- ICH GCP
- Registro de ensaios clínicos dos EUA
- Ensaio Clínico NCT04562168
Usando a IA como uma ferramenta de apoio à decisão diagnóstica para ajudar no diagnóstico de doenças de pele na atenção primária à saúde na Catalunha
Uso da Inteligência Artificial como Ferramenta de Apoio à Decisão Diagnóstica para Ajudar no Diagnóstico de Doenças de Pele na Atenção Primária à Saúde na Catalunha
Introdução: As condições dermatológicas são um relevante problema de saúde. Modelos de aprendizado de máquina estão sendo cada vez mais aplicados à dermatologia como ferramenta de apoio à decisão diagnóstica por meio de análise de imagens, especialmente para detecção e classificação de câncer de pele.
Objetivo: O objetivo deste estudo é realizar uma validação prospectiva de um modelo de ML de análise de imagem, capaz de rastrear 44 diferentes tipos de doenças de pele, comparando sua capacidade diagnóstica com a de clínicos gerais (GPs) e dermatologistas.
Métodos: Neste estudo prospectivo, serão recrutados 100 pacientes consecutivos que visitam um clínico geral participante com um problema de pele no centro da Catalunha, a coleta de dados está planejada para durar 7 meses. Imagens anonimizadas de doenças de pele serão tiradas e introduzidas na interface do modelo ML, que retornará os 5 principais diagnósticos de precisão. A mesma imagem será enviada também como consulta de teledermatologia, seguindo o fluxo de trabalho atual. As avaliações do GP, do modelo ML e do(s) dermatologista(s) serão comparadas para calcular a precisão, sensibilidade, especificidade e exatidão do modelo ML.
Visão geral do estudo
Status
Condições
Intervenção / Tratamento
Descrição detalhada
Uma interface web segura, anônima e independente, compatível com qualquer dispositivo móvel, será integrada à API do Autoderm. O estudo realizado neste projeto consistirá em um estudo prospectivo com o objetivo de avaliar o desempenho do modelo ML, comparando sua capacidade diagnóstica com GPs e dermatologistas.
Para realizar o estudo, o seguinte procedimento será executado até que o número necessário de amostras seja atingido:
- Um paciente adequado com problemas de pele é convidado a participar e assinar o acordo do estudo do paciente.
- GP irá diagnosticar a condição da pele.
- O clínico geral (ou enfermeiro) fará uma imagem de boa qualidade da condição da pele.
- O GP enviará a fotografia como uma consulta de teledermatologia seguindo o fluxo de trabalho atual.
- A imagem é inserida na interface do Autoderm ML.
- Dermatologista irá diagnosticar a condição da pele.
O estudo será realizado em centros de atenção primária administrados pelo Instituto Catalão de Saúde. O PCP participante estará localizado em áreas rurais e metropolitanas da Catalunha Central, que inclui as regiões de Anoia, Bages, Moianès, Berguedà e Osona. A população de referência incluída no estudo será de cerca de 512.050. O recrutamento de potenciais sujeitos será feito de forma consecutiva.
Os médicos de clínica geral coletarão dados de pacientes consecutivos que atendem aos critérios de inclusão após a obtenção do consentimento informado por escrito. Os dados coletados serão relatados exclusivamente em ficha de relato de caso (anexos nos Anexos V e VI).
O GP irá diagnosticar a condição da pele e irá preencher a "Avaliação face a face pelo GP". Para cada paciente, o clínico geral, usando uma câmera de smartphone, fará uma imagem aproximada de boa qualidade do problema de pele. A imagem será anônima e não será possível identificar os pacientes. O GP usará a interface do Autoderm ML para carregar a imagem anônima e preencherá o questionário "Avaliação fornecida pelo modelo ML" com os 3 principais diagnósticos gerados pelo modelo ML.
Para obter uma segunda opinião, o GP incorporará a imagem anônima e uma descrição precisa da lesão de pele no histórico médico do paciente seguindo o fluxo atual da teledermatologia. O clínico geral preencherá o questionário "Avaliação por teledermatologia" após receber as informações, sendo o tempo de resposta de 2 a 7 dias.
No caso de encaminhamento para dermatologia, o GP preencherá "Avaliação por dermatologista presencial", acessando os prontuários eletrônicos à medida que forem sendo disponibilizados, sendo o tempo médio de espera para encaminhamento de 30 a 90 dias.
O número do caso do questionário será o mesmo para todos os questionários e não será possível identificar o paciente, pois o número do caso será predefinido antes do início da fase de coleta de dados.
Para comparar o desempenho do modelo ML com o dos médicos de família e dermatologistas, será necessário um tamanho de amostra de 100 imagens de doenças de pele de pacientes que atendam aos critérios de inclusão. O tamanho da amostra proposto é baseado no cálculo do tamanho da amostra usado em pesquisas semelhantes.
Tipo de estudo
Inscrição (Real)
Estágio
- Não aplicável
Contactos e Locais
Locais de estudo
-
-
Barcelona
-
Navàs, Barcelona, Espanha, 08670
- CAP Navàs
-
-
Critérios de participação
Critérios de elegibilidade
Idades elegíveis para estudo
Aceita Voluntários Saudáveis
Gêneros Elegíveis para o Estudo
Descrição
Critério de inclusão:
- Pacientes com motivo de visita por doença cutânea.
- Pacientes que fornecem consentimento informado por escrito.
- Pacientes com 18 anos de idade ou mais.
Critério de exclusão:
- Pacientes com demência avançada.
- Pacientes com lesão cutânea que não pode ser fotografada com smartphone e imagens com qualidade ruim.
- Pacientes com condições associadas ao risco de baixa adesão ao protocolo.
Plano de estudo
Como o estudo é projetado?
Detalhes do projeto
- Finalidade Principal: DIAGNÓSTICO
- Alocação: N / D
- Modelo Intervencional: SINGLE_GROUP
- Mascaramento: NENHUM
Armas e Intervenções
Grupo de Participantes / Braço |
Intervenção / Tratamento |
|---|---|
|
EXPERIMENTAL: Teste de diagnóstico: modelo de ML
A capacidade diagnóstica do modelo ML será comparada com a dos clínicos gerais e com a dos dermatologistas.
|
O GP, usando uma câmera de smartphone, tirará uma imagem do problema de pele e usará a interface do Autoderm ML para carregar a imagem anônima.
O diagnóstico previsto obtido será registrado em ficha de relato de caso.
|
O que o estudo está medindo?
Medidas de resultados primários
Medida de resultado |
Descrição da medida |
Prazo |
|---|---|---|
|
Sensibilidade do modelo de ML
Prazo: 1 ano
|
Taxa de verdadeiro positivo do modelo de ML
|
1 ano
|
|
Especificidade do modelo de ML
Prazo: 1 ano
|
Taxa negativa verdadeira do modelo ML
|
1 ano
|
|
Precisão do modelo de ML
Prazo: 1 ano
|
Razão entre o número de previsões corretas e o número total de amostras de entrada
|
1 ano
|
|
Área sob a curva característica de operação do receptor do modelo ML
Prazo: 1 ano
|
Capacidade de diagnóstico do modelo de ML
|
1 ano
|
Medidas de resultados secundários
Medida de resultado |
Descrição da medida |
Prazo |
|---|---|---|
|
Taxa de participantes elegíveis que concordam em participar do estudo
Prazo: 1 ano
|
Frequência de pacientes que concordam em participar do ensaio clínico e são elegíveis.
|
1 ano
|
Colaboradores e Investigadores
Patrocinador
Publicações e links úteis
Publicações Gerais
- 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.
Datas de registro do estudo
Datas Principais do Estudo
Início do estudo (REAL)
Conclusão Primária (REAL)
Conclusão do estudo (REAL)
Datas de inscrição no estudo
Enviado pela primeira vez
Enviado pela primeira vez que atendeu aos critérios de CQ
Primeira postagem (REAL)
Atualizações de registro de estudo
Última Atualização Postada (REAL)
Última atualização enviada que atendeu aos critérios de controle de qualidade
Última verificação
Mais Informações
Termos relacionados a este estudo
Palavras-chave
Termos MeSH relevantes adicionais
Outros números de identificação do estudo
- P20/159-P
Plano para dados de participantes individuais (IPD)
Planeja compartilhar dados de participantes individuais (IPD)?
Descrição do plano IPD
Prazo de Compartilhamento de IPD
Critérios de acesso de compartilhamento IPD
Tipo de informação de suporte de compartilhamento de IPD
- PROTOCOLO DE ESTUDO
- CSR
Informações sobre medicamentos e dispositivos, documentos de estudo
Estuda um medicamento regulamentado pela FDA dos EUA
Estuda um produto de dispositivo regulamentado pela FDA dos EUA
Essas informações foram obtidas diretamente do site clinicaltrials.gov sem nenhuma alteração. Se você tiver alguma solicitação para alterar, remover ou atualizar os detalhes do seu estudo, entre em contato com register@clinicaltrials.gov. Assim que uma alteração for implementada em clinicaltrials.gov, ela também será atualizada automaticamente em nosso site .