Redes neurais profundas na precisão do diagnóstico de doenças de pele em não dermatologistas
25 de outubro de 2022 atualizado por: Pyoeng Gyun Choe
Efeito do uso de redes neurais profundas na precisão do diagnóstico de doenças de pele em médicos não dermatologistas
Introdução: Redes neurais profundas (DNN) têm sido aplicadas a muitos tipos de doenças de pele em ambientes experimentais.
Objetivo: O objetivo deste estudo é confirmar o aumento de redes neurais profundas para o diagnóstico de doenças de pele em médicos não dermatologistas em um cenário do mundo real.
Métodos: Serão incluídos 40 médicos não dermatologistas em um único hospital terciário. Eles serão randomizados para um grupo DNN e um grupo controle. Ao comparar dois grupos, os pesquisadores estimarão o efeito do uso de redes neurais profundas no diagnóstico de doenças de pele em termos de precisão.
Visão geral do estudo
Status
Rescindido
Condições
Intervenção / Tratamento
Descrição detalhada
No grupo DNN e no grupo de controle, essas etapas são o mesmo processo.
- Exame de rotina e captura de fotografias de lesões de pele para todos os pacientes elegíveis da série consecutiva.
- Faça um diagnóstico clínico (ANTES-DX)
- Faça um diagnóstico clínico (AFTER-DX)
- consultar a dermatologista
No grupo DNN, após fazer o ANTES-DX, os médicos usam redes neurais profundas e fazem um DEPOIS-DX considerando os resultados das redes neurais profundas (Model Dermatology, build 2020).
No grupo controle, após fazer o ANTES-DX, os médicos fazem um DEPOIS-DX, revisando novamente as fotos das lesões cutâneas.
A verdade fundamental será baseada na biópsia, se disponível, ou no diagnóstico de consenso dos dermatologistas.
Os investigadores irão comparar a precisão entre o grupo DNN e o grupo controle após 6 meses consecutivos de estudo.
Tipo de estudo
Intervencional
Inscrição (Real)
55
Estágio
- Não aplicável
Contactos e Locais
Esta seção fornece os detalhes de contato para aqueles que conduzem o estudo e informações sobre onde este estudo está sendo realizado.
Locais de estudo
-
-
-
Seoul, Republica da Coréia, 03080
- Seoul National University Hospital
-
-
Critérios de participação
Os pesquisadores procuram pessoas que se encaixem em uma determinada descrição, chamada de critérios de elegibilidade. Alguns exemplos desses critérios são a condição geral de saúde de uma pessoa ou tratamentos anteriores.
Critérios de elegibilidade
Idades elegíveis para estudo
- ADULTO
- OLDER_ADULT
- CRIANÇA
Aceita Voluntários Saudáveis
Não
Gêneros Elegíveis para o Estudo
Tudo
Descrição
Critério de inclusão:
- médico não dermatologista (residente) que concordar em participar deste estudo
Critério de exclusão:
- residentes de dermatologia
- residentes não dermatológicos que utilizam outras redes neurais profundas para diagnóstico de lesões cutâneas
Plano de estudo
Esta seção fornece detalhes do plano de estudo, incluindo como o estudo é projetado e o que o estudo está medindo.
Como o estudo é projetado?
Detalhes do projeto
- Finalidade Principal: DIAGNÓSTICO
- Alocação: RANDOMIZADO
- Modelo Intervencional: PARALELO
- Mascaramento: NENHUM
Armas e Intervenções
Grupo de Participantes / Braço |
Intervenção / Tratamento |
|---|---|
|
EXPERIMENTAL: Grupo DNN
usando redes neurais profundas para diagnóstico de lesões de pele
|
Os médicos do grupo DNN tiram fotos da lesão de pele e usam o algoritmo fazendo upload de fotos.
|
|
SEM_INTERVENÇÃO: Grupo de controle
diagnóstico convencional
|
O que o estudo está medindo?
Medidas de resultados primários
Medida de resultado |
Descrição da medida |
Prazo |
|---|---|---|
|
Precisão de diagnóstico de primeira linha
Prazo: 6 meses consecutivos
|
frequência de previsão correta do Top 1
|
6 meses consecutivos
|
Medidas de resultados secundários
Medida de resultado |
Descrição da medida |
Prazo |
|---|---|---|
|
Precisão de diagnóstico top-2 e 3
Prazo: 6 meses consecutivos
|
frequência de previsão correta do Top 2 e 3
|
6 meses consecutivos
|
|
Sensibilidade à infecção
Prazo: 6 meses consecutivos
|
taxa positiva de diagnóstico de infecção
|
6 meses consecutivos
|
|
Sensibilidade à malignidade
Prazo: 6 meses consecutivos
|
Taxa positiva de diagnóstico de malignidade
|
6 meses consecutivos
|
Colaboradores e Investigadores
É aqui que você encontrará pessoas e organizações envolvidas com este estudo.
Patrocinador
Publicações e links úteis
A pessoa responsável por inserir informações sobre o estudo fornece voluntariamente essas publicações. Estes podem ser sobre qualquer coisa relacionada ao estudo.
Publicações Gerais
- Wang P, Liu X, Berzin TM, Glissen Brown JR, Liu P, Zhou C, Lei L, Li L, Guo Z, Lei S, Xiong F, Wang H, Song Y, Pan Y, Zhou G. Effect of a deep-learning computer-aided detection system on adenoma detection during colonoscopy (CADe-DB trial): a double-blind randomised study. Lancet Gastroenterol Hepatol. 2020 Apr;5(4):343-351. doi: 10.1016/S2468-1253(19)30411-X. Epub 2020 Jan 22. Erratum In: Lancet Gastroenterol Hepatol. 2020 Apr;5(4):e3.
- Lin H, Li R, Liu Z, Chen J, Yang Y, Chen H, Lin Z, Lai W, Long E, Wu X, Lin D, Zhu Y, Chen C, Wu D, Yu T, Cao Q, Li X, Li J, Li W, Wang J, Yang M, Hu H, Zhang L, Yu Y, Chen X, Hu J, Zhu K, Jiang S, Huang Y, Tan G, Huang J, Lin X, Zhang X, Luo L, Liu Y, Liu X, Cheng B, Zheng D, Wu M, Chen W, Liu Y. Diagnostic Efficacy and Therapeutic Decision-making Capacity of an Artificial Intelligence Platform for Childhood Cataracts in Eye Clinics: A Multicentre Randomized Controlled Trial. EClinicalMedicine. 2019 Mar 17;9:52-59. doi: 10.1016/j.eclinm.2019.03.001. eCollection 2019 Mar.
- 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.
- Han SS, Park I, Eun Chang S, Lim W, Kim MS, Park GH, Chae JB, Huh CH, Na JI. Augmented Intelligence Dermatology: Deep Neural Networks Empower Medical Professionals in Diagnosing Skin Cancer and Predicting Treatment Options for 134 Skin Disorders. J Invest Dermatol. 2020 Sep;140(9):1753-1761. doi: 10.1016/j.jid.2020.01.019. Epub 2020 Mar 31.
- Sellheyer K, Bergfeld WF. A retrospective biopsy study of the clinical diagnostic accuracy of common skin diseases by different specialties compared with dermatology. J Am Acad Dermatol. 2005 May;52(5):823-30. doi: 10.1016/j.jaad.2004.11.072.
- Cui X, Wei R, Gong L, Qi R, Zhao Z, Chen H, Song K, Abdulrahman AAA, Wang Y, Chen JZS, Chen S, Zhao Y, Gao X. Assessing the effectiveness of artificial intelligence methods for melanoma: A retrospective review. J Am Acad Dermatol. 2019 Nov;81(5):1176-1180. doi: 10.1016/j.jaad.2019.06.042. Epub 2019 Jun 27.
- Tschandl P, Codella N, Akay BN, Argenziano G, Braun RP, Cabo H, Gutman D, Halpern A, Helba B, Hofmann-Wellenhof R, Lallas A, Lapins J, Longo C, Malvehy J, Marchetti MA, Marghoob A, Menzies S, Oakley A, Paoli J, Puig S, Rinner C, Rosendahl C, Scope A, Sinz C, Soyer HP, Thomas L, Zalaudek I, Kittler H. Comparison of the accuracy of human readers versus machine-learning algorithms for pigmented skin lesion classification: an open, web-based, international, diagnostic study. Lancet Oncol. 2019 Jul;20(7):938-947. doi: 10.1016/S1470-2045(19)30333-X. Epub 2019 Jun 12.
Datas de registro do estudo
Essas datas acompanham o progresso do registro do estudo e os envios de resumo dos resultados para ClinicalTrials.gov. Os registros do estudo e os resultados relatados são revisados pela National Library of Medicine (NLM) para garantir que atendam aos padrões específicos de controle de qualidade antes de serem publicados no site público.
Datas Principais do Estudo
Início do estudo (REAL)
27 de novembro de 2020
Conclusão Primária (REAL)
27 de novembro de 2021
Conclusão do estudo (REAL)
27 de dezembro de 2021
Datas de inscrição no estudo
Enviado pela primeira vez
13 de novembro de 2020
Enviado pela primeira vez que atendeu aos critérios de CQ
13 de novembro de 2020
Primeira postagem (REAL)
19 de novembro de 2020
Atualizações de registro de estudo
Última Atualização Postada (REAL)
27 de outubro de 2022
Última atualização enviada que atendeu aos critérios de controle de qualidade
25 de outubro de 2022
Última verificação
1 de outubro de 2022
Mais Informações
Termos relacionados a este estudo
Palavras-chave
Termos MeSH relevantes adicionais
Outros números de identificação do estudo
- 2020-3233
Plano para dados de participantes individuais (IPD)
Planeja compartilhar dados de participantes individuais (IPD)?
NÃO
Informações sobre medicamentos e dispositivos, documentos de estudo
Estuda um medicamento regulamentado pela FDA dos EUA
Não
Estuda um produto de dispositivo regulamentado pela FDA dos EUA
Não
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 .