Ta strona została przetłumaczona automatycznie i dokładność tłumaczenia nie jest gwarantowana. Proszę odnieść się do angielska wersja za tekst źródłowy.

Poprawa Wydajności Patologa Wspomagana Sztuczną Inteligencją: Wieloośrodkowe, Prospektywne, Randomizowane Badanie Kontrolowane

6 lutego 2026 zaktualizowane przez: Nanfang Hospital, Southern Medical University

Wspomagana sztuczną inteligencją poprawa wydajności patologów w zadaniach diagnostycznych: wieloośrodkowe, prospektywne, randomizowane badanie kontrolowane

Planujemy przeprowadzenie wieloośrodkowego, prospektywnego, randomizowanego badania kontrolowanego w celu systematycznej oceny wartości dodanej modeli AI opartych na patologii w procesie diagnostycznym raka żołądka. Badanie skupi się na porównaniu interpretacji platformy wspomaganej przez AI z konwencjonalnym niezależnym odczytem szkiełek pod względem dokładności diagnostycznej (np. AUC), efektywności odczytu (np. porównanie czasu do diagnozy), jakości raportów diagnostycznych, pewności diagnostycznej (skala Likerta) oraz satysfakcji patologów z modeli AI. Ocenimy również wyższość dla mniej doświadczonych (młodszych) patologów oraz niegorszość dla bardziej doświadczonych (starszych) patologów. Pomyślne zakończenie tego projektu dostarczy wysokiej jakości prospektywnych dowodów wspierających standaryzowane wdrożenie, kontrolę jakości i szersze zastosowanie AI w patologii w ścieżce opieki nad rakiem żołądka.

Przegląd badań

Status

Rejestracja na zaproszenie

Warunki

Interwencja / Leczenie

Typ studiów

Interwencyjne

Zapisy (Szacowany)

1000

Faza

  • Nie dotyczy

Kontakty i lokalizacje

Ta sekcja zawiera dane kontaktowe osób prowadzących badanie oraz informacje o tym, gdzie badanie jest przeprowadzane.

Lokalizacje studiów

  • Chiny
    • Guangdong
      • Guangzhou, Guangdong, Chiny, 510515
        • Nanfang Hospital, Southern Medical University
    • Henan
      • Zhengzhou, Henan, Chiny
        • The first affiliated hospital of Zhengzhou university

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

  • Dorosły
  • Starszy dorosły

Akceptuje zdrowych ochotników

Nie

Opis

Kryteria włączenia:

  1. Płeć: ≥ 18 lat;
  2. Pacjenci poddani biopsji błony śluzowej żołądka lub chirurgicznej resekcji raka żołądka, z dostępnymi cyfrowymi obrazami patologicznymi i informacjami klinicznymi.

Kryteria wykluczenia:

1.Brakujące dane lub dane o niewystarczającej jakości do analizy

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: Inny
  • Przydział: Randomizowane
  • Model interwencyjny: Zadanie krzyżowe
  • Maskowanie: Pojedynczy

Broń i interwencje

Grupa uczestników / Arm
Interwencja / Leczenie
Eksperymentalny: Grupa wspomagana sztuczną inteligencją
Lekarze w tej grupie są zobowiązani do korzystania z modelu diagnostycznego patologii AI w celu wsparcia diagnoz. Model patologii AI dostarczy przewidywany wynik dla każdego przypadku.
Inny: Model patologii AI
Lekarze w tej grupie są zobowiązani do korzystania z modelu patologii AI w celu wsparcia diagnoz. Model patologii AI dostarczy przewidywany wynik dla każdego przypadku.
Komparator placebo: Niezależna Grupa Diagnostyczna (Grupa Kontrolna)
W tej grupie patolodzy niezależnie zdiagnozują każdy przypadek w oparciu o własne doświadczenie kliniczne, zarejestrując zarówno czas potrzebny na postawienie diagnozy, jak i swoją pewność diagnostyczną.
Inny: Kontrola
Patolodzy będą niezależnie diagnozować każdy przypadek w oparciu o własne doświadczenie kliniczne i będą rejestrować zarówno czas potrzebny na postawienie diagnozy, jak i poziom pewności swojej diagnozy.

Co mierzy badanie?

Podstawowe miary wyniku

Miara wyniku
Opis środka
Ramy czasowe
Pole pod krzywą ROC (AUC)
Ramy czasowe: Oceny zostaną przeprowadzone w ciągu tygodnia od postawienia diagnozy przez lekarzy.
Pole pod krzywą
Oceny zostaną przeprowadzone w ciągu tygodnia od postawienia diagnozy przez lekarzy.

Miary wyników drugorzędnych

Miara wyniku
Opis środka
Ramy czasowe
Czas diagnostyczny na przypadek
Ramy czasowe: Zmierzono bezpośrednio po diagnozie lekarza.
Czas potrzebny patologowi na postawienie diagnozy w każdym przypadku w grupie z diagnozą wspomaganą sztuczną inteligencją w porównaniu z grupą z diagnozą niezależną. Czas diagnozy definiuje się jako okres (w minutach/sekundach) od rozpoczęcia przeglądu przypadku do sfinalizowania i przesłania raportu diagnostycznego w systemie badania
Zmierzono bezpośrednio po diagnozie lekarza.
Jakość raportu diagnostycznego
Ramy czasowe: W ciągu 1 tygodnia po wstępnej diagnozie dla każdego przypadku.
Ocena jakości raportów diagnostycznych patologii w grupie diagnoz wspomaganych sztuczną inteligencją w porównaniu z grupą diagnoz niezależnych. Jakość raportów będzie oceniana przez niezależny panel ekspertów patologów przy użyciu wcześniej zdefiniowanej skali ocen (np. skala 0-100), biorąc pod uwagę dokładność diagnostyczną, kompletność, klarowność i strukturę raportu. Wyższe wyniki wskazują na lepszą jakość raportu.
W ciągu 1 tygodnia po wstępnej diagnozie dla każdego przypadku.
Pewność diagnostyczna patologów
Ramy czasowe: W momencie diagnozy dla każdego przypadku.
Zgłaszana przez siebie pewność diagnostyczna patologów dla każdego przypadku w grupie diagnozowania wspomaganego sztuczną inteligencją w porównaniu z grupą diagnozowania niezależnego. Pewność diagnostyczna będzie oceniana przez raportującego patologa w [5]-punktowej skali Likerta (np. 1 = bardzo niepewny do 5 = bardzo pewny) bezpośrednio po postawieniu diagnozy. Wyższe wyniki wskazują na większą pewność diagnostyczną.
W momencie diagnozy dla każdego przypadku.
Zadowolenie patologów z modelu patologii AI
Ramy czasowe: Oceniano jednorazowo na koniec okresu odczytu wspomaganego sztuczną inteligencją dla każdego patologa.
Ogólne zadowolenie patologów z modelu diagnostycznego patologii AI pod względem użyteczności i postrzeganej skuteczności. Zadowolenie będzie oceniane za pomocą ustrukturyzowanego kwestionariusza zawierającego pozycje w skali Likerta, które oceniają łatwość użycia, integrację z przepływem pracy, przejrzystość wyników AI, postrzegany wpływ na efektywność diagnostyczną oraz postrzegany wpływ na dokładność diagnostyczną i pewność siebie. Wyższe wyniki wskazują na większe zadowolenie, lepszą użyteczność i większą postrzeganą skuteczność.
Oceniano jednorazowo na koniec okresu odczytu wspomaganego sztuczną inteligencją dla każdego patologa.

Współpracownicy i badacze

Tutaj znajdziesz osoby i organizacje zaangażowane w to badanie.

Sponsor

Nanfang Hospital, Southern Medical University

Śledczy

  • Dyrektor Studium: Li Liang, Nanfang Hospital, Southern Medical University

Publikacje i pomocne linki

Osoba odpowiedzialna za wprowadzenie informacji o badaniu dobrowolnie udostępnia te publikacje. Mogą one dotyczyć wszystkiego, co jest związane z badaniem.

Publikacje ogólne

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)

1 listopada 2025

Zakończenie podstawowe (Szacowany)

1 czerwca 2027

Ukończenie studiów (Szacowany)

1 listopada 2027

Daty rejestracji na studia

Pierwszy przesłany

5 grudnia 2025

Pierwszy przesłany, który spełnia kryteria kontroli jakości

5 grudnia 2025

Pierwszy wysłany (Rzeczywisty)

18 grudnia 2025

Aktualizacje rekordów badań

Ostatnia wysłana aktualizacja (Rzeczywisty)

10 lutego 2026

Ostatnia przesłana aktualizacja, która spełniała kryteria kontroli jakości

6 lutego 2026

Ostatnia weryfikacja

1 lutego 2026

Więcej informacji

Terminy związane z tym badaniem

Słowa kluczowe

Inne numery identyfikacyjne badania

  • NFEC-2025-653

Plan dla danych uczestnika indywidualnego (IPD)

Planujesz udostępniać dane poszczególnych uczestników (IPD)?

NIE

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 .

Badania kliniczne na Model Podstawowy Patologii

Badania kliniczne na Model patologii AI

Wyszukaj podobne próby

Sponsorzy i współpracownicy

Warunki medyczne

Interwencje lekowe

CROs by country

CROs in Mexico

Warunki

Rzadkie choroby

Interwencje lekowe

Suplementy diety

Sponsor / Współpracownicy

Lokalizacje

Subskrybuj