- ICH GCP
- Amerikanska kliniska prövningsregistret
- Klinisk prövning NCT04843176
Artificiell intelligens vs. LIRADS vid diagnos av HCC på CT
En prototyp av artificiell intelligensalgoritm kontra leveravbildningsrapportering och datasystem (LI-RADS) kriterier för att diagnostisera hepatocellulärt karcinom på datortomografi: en randomiserad studie
Levercancer är den sjätte vanligaste cancerformen och den fjärde vanligaste orsaken till cancerdöd i världen. Det är den tredje vanligaste orsaken till cancerdöd i Hong Kong. Femårsöverlevnaden för levercancer skiljer sig mycket med sjukdomsstadium, från 91,5 % i tidigt skede till 11 % i sent skede. Tidig och korrekt diagnos av levercancer är avgörande för att förbättra canceröverlevnaden. Levercancer diagnostiseras radiologiskt via tvärsnittsavbildning, t.ex. datortomografi (CT), utan rutinmässig användning av leverbiopsi. Med nuvarande internationellt rekommenderade radiologiska rapporteringsmetoder kan dock upp till 49 % av leverskadorna vara osäkra, vilket resulterar i upprepade skanningar och en försening av diagnos och behandling. En algoritm för artificiell intelligens (AI) som korrekt kan diagnostisera levercancer har utvecklats. Baserat på en interimsanalys uppnådde algoritmen en hög diagnostisk noggrannhet. AI-algoritmen är nu redo för implementering.
Denna studie syftar till att prospektivt validera denna AI-algoritm i jämförelse med den nuvarande standarden för radiologisk rapportering på ett randomiserat sätt i riskpopulationen som genomgår trifasisk kontrast-CT. Detta forskningsprojekt är helt oberoende och skilt från den faktiska kliniska rapporteringen av CT-skanningen av den tjänstgörande radiologen. Det primära studieresultatet är den diagnostiska noggrannheten av levercancer, som kommer att vara opartisk baserad på en sammansatt klinisk referensstandard.
Studieöversikt
Status
Betingelser
Intervention / Behandling
Detaljerad beskrivning
Levercancer är den sjätte vanligaste cancerformen och den fjärde vanligaste orsaken till cancerdöd i världen. Den huvudsakliga sjukdomsbördan finns i Östasien, där den åldersstandardiserade incidensen är 26,8 och 8,7 per 100 000 hos män respektive kvinnor. Under 2017, bland de 10 vanligaste cancerformerna i Hongkong, hade levercancer den högsta dödligheten på 84,6 %. Femårsöverlevnaden för hepatocellulärt karcinom (HCC) skiljer sig mycket med sjukdomsstadium, från 91,5% i <2 cm med kirurgisk resektion till 11% i >5 cm med intilliggande organinblandning. Tidig och korrekt diagnos av HCC är avgörande för att förbättra canceröverlevnaden.
Till skillnad från andra vanliga cancerformer, diagnostiseras HCC av mycket karakteristiska dynamiska mönster på kontrastförstärkt tvärsnittsavbildning, utan behov av patologisk bekräftelse. Lever Imaging Reporting and Data System (LI-RADS) etablerades för att standardisera lexikon, tolkning och kommunikation av radiologiska fynd relaterade till HCC. Upp till 49 % av knölarna som identifieras i datortomografi (CT) i riskpopulationen kategoriseras av LI-RADS som obestämda, vilket ytterligare försenar fastställandet av diagnos.
Det finns för närvarande studier som banar väg för tillämpningen av artificiell intelligens (AI) inom området medicinsk bildbehandling. Ett tvärvetenskapligt forskarteam av kliniker, radiologer och statistiska forskare, baserat på den kliniska och radiologiska databasen med över 4 000 leverbilder, och har utvecklat en AI-algoritm för att korrekt diagnostisera levercancer på CT. Baserat på retrospektiva data fann en interimsanalys att AI-algoritmen kunde uppnå en diagnostisk noggrannhet på >97 % och ett negativt prediktivt värde på >99 %.
Kan denna nya prototyp AI-algoritm uppnå bättre prestanda vid diagnos av HCC i riskgruppen jämfört med LI-RADS? Denna fråga är särskilt relevant när nyckeln till förbättrad överlevnad är tidig diagnos, av vilken AI potentiellt kan förbättras. För närvarande beräknas felen i radiolograpporteringen vara 3-5 % från dag till dag, vilket motsvarar 40 miljoner fel per år över hela världen. Denna prototypalgoritm kan vara en lösning för att minska mänsklig misstolkning av radiologiska fynd.
Studietyp
Inskrivning (Förväntat)
Fas
- Inte tillämpbar
Kontakter och platser
Studiekontakt
- Namn: Wai-Kay Seto, MD
- Telefonnummer: 85222553579
- E-post: wkseto@hku.hk
Studera Kontakt Backup
- Namn: Keith Chiu, FRCR
- Telefonnummer: 85222553111
- E-post: kwhchiu@hku.hk
Studieorter
-
-
-
Hong Kong, Hong Kong
- Rekrytering
- Department of Medicine, the University of Hong Kong, Queen Mary Hospital
-
Kontakt:
- Wai-Kay Seto, MD
- Telefonnummer: +85222553579
- E-post: wkseto@hku.hk
-
Underutredare:
- Keith Chiu, FRCR
-
Underutredare:
- Lung Yi Mak, FRCP
-
Underutredare:
- Man-Fung Yuen, MD
-
-
Deltagandekriterier
Urvalskriterier
Åldrar som är berättigade till studier
Tar emot friska volontärer
Kön som är behöriga för studier
Beskrivning
Inklusionskriterier:
1. Ålder >=18 år. 2. Definierat som riskpopulationen som kräver regelbunden leverultraljudsövervakning. Dessa inkluderar:
- Cirrotiska patienter av någon sjukdomsetiologi,
Patienter med kronisk hepatit B i ålder ≥40 år för män, ålder ≥50 år för kvinnor eller med en familjehistoria av HCC.
3. Minst en nyuppsatt fokal leverknöl upptäckts vid leverultraljud.
Exklusions kriterier:
- Leverknölar på <1 cm. För närvarande rapporteras inte sådana knölar med LI-RADS-kriterier men rekommenderas för en upprepad skanning inom 3-6 månader. Hos patienter med flera leverknölar kommer den största knölen att bedömas.
- Patienter med kontraindikationer för kontrast-CT-avbildning, inklusive en historia av kontrastanafylaxi och nedsatt njurfunktion (glomerulär filtrationshastighet <30 ml/min).
- Patienter med tidigare transarteriell kemoembolisering eller andra interventionella procedurer med intrahepatisk injektion av lipiodol. Lipiodol är extremt hyperdens på datortomografi och kommer att förhindra objektiv tolkning. Sådana patienter uteslöts också i utvecklingen av vår prototyp AI-algoritm.
Studieplan
Hur är studien utformad?
Designdetaljer
- Primärt syfte: Diagnostisk
- Tilldelning: Randomiserad
- Interventionsmodell: Parallellt uppdrag
- Maskning: Enda
Vapen och interventioner
Deltagargrupp / Arm |
Intervention / Behandling |
---|---|
Aktiv komparator: Prototyp AI-algoritm
Intern prototyp för djupinlärning av artificiell intelligens
|
Utvecklad av University of Hong Kong
|
Placebo-jämförare: LI_RADS tolkning
LI-RADS kriterier kommer att bedömas oberoende av två specificerade bukradiologer med minst 10 års erfarenhet av tvärsnittsavbildning av buken
|
Lever Imaging Reporting and Data System (LI-RADS) etablerades för att standardisera lexikon, tolkning och kommunikation av radiologiska fynd relaterade till HCC
|
Vad mäter studien?
Primära resultatmått
Resultatmått |
Åtgärdsbeskrivning |
Tidsram |
---|---|---|
Diagnostisk noggrannhet för HCC
Tidsram: 12 månader
|
Antal deltagare som diagnostiserats med HCC med hjälp av en sammansatt klinisk referensstandard.
En lesion kommer att anses vara positiv för HCC baserat på histologi (biopsi, kirurgisk resektion eller explantation) eller uppnående av LR-5-kriterier vid efterföljande bildbehandling.
En lesion kommer att betraktas som negativ för HCC om den visade stabilitet vid avbildning i minst 12 månader, otvetydig spontan minskning eller försvinnande i frånvaro av tumörbehandling.
|
12 månader
|
Sekundära resultatmått
Resultatmått |
Åtgärdsbeskrivning |
Tidsram |
---|---|---|
Andra diagnostiska prestandaparametrar för HCC
Tidsram: 12 månader
|
Antal deltagare som diagnostiserats med HCC med hjälp av en sammansatt klinisk referensstandard.
En lesion kommer att anses vara positiv för HCC baserat på histologi (biopsi, kirurgisk resektion eller explantation) eller uppnående av LR-5-kriterier vid efterföljande bildbehandling.
En lesion kommer att betraktas som negativ för HCC om den visade stabilitet vid avbildning i minst 12 månader, otvetydig spontan minskning eller försvinnande i frånvaro av tumörbehandling.
|
12 månader
|
Tolkningstid
Tidsram: 12 månader
|
Medeltid för AI-tolkning för rekryterade deltagare
|
12 månader
|
Förekomst av tekniska fel
Tidsram: 12 månader
|
Totalt antal tekniska fel
|
12 månader
|
Samarbetspartners och utredare
Sponsor
Samarbetspartners
Studieavstämningsdatum
Studera stora datum
Studiestart (Faktisk)
Primärt slutförande (Förväntat)
Avslutad studie (Förväntat)
Studieregistreringsdatum
Först inskickad
Först inskickad som uppfyllde QC-kriterierna
Första postat (Faktisk)
Uppdateringar av studier
Senaste uppdatering publicerad (Faktisk)
Senaste inskickade uppdateringen som uppfyllde QC-kriterierna
Senast verifierad
Mer information
Termer relaterade till denna studie
Nyckelord
Ytterligare relevanta MeSH-villkor
Andra studie-ID-nummer
- UW 20-445
Plan för individuella deltagardata (IPD)
Planerar du att dela individuella deltagardata (IPD)?
IPD-planbeskrivning
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 .
Kliniska prövningar på HCC
-
Qianfoshan HospitalHar inte rekryterat ännu
-
University of PisaAzienda Ospedaliera Città della Salute e della Scienza di Torino; Fondazione... och andra samarbetspartnersRekrytering
-
Seoul National University HospitalPhilips HealthcareAvslutad
-
Huazhong University of Science and TechnologyOkänd
-
Leiden University Medical CenterMedtronic; ZonMw: The Netherlands Organisation for Health Research and... och andra samarbetspartnersAvslutadHCC | Tidig stadium HCCNederländerna
-
Qianfoshan HospitalHar inte rekryterat ännu
-
Xuhua DuanRekrytering
-
Ain Shams UniversityAvslutad
-
Shenyang Tenth People's HospitalBeijing Tsinghua Changgeng HospitalHar inte rekryterat ännu