- ICH GCP
- Реестр клинических исследований США
- Клиническое испытание NCT04636164
Глубокие нейронные сети на точность диагностики кожных заболеваний у недерматологов
Влияние использования глубоких нейронных сетей на точность диагностики кожных заболеваний у врача, не являющегося дерматологом
Справочная информация: Глубокие нейронные сети (DNN) применялись для лечения многих видов кожных заболеваний в экспериментальных условиях.
Цель: Целью этого исследования является подтверждение расширения глубоких нейронных сетей для диагностики кожных заболеваний у врачей, не являющихся дерматологами, в реальных условиях.
Методы: Всего будет зарегистрировано 40 врачей, не являющихся дерматологами, в одной больнице третичного уровня. Они будут рандомизированы в группу DNN и контрольную группу. Сравнивая две группы, исследователи оценят влияние использования глубоких нейронных сетей на диагностику кожных заболеваний с точки зрения точности.
Обзор исследования
Статус
Условия
Вмешательство/лечение
Подробное описание
В группе DNN и контрольной группе эти шаги представляют собой один и тот же процесс.
- Рутинный осмотр и фотографирование поражений кожи для всех подходящих последовательных пациентов.
- Поставить клинический диагноз (ДО-DX)
- Поставить клинический диагноз (ПОСЛЕ-DX)
- посоветуйтесь с дерматологом
В группе DNN после создания BEFORE-DX врачи используют глубокие нейронные сети и делают AFTER-DX с учетом результатов глубоких нейронных сетей (Model Dermatology, build 2020).
В контрольной группе, после выполнения ДО-DX, врачи делают ПОСЛЕ-DX после повторного просмотра изображений поражений кожи.
Основная истина будет основываться на биопсии, если таковая имеется, или на общем диагнозе дерматологов.
Исследователи будут сравнивать точность между группой DNN и контрольной группой после 6 месяцев исследования.
Тип исследования
Регистрация (Действительный)
Фаза
- Непригодный
Контакты и местонахождение
Места учебы
-
-
-
Seoul, Корея, Республика, 03080
- Seoul National University Hospital
-
-
Критерии участия
Критерии приемлемости
Возраст, подходящий для обучения
- ВЗРОСЛЫЙ
- OLDER_ADULT
- РЕБЕНОК
Принимает здоровых добровольцев
Полы, имеющие право на обучение
Описание
Критерии включения:
- врач, не являющийся дерматологом (резиденты), которые согласны участвовать в этом исследовании.
Критерий исключения:
- резиденты дерматологии
- резиденты, не являющиеся дерматологами, которые используют другие глубокие нейронные сети для диагностики кожных поражений
Учебный план
Как устроено исследование?
Детали дизайна
- Основная цель: ДИАГНОСТИКА
- Распределение: РАНДОМИЗИРОВАННЫЙ
- Интервенционная модель: ПАРАЛЛЕЛЬ
- Маскировка: НИКТО
Оружие и интервенции
Группа участников / Армия |
Вмешательство/лечение |
|---|---|
|
ЭКСПЕРИМЕНТАЛЬНАЯ: ДНН группа
использование глубоких нейронных сетей для диагностики повреждений кожи
|
Врачи из группы DNN фотографируют кожное поражение и используют алгоритм, загружая изображения.
|
|
NO_INTERVENTION: Контрольная группа
обычный диагноз
|
Что измеряет исследование?
Первичные показатели результатов
Мера результата |
Мера Описание |
Временное ограничение |
|---|---|---|
|
Топ-1 диагностической точности
Временное ограничение: 6 месяцев подряд
|
частота правильного предсказания Топ-1
|
6 месяцев подряд
|
Вторичные показатели результатов
Мера результата |
Мера Описание |
Временное ограничение |
|---|---|---|
|
Топ-2 и 3 по диагностической точности
Временное ограничение: 6 месяцев подряд
|
частота правильного предсказания Топ-2 и 3
|
6 месяцев подряд
|
|
Инфекционная чувствительность
Временное ограничение: 6 месяцев подряд
|
положительная частота диагностики инфекции
|
6 месяцев подряд
|
|
Чувствительность к злокачественным новообразованиям
Временное ограничение: 6 месяцев подряд
|
Положительный показатель диагностики злокачественных новообразований
|
6 месяцев подряд
|
Соавторы и исследователи
Спонсор
Публикации и полезные ссылки
Общие публикации
- 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.
Даты записи исследования
Изучение основных дат
Начало исследования (ДЕЙСТВИТЕЛЬНЫЙ)
Первичное завершение (ДЕЙСТВИТЕЛЬНЫЙ)
Завершение исследования (ДЕЙСТВИТЕЛЬНЫЙ)
Даты регистрации исследования
Первый отправленный
Впервые представлено, что соответствует критериям контроля качества
Первый опубликованный (ДЕЙСТВИТЕЛЬНЫЙ)
Обновления учебных записей
Последнее опубликованное обновление (ДЕЙСТВИТЕЛЬНЫЙ)
Последнее отправленное обновление, отвечающее критериям контроля качества
Последняя проверка
Дополнительная информация
Термины, связанные с этим исследованием
Ключевые слова
Дополнительные соответствующие термины MeSH
Другие идентификационные номера исследования
- 2020-3233
Планирование данных отдельных участников (IPD)
Планируете делиться данными об отдельных участниках (IPD)?
Информация о лекарствах и устройствах, исследовательские документы
Изучает лекарственный продукт, регулируемый FDA США.
Изучает продукт устройства, регулируемый Управлением по санитарному надзору за качеством пищевых продуктов и медикаментов США.
Эта информация была получена непосредственно с веб-сайта clinicaltrials.gov без каких-либо изменений. Если у вас есть запросы на изменение, удаление или обновление сведений об исследовании, обращайтесь по адресу register@clinicaltrials.gov. Как только изменение будет реализовано на clinicaltrials.gov, оно будет автоматически обновлено и на нашем веб-сайте. .