Calibração da Incerteza Humano-IA para Melhor Segmentação de Lesões Cutâneas
O Efeito da Calibração da Incerteza Humana-IA vs. Apenas Incerteza da IA na Precisão Diagnóstica de Especialistas Humanos para Lesões Cutâneas - um Ensaio Controlado Randomizado.
O objetivo deste estudo randomizado controlado é comparar o efeito de um novo modelo de decisão personalizado com consciência da incerteza (FDM) a um modelo padrão de reconhecimento de imagem na melhoria da precisão diagnóstica, ao mesmo tempo que reduz a incerteza diagnóstica em dermatologistas experientes encarregados de diferenciar melanomas, sinais e outras lesões cutâneas benignas. A principal questão que pretende responder: O FDM é um método viável para uma parceria humano-IA melhorada na qual se constrói confiança, se evitam diagnósticos errados e a incerteza é devidamente introduzida ou reduzida.
Os investigadores esperam ver apenas um ligeiro aumento na precisão diagnóstica coletiva para ambas as intervenções, uma vez que os participantes humanos são dermatologistas qualificados e, portanto, têm altas precisões pré-intervenção.
Os investigadores esperam ver um maior aumento na certeza diagnóstica para a intervenção FDM em comparação com a certeza diagnóstica na intervenção do Modelo Base.
Os investigadores esperam ver uma maior quantidade de mudanças de diagnóstico de incorreto para correto no grupo FDM em comparação com o grupo do Modelo Base.
Os investigadores não esperam qualquer efeito de aprendizagem durante o estudo.
Os participantes começarão por responder a uma série de casos de treino constituídos por imagens de lesões cutâneas. Estes são usados para treinar o seu FDM individual (apenas para o grupo de intervenção FDM). A partir daqui, os participantes serão randomizados em dois braços que determinam a qual das duas intervenções estão expostos. Os participantes resolverão cada caso primeiro sem qualquer intervenção, e esta resposta funcionará como controlo.
Visão geral do estudo
Status
Condições
Intervenção / Tratamento
Descrição detalhada
Tipo de estudo
Inscrição (Estimado)
Estágio
- Não aplicável
Contactos e Locais
Contato de estudo
- Nome: Julie Renata Bjerremand
- Número de telefone: +45 53593700
- E-mail: julierenata@outlook.com
Critérios de participação
Critérios de elegibilidade
Idades elegíveis para estudo
- Filho
- Adulto
- Adulto mais velho
Aceita Voluntários Saudáveis
Descrição
Critérios de Inclusão:
- Dermatologistas certificados com experiência clínica em diagnóstico dermatoscópico.
Critérios de Exclusão:
- Médicos que ainda não concluíram a sua especialização e dermatologistas.
- Dermatologistas sem experiência clínica em diagnóstico dermatoscópico.
Plano de estudo
Como o estudo é projetado?
Detalhes do projeto
- Finalidade Principal: Diagnóstico
- Alocação: Randomizado
- Modelo Intervencional: Atribuição Paralela
- Mascaramento: Nenhum (rótulo aberto)
Armas e Intervenções
Grupo de Participantes / Braço |
Intervenção / Tratamento |
|---|---|
|
Comparador Ativo: Modelo Base
O participante do estudo é apresentado com um caso de um paciente, incluindo dados demográficos (género, idade, localização da lesão) e duas imagens da lesão: 1 imagem geral e 1 imagem dermatoscópica. Primeiro, é-lhe pedido que indique um diagnóstico inicial, juntamente com a sua incerteza auto-percebida para este caso específico, antes de receber a Intervenção 1. Este diagnóstico inicial servirá como controlo. A Intervenção 1 consiste em probabilidades multiclasse geradas por IA (a partir de um modelo treinado num grande conjunto de dados de imagens dermatoscópicas e gerais semelhantes às utilizadas para teste), sendo apenas o diagnóstico mais provável apresentado, acompanhado por estimativas de incerteza em percentagem. Após o input da IA, o participante do estudo tem a oportunidade de alterar o seu diagnóstico e indicar qualquer potencial alteração na incerteza. |
Ver descrição do braço.
Outros nomes:
|
|
Experimental: FDM
O diagnóstico inicial e a indicação da incerteza auto-percebida seguem o mesmo procedimento que para a Intervenção 1. A Intervenção 2 é o diagnóstico mais provável acompanhado por uma incerteza calibrada gerada pelo modelo FDM (ou seja, treinado com as respostas anteriores dos participantes do estudo + as anotações da multidão nos dados de treino + a previsão do modelo base). Após o input da IA, o participante do estudo tem a oportunidade de alterar o seu diagnóstico e indicar qualquer potencial mudança na incerteza. |
Ver descrição do braço
Outros nomes:
|
O que o estudo está medindo?
Medidas de resultados primários
Medida de resultado |
Descrição da medida |
Prazo |
|---|---|---|
|
Precisão
Prazo: Imediatamente após a intervenção.
|
Precisão diagnóstica na diferenciação entre melanoma, nevo e queratose benigna.
Definida como a percentagem de diagnósticos corretos.
A verdade fundamental baseia-se em diagnósticos verificados histopatologicamente.
|
Imediatamente após a intervenção.
|
Medidas de resultados secundários
Medida de resultado |
Descrição da medida |
Prazo |
|---|---|---|
|
Incerteza
Prazo: Imediatamente após a intervenção.
|
Mudanças na incerteza autoavaliada, que varia de 0 (muito incerto) a 10 (muito certo), do período pré-intervenção para o pós-intervenção.
|
Imediatamente após a intervenção.
|
|
Incerteza de corte
Prazo: Imediatamente após a intervenção.
|
A incerteza autoavaliada dos casos em que o participante clicou num botão "gostaria de discutir este caso com um colega".
|
Imediatamente após a intervenção.
|
Outras medidas de resultado
Medida de resultado |
Descrição da medida |
Prazo |
|---|---|---|
|
Tempo
Prazo: Imediatamente após a intervenção.
|
Tempo desde o início até ao fim de cada caso, com um tempo dividido correspondente ao fim da fase de controlo (o momento em que o botão "Mostrar entrada de IA" é clicado).
|
Imediatamente após a intervenção.
|
Colaboradores e Investigadores
Colaboradores
Investigadores
- Cadeira de estudo: Martin Tolsgaard, Professor, Copenhagen Academy for Medical Education and Simulation
Publicações e links úteis
Publicações Gerais
- Kampen, P.J.T. et al. (2026). Uncertainty-Aware Classification: A Human-Guided Bayesian Deep Learning Framework. In: Sudre, C.H., et al. Uncertainty for Safe Utilization of Machine Learning in Medical Imaging. UNSURE 2025. Lecture Notes in Computer Science, vol 16166. Springer, Cham. https://doi.org/10.1007/978-3-032-06593-3_19
Datas de registro do estudo
Datas Principais do Estudo
Início do estudo (Estimado)
Conclusão Primária (Estimado)
Conclusão do estudo (Estimado)
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
Outros números de identificação do estudo
- F-25076782
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 .