoważności z mocą 80% i poziomem istotności alfa równym 5%, badacze oszacowali wymaganą liczbę pacjentów z pozytywnym wynikiem CT na n= 116 (rozkład dwumianowy). Następnie obliczono całkowitą liczbę wymaganych pacjentów jako 116/0,7=166.
Typ studiów
Zapisy (Rzeczywisty)
Kontakty i lokalizacje
Kryteria uczestnictwa
Kryteria kwalifikacji
Wiek uprawniający do nauki
Akceptuje zdrowych ochotników
Metoda próbkowania
Badana populacja
Opis
Kryteria przyjęcia:
- Pacjenci oceniani pod kątem ostrego stanu jamy brzusznej, którzy są kierowani na tomografię komputerową jamy brzusznej i miednicy.
- Wiek >18 lat
- Pacjenci muszą być w stanie wyrazić ustną i pisemną zgodę na udział w badaniu.
Kryteria wyłączenia:
- Przeciwwskazania dotyczące badań TK ze wzmocnieniem kontrastowym, takie jak znane działania niepożądane jodowych środków kontrastowych lub klaustrofobia.
- Ciąża.
Plan studiów
Jak projektuje się badanie?
Szczegóły projektu
- Modele obserwacyjne: Kohorta
- Perspektywy czasowe: Spodziewany
Kohorty i interwencje
Grupa / Kohorta |
Interwencja / Leczenie |
|---|---|
|
Ból brzucha
Uczestnicy oceniani pod kątem ostrego stanu jamy brzusznej, którzy są kierowani na tomografię komputerową jamy brzusznej i miednicy.
|
Wykonane zostanie niskodawkowe badanie CT, nieprzekraczające 30% dawki promieniowania standardowego CT.
Obrazy tomografii komputerowej o niskiej dawce zostaną zrekonstruowane przy użyciu technologii TrueFidelity high.
Niskodawkowa tomografia komputerowa zostanie przeprowadzona bezpośrednio po standardowej tomografii komputerowej, aby uniknąć odchyleń wynikających z różnic w czasie fazy kontrastu.
|
Co mierzy badanie?
Podstawowe miary wyniku
Miara wyniku |
Opis środka |
Ramy czasowe |
|---|---|---|
|
Diagnostic performance of low-dose CT
Ramy czasowe: 6 to 12 months
|
Diagnostic performance of low-dose CT compared to standard CT according to ICD 10 diagnosis. Diagnostic performance measured in terms of: Sensitivity, derived from mixed-effects logistic regression. |
6 to 12 months
|
Miary wyników drugorzędnych
Miara wyniku |
Opis środka |
Ramy czasowe |
|---|---|---|
|
Diagnostic performance
Ramy czasowe: 6 to 12 month
|
Diagnostic performance measured in terms of: Specificity, positive predictive value, negative predictive value, and accuracy derived from mixed-effects logistic regression.
|
6 to 12 month
|
|
Radiation dose
Ramy czasowe: 6 to 12 months
|
Compare radiation dose; low-dose vs standard CT: Radiation dose measured in terms of DLP and CTDIvol. |
6 to 12 months
|
|
Reading time.
Ramy czasowe: 6 to 12 month
|
Reading time difference between low-dose CT and standard CT.
|
6 to 12 month
|
|
Perceived image quality
Ramy czasowe: 6 to 12 months
|
Compare perceived image quality; low-dose vs standard CT: Perceived image quality scored on a ordinal, 5-point Likert scale (at least two readers). |
6 to 12 months
|
|
Image quality - noise
Ramy czasowe: 6 to 12 months
|
Compare technical image quality; low-dose vs standard CT: Image noise in terms of standard deviation within a region of interest (ROI); numerical as Hounsfield unit (HU), several points of measurement. |
6 to 12 months
|
|
Image quality - contrast-to-noise ratio
Ramy czasowe: 6 to 12 months
|
Compare technical image quality; low-dose vs standard CT: Contrast-to-noise ratio; numerical, several points of measurement. Calculated according to: CNR=(│〖HU〗_Kidney - 〖HU〗_(Water )│)/√((〖SD〗_Kidney 2 + 〖SD〗_Water 2 )/2) |
6 to 12 months
|
|
Diagnoses
Ramy czasowe: 6 to 12 months
|
Descriptive exploration of diagnoses among patients referred to CT examinations; diagnoses according to ICD 10.
|
6 to 12 months
|
Współpracownicy i badacze
Sponsor
Współpracownicy
Śledczy
- Główny śledczy: Anselm Schulz, PhD, Oslo University Hospital
Publikacje i pomocne linki
Publikacje ogólne
- Berrington de Gonzalez A, Mahesh M, Kim KP, Bhargavan M, Lewis R, Mettler F, Land C. Projected cancer risks from computed tomographic scans performed in the United States in 2007. Arch Intern Med. 2009 Dec 14;169(22):2071-7. doi: 10.1001/archinternmed.2009.440.
- Brenner DJ, Hall EJ. Computed tomography--an increasing source of radiation exposure. N Engl J Med. 2007 Nov 29;357(22):2277-84. doi: 10.1056/NEJMra072149. No abstract available.
- Novelline RA, Rhea JT, Rao PM, Stuk JL. Helical CT in emergency radiology. Radiology. 1999 Nov;213(2):321-39. doi: 10.1148/radiology.213.2.r99nv01321.
- OECD. Computed tomography (CT) exams. 2018.
- Mettler FA Jr, Thomadsen BR, Bhargavan M, Gilley DB, Gray JE, Lipoti JA, McCrohan J, Yoshizumi TT, Mahesh M. Medical radiation exposure in the U.S. in 2006: preliminary results. Health Phys. 2008 Nov;95(5):502-7. doi: 10.1097/01.HP.0000326333.42287.a2.
- Pan X, Sidky EY, Vannier M. Why do commercial CT scanners still employ traditional, filtered back-projection for image reconstruction? Inverse Probl. 2009 Jan 1;25(12):1230009. doi: 10.1088/0266-5611/25/12/123009.
- Beister M, Kolditz D, Kalender WA. Iterative reconstruction methods in X-ray CT. Phys Med. 2012 Apr;28(2):94-108. doi: 10.1016/j.ejmp.2012.01.003. Epub 2012 Feb 10.
- Hsieh JL, E.; Nett, B.; Tang, J.; Thibault JB.; Sahney, S. A new era of image reconstruction: TrueFidelity. Technical white paper on deep learning image reconstruction. 2019.
- Jensen CT, Liu X, Tamm EP, Chandler AG, Sun J, Morani AC, Javadi S, Wagner-Bartak NA. Image Quality Assessment of Abdominal CT by Use of New Deep Learning Image Reconstruction: Initial Experience. AJR Am J Roentgenol. 2020 Jul;215(1):50-57. doi: 10.2214/AJR.19.22332. Epub 2020 Apr 14.
- Njolstad T, Schulz A, Godt JC, Brogger HM, Johansen CK, Andersen HK, Martinsen ACT. Improved image quality in abdominal computed tomography reconstructed with a novel Deep Learning Image Reconstruction technique - initial clinical experience. Acta Radiol Open. 2021 Apr 9;10(4):20584601211008391. doi: 10.1177/20584601211008391. eCollection 2021 Apr.
- Solomon J, Lyu P, Marin D, Samei E. Noise and spatial resolution properties of a commercially available deep learning-based CT reconstruction algorithm. Med Phys. 2020 Sep;47(9):3961-3971. doi: 10.1002/mp.14319. Epub 2020 Jul 6.
- Greffier J, Hamard A, Pereira F, Barrau C, Pasquier H, Beregi JP, Frandon J. Image quality and dose reduction opportunity of deep learning image reconstruction algorithm for CT: a phantom study. Eur Radiol. 2020 Jul;30(7):3951-3959. doi: 10.1007/s00330-020-06724-w. Epub 2020 Feb 25.
- Brady SL, Trout AT, Somasundaram E, Anton CG, Li Y, Dillman JR. Improving Image Quality and Reducing Radiation Dose for Pediatric CT by Using Deep Learning Reconstruction. Radiology. 2021 Jan;298(1):180-188. doi: 10.1148/radiol.2020202317. Epub 2020 Nov 17.
- Larson DB, Johnson LW, Schnell BM, Salisbury SR, Forman HP. National trends in CT use in the emergency department: 1995-2007. Radiology. 2011 Jan;258(1):164-73. doi: 10.1148/radiol.10100640. Epub 2010 Nov 29.
- Rud B, Vejborg TS, Rappeport ED, Reitsma JB, Wille-Jorgensen P. Computed tomography for diagnosis of acute appendicitis in adults. Cochrane Database Syst Rev. 2019 Nov 19;2019(11):CD009977. doi: 10.1002/14651858.CD009977.pub2.
- Kabir SA, Kabir SI, Sun R, Jafferbhoy S, Karim A. How to diagnose an acutely inflamed appendix; a systematic review of the latest evidence. Int J Surg. 2017 Apr;40:155-162. doi: 10.1016/j.ijsu.2017.03.013. Epub 2017 Mar 6.
- Moloney F, James K, Twomey M, Ryan D, Grey TM, Downes A, Kavanagh RG, Moore N, Murphy MJ, Bye J, Carey BW, McSweeney SE, Deasy C, Andrews E, Shanahan F, Maher MM, O'Connor OJ. Low-dose CT imaging of the acute abdomen using model-based iterative reconstruction: a prospective study. Emerg Radiol. 2019 Apr;26(2):169-177. doi: 10.1007/s10140-018-1658-z. Epub 2018 Nov 17.
- Poletti PA, Becker M, Becker CD, Halfon Poletti A, Rutschmann OT, Zaidi H, Perneger T, Platon A. Emergency assessment of patients with acute abdominal pain using low-dose CT with iterative reconstruction: a comparative study. Eur Radiol. 2017 Aug;27(8):3300-3309. doi: 10.1007/s00330-016-4712-9. Epub 2017 Jan 12.
- Widmark A. Diagnostic reference level (DRL) in Norway 2017. Results, revision:and establishment of new DRL.NRPA Report 2018:3. Norwegian Radiation Protection Authority, Østerås 2018.
- Komperød M, Rudjord AL, Skuterud L, Dyve JE. Radiation Doses from the Environment. Calculations of the Public's Exposure to Radiation from the Environment in Norway. Strålevern Rapport 2015:11 Østerås: Norwegian Radiation Protection Authority 2015.
- Bossuyt PM, Reitsma JB, Bruns DE, Gatsonis CA, Glasziou PP, Irwig L, Lijmer JG, Moher D, Rennie D, de Vet HC, Kressel HY, Rifai N, Golub RM, Altman DG, Hooft L, Korevaar DA, Cohen JF; STARD Group. STARD 2015: An Updated List of Essential Items for Reporting Diagnostic Accuracy Studies. Radiology. 2015 Dec;277(3):826-32. doi: 10.1148/radiol.2015151516. Epub 2015 Oct 28.
- Sounderajah V, Ashrafian H, Golub RM, Shetty S, De Fauw J, Hooft L, Moons K, Collins G, Moher D, Bossuyt PM, Darzi A, Karthikesalingam A, Denniston AK, Mateen BA, Ting D, Treanor D, King D, Greaves F, Godwin J, Pearson-Stuttard J, Harling L, McInnes M, Rifai N, Tomasev N, Normahani P, Whiting P, Aggarwal R, Vollmer S, Markar SR, Panch T, Liu X; STARD-AI Steering Committee. Developing a reporting guideline for artificial intelligence-centred diagnostic test accuracy studies: the STARD-AI protocol. BMJ Open. 2021 Jun 28;11(6):e047709. doi: 10.1136/bmjopen-2020-047709.
- Mongan J, Moy L, Kahn CE Jr. Checklist for Artificial Intelligence in Medical Imaging (CLAIM): A Guide for Authors and Reviewers. Radiol Artif Intell. 2020 Mar 25;2(2):e200029. doi: 10.1148/ryai.2020200029. eCollection 2020 Mar. No abstract available.
- Report EUR 16262 EN. European guidelines on quality criteria for computed tomography. 2000.
- Ahn S, Park SH, Lee KH. How to demonstrate similarity by using noninferiority and equivalence statistical testing in radiology research. Radiology. 2013 May;267(2):328-38. doi: 10.1148/radiol.12120725.
- Eng KA, Abadeh A, Ligocki C, Lee YK, Moineddin R, Adams-Webber T, Schuh S, Doria AS. Acute Appendicitis: A Meta-Analysis of the Diagnostic Accuracy of US, CT, and MRI as Second-Line Imaging Tests after an Initial US. Radiology. 2018 Sep;288(3):717-727. doi: 10.1148/radiol.2018180318. Epub 2018 Jun 19.
- Expert Panel on Gastrointestinal Imaging:; Garcia EM, Camacho MA, Karolyi DR, Kim DH, Cash BD, Chang KJ, Feig BW, Fowler KJ, Kambadakone AR, Lambert DL, Levy AD, Marin D, Moreno C, Peterson CM, Scheirey CD, Siegel A, Smith MP, Weinstein S, Carucci LR. ACR Appropriateness Criteria(R) Right Lower Quadrant Pain-Suspected Appendicitis. J Am Coll Radiol. 2018 Nov;15(11S):S373-S387. doi: 10.1016/j.jacr.2018.09.033.
- Expert Panel on Gastrointestinal Imaging:; Peterson CM, McNamara MM, Kamel IR, Al-Refaie WB, Arif-Tiwari H, Cash BD, Chernyak V, Goldstein A, Grajo JR, Hindman NM, Horowitz JM, Noto RB, Porter KK, Srivastava PK, Zaheer A, Carucci LR. ACR Appropriateness Criteria(R) Right Upper Quadrant Pain. J Am Coll Radiol. 2019 May;16(5S):S235-S243. doi: 10.1016/j.jacr.2019.02.013.
- Akagi M, Nakamura Y, Higaki T, Narita K, Honda Y, Zhou J, Yu Z, Akino N, Awai K. Deep learning reconstruction improves image quality of abdominal ultra-high-resolution CT. Eur Radiol. 2019 Nov;29(11):6163-6171. doi: 10.1007/s00330-019-06170-3. Epub 2019 Apr 11.
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
- Ból
- Objawy neurologiczne
- Procesy patologiczne
- Oznaki i objawy, układ pokarmowy
- Choroby jelit
- Infekcje
- Choroby Układu Pokarmowego
- Choroby przewodu pokarmowego
- Choroby trzustki
- Choroby dróg żółciowych
- Nieżyt żołądka i jelit
- Choroby pęcherzyka żółciowego
- Choroby jelita ślepego
- Infekcje wewnątrzbrzuszne
- Stany patologiczne, oznaki i objawy
- Objawy i symptomy
- Zapalenie pęcherzyka żółciowego
- Ból brzucha
- Zapalenie trzustki
- Choroba
- Ostry ból
- Zapalenie pęcherzyka żółciowego, ostre
- Zapalenie wyrostka robaczkowego
Inne numery identyfikacyjne badania
- PVO ref. 22/11840
- 22/11840 (Inny identyfikator: Data protection officer at Oslo University Hospital)
- 468490 (Inny identyfikator: Regional Comittees for Medical Research Ethics South East)
Plan dla danych uczestnika indywidualnego (IPD)
Planujesz udostępniać dane poszczególnych uczestników (IPD)?
Opis planu 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 .