Använda artificiell intelligens för att hjälpa läkare att identifiera olika hudåkommor och förbättra patientvården (LegitHealthSAN)
En flerläsares flerfallstudie för att utvärdera Legit.Health Plus-enhetens inverkan på vårdpersonalens bedömning av hudförändringar
Denna studie syftar till att fastställa om en medicinsk apparat med artificiell intelligens (AI) kan hjälpa läkare att mer exakt identifiera ett brett spektrum av hudåkommor och förbättra effektiviteten i patientkonsultationer. Även om många patienter söker primärvård för hudproblem, kan allmänläkare ibland ha olika åsikter jämfört med specialister, vilket kan leda till förseningar i att få rätt behandling.
Forskarna antog att användningen av AI-verktyget skulle öka den sanna diagnostiska noggrannheten hos vårdpersonal för flera hudåkommor. För att testa detta utvärderade 16 läkare (inklusive 10 allmänläkare och 6 dermatologer) 29 olika medicinska bilder.
För varje fall följde läkarna en strukturerad process:
- Inledande bedömning: Läkare gav först en diagnos baserad enbart på patientens bild och sjukhistoria.
- AI-stöd: Läkarna fick sedan se AI:ns fem främsta föreslagna diagnoser och konfidensnivåer för att se om de önskade justera sitt slutliga beslut.
- Klinisk användbarhet: Läkarna angav också om patienten behövde en specialistremiss och om fallet kunde hanteras genom en fjärrkonsultation (online).
Den primära frågan som studien försökte besvara var om AI-stöd kunde förbättra korrekta diagnoser signifikant över 13 olika typer av hudpatologier – från vanliga utslag till hudcancer – samtidigt som konsultationsprocessen blev snabbare och mer effektiv för både läkare och patienter.
Studieöversikt
Status
Status
Betingelser
Betingelser
Intervention / Behandling
Intervention / Behandling
Detaljerad beskrivning
Denna detaljerade beskrivning beskriver den kliniska metodiken, det tekniska ramverket och dataintegritetsprotokollen som används i undersökningen av den medicinska anordningen Legit Health Plus för hudpatologier inom primärvård och dermatologi.
Studiedesign och teknisk metodik Forskningen genomfördes som en prospektiv observationsstudie och tvärsnittsstudie med självkontroll. Den använde ett Multi-Reader Multi-Case (MRMC)-ramverk för att utvärdera inverkan av datorstödd diagnos (CAD) på klinikers prestanda.
- Självkontrollerat ramverk: Varje vårdpersonal (HCP) fungerade som sin egen jämförelse, och gav först diagnoser utan användning av anordningen och därefter med stöd av anordningen på samma uppsättning bilder.
- Utvärderingsarbetsflöde: Deltagarna fick tillgång till en säker webbaserad plattform för att granska 29 kliniska fall. För varje fall gav läkarna en initial diagnos baserad på en bild och medicinsk historia, följt av en slutlig diagnos efter att ha granskat AI:s fem främsta föreslagna kategorier enligt International Classification of Diseases (ICD) och konfidensnivåer.
- Bedömning av klinisk nytta: Studien inkluderade ett specifikt frågeformulär för att utvärdera nyttan av data, minskning av konsultationstid och förtroende för att fatta fjärrkliniska beslut.
- Patologisk mångfald: Datamängden inkluderade 13 olika hudåkommor, från vanliga åkommor som akne och dermatit till maligna tillstånd som melanom och basaliom.
Kvalitetssäkring och datahantering
För att säkerställa den vetenskapliga integriteten i undersökningen implementerades följande kvalitets- och övervakningsprotokoll:
- Datavalidering och kontroller: En valideringsprocess genomfördes genom att köra datorfilter baserade på valideringsregler för att automatiskt identifiera saknade värden eller inkonsekvenser. Manuell redigering och explorativa statistiska tekniker användes också för att komplettera feldetektering.
- Övervakningsplan: Undersökningen övervakades av en utsedd klinisk monitor, oberoende av undersökningsplatsen, för att säkerställa skyddet av försökspersoners rättigheter och dataexakthet. Övervakningen inkluderade fjärrmöten via video eller telefon var tredje månad.
- Minimering av bias: HCP:er valdes slumpmässigt för att säkerställa att resultaten inte påverkades av deltagarnas förut existerande egenskaper. Standardiserade procedurer för att genomföra studien och mäta resultat följdes strikt för att minska variation.
Etiskt och konfidentialitetsramverk Studien följde ISO 14155:2021, Helsingforsdeklarationen och den allmänna dataskyddsförordningen (GDPR).
- Anonymisering: Alla kliniska bilder var helt anonymiserade och hämtade från offentliga dermatologiska atlaser, och innehöll ingen information som skulle kunna identifiera patienter.
- Datasäkerhet: Alla datainlägg tidsstämplades, krypterades med branschstandard för säkerhetsprotokoll och lagrades i en säker central databas.
- Datakvarhållning: Efter avslutad studie och utkast till slutrapport är all information som lagras i anordningsplattformen planerad att permanent raderas.
Studietyp
Studietyp
Inskrivning (Faktisk)
Inskrivning
Kontakter och platser
Studieorter
-
-
Basque Country
-
Bilbao, Basque Country, Spanien
- AI Labs Group S.L.
-
-
Deltagandekriterier
Urvalskriterier
Urvalskriterier
Åldrar som är berättigade till studier
- Vuxen
- Äldre vuxen
Tar emot friska volontärer
Testmetod
Studera befolkning
Studiepopulationen består av legitimerade hälso- och sjukvårdspersonal som rekryterats från de kliniska områdena allmänmedicin och dermatologi. Deltagargruppen inkluderar:
- Primärvårdspraktiker: Allmänläkare som ofta är den första kontakten för patienter med dermatologiska symptom.
- Specialistdermatologer: Läkare med avancerad expertis inom hudpatologier och sällsynta tillstånd.
- Erfarenhetsnivå: Kohorten inkluderar praktiker med minst 5 års klinisk erfarenhet inom sina respektive specialiteter.
Deltagarna rekryterades för att delta i en fjärrbaserad, webbaserad utvärderingsmiljö snarare än att väljas från ett enda fysiskt sjukhus eller stad. De kliniska bilder som utvärderades som en del av studiens "fall" hämtades från internationella offentliga dermatologiatlaser och befintliga forskningsdatabaser från sponsorn, vilket representerar en mångsidig global patientpopulation.
Beskrivning
Inklusionskriterier:
- Specialistcertifierade allmänläkare och dermatologer, oavsett deras yrkeserfarenhet.
- Högkvalitativa bilder av patienter med olika hudtillstånd.
Exklusionskriterier:
- Lågkvalitativa bilder av patienter som inte kan analyseras ordentligt.
Studieplan
Hur är studien utformad?
Designdetaljer
Antal grupper/kohorter
Kohorter och interventioner
Grupp / KohortGrupp / Kohort |
Intervention / BehandlingIntervention / Behandling |
|---|---|
|
Vårdpersonal (Allmänläkare och Dermatologer)
Denna grupp består av legitimerade hälso- och sjukvårdspersonal (HCP) som fungerar som "läsare" i denna flerläsare-flerfall (MRMC)-studie.
Kohorten är unikt karakteriserad av sin interna jämförelse: varje deltagare fungerar som sin egen kontroll.
- Dubbla professionella roller: Gruppen inkluderar 10 allmänläkare (PCP) och 6 dermatologer, vilket möjliggör en jämförelse mellan generalisters och specialisters diagnostiska baslinjeprestanda.
- Interventionspåverkan: Alla deltagare utvärderas under två distinkta förhållanden: först, att ge en diagnos baserad enbart på kliniska bilder och patienthistorik; därefter, att ge en diagnos med hjälp av den AI-baserade medicintekniska produktens 5 främsta förslag och konfidensnivåer.
- Klinisk expertis: Varje medlem i kohorten har minst 5 års klinisk erfarenhet inom sitt respektive område.
|
Interventionen består av en medicinteknisk produkt med endast programvara för datorassisterad diagnos (CAD) som använder datorseendealgoritmer för att analysera digitala bilder av hudstrukturer.
Under studien använder vårdpersonal verktyget som ett diagnostiskt stödsystem för att hjälpa till vid utvärderingen av komplexa dermatologiska tillstånd.
|
Vad mäter studien?
Primära resultatmått
Primära resultatmått
Resultatmått |
Åtgärdsbeskrivning |
Tidsram |
|---|---|---|
|
Diagnostisk noggrannhet för flera dermatologiska tillstånd med och utan stöd av artificiell intelligens
Tidsram: Dag 1
|
Denna mätning utvärderar "Top-1" diagnostisk noggrannhet hos hälso- och sjukvårdspersonal. Noggrannheten bestäms genom att jämföra klinikerns identifierade diagnos – både före och efter att ha fått AI-enhetens 5 främsta förslag och konfidensnivåer – mot en bekräftad referensstandard (bekräftad av dermatologer eller anatomisk patologi).
|
Dag 1
|
Sekundära resultatmått
Sekundära resultatmått
Resultatmått |
Åtgärdsbeskrivning |
Tidsram |
|---|---|---|
|
Förändring i remissfrekvens inom dermatologi med stöd av artificiell intelligens.
Tidsram: Dag 1
|
Detta resultat bekräftar andelen fall som praktiserande läkare bedömer ska remitteras till en dermatologisk specialist efter att ha granskat den AI-tillhandahållna informationen, som inkluderar malignitetsindex och remissrekommendationer.
|
Dag 1
|
|
Procentandel av fall som bedöms hanterbara via fjärrkonsultation.
Tidsram: Dag 1
|
Detta mått bedömer praktikerns utvärdering av om ett fall kan bekräftas och behandlas på distans genom teledermatologi baserat på AI-analysen.
|
Dag 1
|
|
Klinisk nytta och användbarhetspoäng för diagnostiskt stöd.
Tidsram: Dag 1
|
Detta resultat utvärderar den upplevda nyttan av enheten med hjälp av ett kliniskt nyttofrågeformulär. Det mäter genomsnittlig nytta av data (på en skala från 0 till 10, där 10 är mest användbar), systemanvändbarhetspoäng och effekten på minskad konsultationstid.
|
Dag 1
|
Samarbetspartners och utredare
Sponsor
Sponsor
Utredare
Utredare
- Huvudutredare: Antonio Martorell, PhD, Hospital Universitari de Manises
Publikationer och användbara länkar
Användbara länkar
Studieavstämningsdatum
Studera stora datum
Studiestart (Faktisk)
Studiestart
Primärt slutförande (Faktisk)
Primärt slutförande
Avslutad studie (Faktisk)
Avslutad studie
Studieregistreringsdatum
Först inskickad
Först inskickad
Först inskickad som uppfyllde QC-kriterierna
Först inskickad som uppfyllde QC-kriterierna
Första postat (Faktisk)
Första postat
Uppdateringar av studier
Senaste uppdatering publicerad (Faktisk)
Senaste uppdatering publicerad
Senaste inskickade uppdateringen som uppfyllde QC-kriterierna
Senaste inskickade uppdateringen som uppfyllde QC-kriterierna
Senast verifierad
Senast verifierad
Mer information
Termer relaterade till denna studie
Ytterligare relevanta MeSH-villkor
- Patologiska processer
- Neoplasmer efter plats
- Neoplasmer
- Patologiska tillstånd, anatomiska
- Bindvävssjukdomar
- Immunsystemets sjukdomar
- Infektioner
- Virussjukdomar
- Neoplasmer efter histologisk typ
- Överkänslighet, Omedelbar
- Överkänslighet
- DNA-virusinfektioner
- Hudsjukdomar, Papulosquamous
- Hudsår
- Neuroektodermala tumörer
- Neoplasmer, könsceller och embryonala
- Neoplasmer, nervvävnad
- Hypotrichosis
- Hårsjukdomar
- Bakteriella infektioner och mykoser
- Hudsjukdomar, vaskulära
- Hudsjukdomar, Smittsamma
- Neuroendokrina tumörer
- Akneiforma utbrott
- Talgkörtelsjukdomar
- Herpesviridae-infektioner
- Nevi och melanom
- Neoplasmer i huden
- Keratos
- Hudsjukdomar, virala
- Granulom
- Kollagen sjukdomar
- Mykoser
- Dermatomykoser
- Nekrobiotiska störningar
- Patologiska tillstånd, tecken och symtom
- Hud- och bindvävssjukdomar
- Alopeci
- Psoriasis
- Dermatit
- Acne vulgaris
- Melanom
- Hudsjukdomar
- Herpes simplex
- Trycksår
- Urtikaria
- Granuloma Annulare
- Nevus
- Tinea
- Keratos, seborroisk
Andra studie-ID-nummer
Andra studie-ID-nummer
- Legit.Health_SAN_2024
- EUPAS1000000911 (Annan identifierare: European Medicines Agency)
Plan för individuella deltagardata (IPD)
Planerar du att dela individuella deltagardata (IPD)?
Läkemedels- och apparatinformation, studiedokument
Studerar en amerikansk FDA-reglerad läkemedelsprodukt
Studerar en amerikansk FDA-reglerad produktprodukt
Denna information hämtades direkt från webbplatsen clinicaltrials.gov utan några ändringar. Om du har några önskemål om att ändra, ta bort eller uppdatera dina studieuppgifter, vänligen kontakta register@clinicaltrials.gov. Så snart en ändring har implementerats på clinicaltrials.gov, kommer denna att uppdateras automatiskt även på vår webbplats .