- ICH GCP
- Amerikanska kliniska prövningsregistret
- Klinisk prövning NCT05489471
En studie för att bedöma effekten av ett artificiell intelligens (AI)-system på lungröntgenrapportering
En prospektiv studie för att bedöma effekten av ett artificiellt intelligenssystem på rapportering av röntgenstrålar, utvärdera förmågan hos AI-drivna arbetslistor för att förbättra rapporteringstider och förbättra samma dag CT-väg för misstänkt lungcancer
Studien har en initial kort retrospektiv komponent men är övervägande en prospektiv studie med två huvuddelar.
Till en början under en period på 1 månad medan reportrar bekantar sig med programvaran kommer två lokala databaser att granskas av AI-programvaran:
- Ett träningsset med 100 lungröntgenbilder (CXR) av vilka några innehåller knölar och används som träningsredskap med tidigare dokumenterad radiologprestation.
- En uppsättning tidigare rapporterade röntgenbilder av patienter som hänvisats av reportern för CT, grundsanning skapad från den tidigare CT-rapporten och granskning av två radiologer om så krävs.
Detta kommer att möjliggöra jämförelse av fristående radiolog och AI-prestanda
Detta följs av en 6-månadersperiod som involverar flera grupper av reportrar och cirka 20 000 fall som tittar på effekten av ett AI-system som bedömer 10 avvikelser på lungröntgen och rapporterar om känsligheten för upptäckt av lesioner och dess inverkan på reporters förtroende. Specifikt skulle utredarna titta på:
- Missade fyndet av AI, men upptäcktes av reportern
- Korrekt upptäckt fynd av AI
- Missade fyndet av reportern men upptäcktes av AI
Fynd upptäckt av AI men ifrågasatt av reportern
■ AI:s inverkan på
- Radiologisk rapport
- Ytterligare rekommenderad bildbehandling
- Ändra patienthantering
- förbättring av rapportförtroendet som det uppfattas av reportern
En efterföljande 3-månadersperiod som tittade på effekterna av AI producerade arbetslistor på rapportbehandlingstider och patientvägen från lungröntgen till CT. utredarna skulle specifikt titta på:
- antal upptäckta knölar
- antal CXR rekommenderas för uppföljande CT
- tid från CXR till CT
- antal lungcancer upptäckta efter CT[1]
- Tid att rapportera, mätt som tidigare från PACS och rapportering av mjukvarudata
Populationen som ska studeras kommer att vara alla patienter över 16 år som hänvisats av sin allmänläkare till Hull University Hospitals NHS Trust för en lungröntgen och alla röntgenbilder av bröstet som utförs i Hull Royal Infirmary ED radiologi för patienter över 16 år under 6 månaders studietid. ED-avdelningen avbildar patienter från akutmottagningen och slutenvårdspatienter inom sjukhuset.
Alla röntgenbilder kommer att granskas initialt utan granskning av AI-informationen och sedan med hjälp av ytterligare bilder. Reportrar kommer att markera effekten av AI på deras beslut. Alla meningsskiljaktigheter mellan reportern och AI kommer att granskas av seniorreportrar och ett konsensusbeslut fattas.
Studieöversikt
Status
Betingelser
Intervention / Behandling
Detaljerad beskrivning
En prospektiv studie i ett enda centrum, där data kommer att samlas in från Hull University Teaching Hospitals NHS Trust (HUTH).
Allmän läkares lungröntgen sker på de två huvudsjukhusplatserna i Trusten men också på satellitenheter i det lokala samhället. Alla dessa använder samma röntgeninformationssystem (RIS) och lungröntgenstrålar lagras automatiskt på HUTHs bildarkiverings- och kommunikationssystem (PACS).
Röntgenavdelningen på Akutmottagningen på Hull Royal Infirmary tar lungröntgen för akutpatienterna men även inneliggande patienter inom sjukhuset.
Alla lungröntgen kommer att bokas in i RIS, utföras och skickas till PACS-systemet som vanligt. Varje lungröntgen som utförs på en patient som är 16 år eller äldre från någon av ovanstående uppsättningar kommer automatiskt att överföras till AI-servern och när den väl bearbetats överförs AI-rapporten automatiskt till samma PACS-mapp som originalfilmen.
Rapportering av lungröntgen och granskning av AI-informationen kommer att ske under de normala rapporteringstillfällena som genomförs inom röntgenavdelningen av alla personalklasser.
Röntgenavdelningen lägger för närvarande ut viss filmrapportering på entreprenad, men under studietiden kommer ingen av ovanstående undersökningar att läggas ut på entreprenad och all rapportering kommer att utföras av HUTH:s röntgenteammedlemmar.
Röntgenrapportering utförs av en rad röntgenpersonal:
- Konsult radiologer
- Registrator Radiologer under utbildning före FRCR - Fellow vid Royal College of Radiology examen efter FRCR
- Rapporterande radiografer Röntgenavdelningen har för närvarande en personalstyrka på 46 konsulter, 26 specialistregistratorer och 8 rapporterande radiografer. Även om inte alla konsulter eller radiografer utför röntgenrapportering.
Studien kommer att involvera alla grupper av reportrar och utredarna kommer att bedöma svaren från varje grupp såväl som det övergripande resultatet. Deltagarna kommer att identifieras i grupp men inte individuellt.
Studien är uppdelad i tre faser.
Fas ett:
Detta kommer att inträffa omedelbart efter integrationen av AI-systemet till HUTH PACS. Det kommer att finnas en period på en månad där reportrar får erfarenhet av att använda programvaran.
Under denna tid kommer två lokala databaser att granskas med programvaran:
- ett träningsset med 100 lungröntgenfall där några lungknölar finns med motsvarande datortomografi.
- En uppsättning tidigare rapporterade lungröntgenbilder som begärts av allmänläkare (GP's) som remitterades av reportern för akut CT.
Resultaten av dessa kommer att granskas av en liten grupp reportrar. Anledningen till dessa recensioner är tvåfaldig:
- För att ge en översikt över programvaran som kan ge instruktioner för fas två.
- För att möjliggöra en jämförelse mellan tidigare dokumenterad reporterprestanda och AI-prestanda innan den prospektiva studien påbörjas.
Fas två:
Detta kommer att pågå i 6 månader och kommer att omfatta alla lungröntgenbilder för patienter över 16 år från antingen en GP-remiss eller utförd på akutmottagningen (ED) på det akuta sjukhuset, vilket inkluderar olycksfalls- och akutbesök och slutenvårdsstudier. Dessa kommer att skickas till AI-servern för utvärdering, returnerande data kommer att finnas tillgängliga i PACS-mappen med originalbilden. Detta kommer att ske innan filmen blir tillgänglig för rapportering.
Det beräknas att denna fas kommer att omfatta cirka 20 000 undersökningar i ungefär lika stor uppdelning. Kalenderår 2019: GP 23 287 undersökningar och ED 22 042 undersökningar.
GP-filmer valdes då dessa studier ofta är de första undersökningarna som ger upphov till oro angående lungcancer, den tredje fasen inkluderar implementering av AI-genererade arbetslistor för rapportering av misstänkta lungknölar/cancer och utvärdering av effekten på CT samma dag för denna grupp.
ED-filmer som man trodde att dessa skulle vara den bästa datamängden för att utvärdera de tio fynden som upptäckts av programvaran och införandet av AI-genererade arbetslistor i fas 3 kan leda till snabbare rapportering av onormala studier.
Reportrarna kommer att granska den ursprungliga lungröntgen och skapa en rapport. De kommer sedan att granska AI-data och bestämma hur detta skulle påverka deras rapport, detta kommer sedan att registreras.[2] AI:n letar efter tio olika abnormiteter på varje lungröntgen och producerar en värmekarta och procentuell konfidenspoäng om den upptäcker en abnormitet. En enda undersökning kan inte ha några AI-fynd eller flera AI-fynd.
Reportrarna kommer att ange sin bedömning av AI för varje film som rapporteras vid tidpunkten för rapporteringen.
För varje fynd som finns i lungröntgen och/eller AI-utdata kommer läsarna att spela in:
- Missade fyndet av AI, men upptäcktes av reportern
- Korrekt upptäckt fynd av AI
- Missade fyndet av reportern men upptäcktes av AI
- Fynd upptäckt av AI men ifrågasatt av reportern
AI:s inverkan på
Radiologisk rapport
- hjälpsam
- inte hjälpsam
- neutral
Ytterligare rekommenderad bildbehandling
- signifikant
- inte viktigt
Ändra patienthantering
- signifikant
- inte viktigt
Utredarna kommer också att bedöma om AI har ökat förtroendet för att rapportera en abnormitet eller rapportera en studie som normalt.
Alla filmer där reportern inte håller med AI kommer omedelbart att placeras i en PACS-arbetslista och granskas av en senior reporter/reportrar och en överenskommelse kommer överens. Resultatet kommer att läggas in i databasen.
Om en patient rekommenderas att göra en uppföljande lungröntgen eller CT kommer detta att registreras. Dessa uppföljningsundersökningar kommer att granskas av en liten grupp reportrar med upprepad mjukvaruanalys av eventuella röntgenbilder av thorax.
AI-mjukvaran granskar bara den aktuella bilden medan reportern har tillgång till eventuella tidigare undersökningar som kan vara viktiga för att besluta om en abnormitet, detta kommer att spelas in för att bedöma dess effekter.
Reportern kommer att ha ett excel-kalkylblad tillgängligt på PACS-rapporteringsarbetsstationen via en länk till den delade avdelningsenheten med fält för deras rapporteringsgrupp, remisstyp, åtkomstnummer för examen - vilket möjliggör granskning av den individuella undersökningen i händelse av oenighet eller granskning med senare undersökningar, förekomst av tidigare filmer, ett separat fält för varje AI-avvikelse och fält för uppföljande lungröntgen eller CT. Detta kommer att slutföras vid rapporteringstillfället.
I slutet av rapporteringssessionen laddas kalkylarket upp till en central Trust-server, förvaras i en avdelningsmapp och integreras därifrån till en separat lagrad central databas. Endast medlemmar på röntgenavdelningen kommer att ha tillgång till institutionsfoldern och den centrala databasen kommer att hållas separat, tillgänglig för dataansvarig och forskningsledningsgruppen. När de har laddats upp till masterdatabasen kommer de individuella uppgifterna att raderas från radiologimappen. Ingen data kommer att lagras på PACS-arbetsstationerna efter att rapporteringssessionen har slutförts och filen överförts.
Uppgifterna kommer att lagras och behandlas uteslutande inom HUTH. En kopia av huvuddatabasen kommer att göras och ersätter åtkomstnumret med en anonym identifierare. Denna databas kommer att användas för analys.
Fas tre:
Detta kommer att pågå i 3 månader och kommer att omfatta utvecklingen av AI-producerade arbetslistor.
En GP-arbetslista som belyser avvikelser som kan representera malignitet kommer att möjliggöra varmrapportering och CT samma dag vid behov. Förändringarna i tidsfördröjning från lungröntgen till CT kommer att jämföras mellan det nuvarande systemet med radiograftriage av röntgenbilderna och AI-triage.
En ED-arbetslista kommer att tas fram för AI-positiva studier och rapporteringstider för dessa kommer att jämföras med det nuvarande systemet där det inte finns någon filtrering av lungröntgen.
Alla AI-negativa studier kommer att rapporteras. Rapporteringstidsbedömningarna kommer att göras från rutindata inom RIS- och PACS-systemen utan att patientidentifierbara data inkluderas i bedömningarna.
Data kommer att samlas in genom PACS och data kommer att behandlas lokalt i en dedikerad server.
Studietyp
Inskrivning (Förväntat)
Kontakter och platser
Studiekontakt
- Namn: gerard avery, FRCR
- Telefonnummer: +441482623205
- E-post: ged.avery1@nhs.net
Studera Kontakt Backup
- Namn: Oliver Byass, FRCR
- Telefonnummer: +441482623205
- E-post: oliver.byass@nhs.net
Deltagandekriterier
Urvalskriterier
Åldrar som är berättigade till studier
Tar emot friska volontärer
Kön som är behöriga för studier
Testmetod
Studera befolkning
Beskrivning
Inklusionskriterier:
- patient 16 år eller äldre
- Posterior-anterior och Anterior-posterior röntgenbilder av bröstet
- Begärd av allmänläkare eller utförs på akutmottagningens röntgenenhet
Exklusions kriterier:
- Patienter under 16 år
- laterala filmer
- Röntgenbilder av bröstet som är av suboptimal kvalitet, i en utsträckning som bedöms vara otolkbara av reportern
Studieplan
Hur är studien utformad?
Designdetaljer
- Observationsmodeller: Endast fall
- Tidsperspektiv: Blivande
Kohorter och interventioner
Grupp / Kohort |
Intervention / Behandling |
---|---|
Röntgenbilder av bröstet för vuxna
Alla lungröntgenbilder för patienter över 16 år från antingen en GP-remiss eller utförda på akutmottagningen (ED) på det akuta sjukhuset, vilket inkluderar olycksfalls- och akutbesök och slutenvårdsstudier.
|
AI:n letar efter tio olika abnormiteter på varje lungröntgen och producerar en värmekarta och procentuell konfidenspoäng om den upptäcker en abnormitet.
|
Vad mäter studien?
Primära resultatmått
Resultatmått |
Åtgärdsbeskrivning |
Tidsram |
---|---|---|
Radiolog prestationsgranskning
Tidsram: sex månader
|
Att demonstrera AI kan hjälpa till att förbättra radiologens prestanda när det gäller missat fynd av radiolog som upptäckts av AI (som en procentuell felfrekvens)
|
sex månader
|
Sekundära resultatmått
Resultatmått |
Åtgärdsbeskrivning |
Tidsram |
---|---|---|
Lungcancer upptäckt
Tidsram: sex månader
|
Antalet knölar och cancer som endast detekteras av AI (som en procentandel av det totala antalet upptäckta knölar/tumörer).
|
sex månader
|
Förbättring av lungcancervägen
Tidsram: tre månader
|
Tiden mellan lungröntgen och CT-skanning för misstänkt cancer med AI-genererade arbetslistor kommer att jämföras med historiska tidsdata före AI-programvaran.
|
tre månader
|
Rapportera förbättrade handläggningstider
Tidsram: tre månader
|
Tiden mellan att onormal lungröntgen utförs och rapporteras i en AI-driven arbetslista kommer att jämföras med historiska data före AI-systemet
|
tre månader
|
Samarbetspartners och utredare
Samarbetspartners
Utredare
- Huvudutredare: Gerard Avery, Hull University Teaching Hospitals NHS Trust
Publikationer och användbara länkar
Allmänna publikationer
- Turkington PM, Kennan N, Greenstone MA. Misinterpretation of the chest x ray as a factor in the delayed diagnosis of lung cancer. Postgrad Med J. 2002 Mar;78(917):158-60. doi: 10.1136/pmj.78.917.158.
- Jang S, Song H, Shin YJ, Kim J, Kim J, Lee KW, Lee SS, Lee W, Lee S, Lee KH. Deep Learning-based Automatic Detection Algorithm for Reducing Overlooked Lung Cancers on Chest Radiographs. Radiology. 2020 Sep;296(3):652-661. doi: 10.1148/radiol.2020200165. Epub 2020 Jul 21. Erratum In: Radiology. 2022 Feb;302(2):E10.
- Nam JG, Park S, Hwang EJ, Lee JH, Jin KN, Lim KY, Vu TH, Sohn JH, Hwang S, Goo JM, Park CM. Development and Validation of Deep Learning-based Automatic Detection Algorithm for Malignant Pulmonary Nodules on Chest Radiographs. Radiology. 2019 Jan;290(1):218-228. doi: 10.1148/radiol.2018180237. Epub 2018 Sep 25.
- Hwang EJ, Park S, Jin KN, Kim JI, Choi SY, Lee JH, Goo JM, Aum J, Yim JJ, Cohen JG, Ferretti GR, Park CM; DLAD Development and Evaluation Group. Development and Validation of a Deep Learning-Based Automated Detection Algorithm for Major Thoracic Diseases on Chest Radiographs. JAMA Netw Open. 2019 Mar 1;2(3):e191095. doi: 10.1001/jamanetworkopen.2019.1095. Erratum In: JAMA Netw Open. 2019 Apr 5;2(4):e193260.
- Hwang EJ, Lee JH, Kim JH, Lim WH, Goo JM, Park CM. Deep learning computer-aided detection system for pneumonia in febrile neutropenia patients: a diagnostic cohort study. BMC Pulm Med. 2021 Dec 7;21(1):406. doi: 10.1186/s12890-021-01768-0.
- Jones CM, Danaher L, Milne MR, Tang C, Seah J, Oakden-Rayner L, Johnson A, Buchlak QD, Esmaili N. Assessment of the effect of a comprehensive chest radiograph deep learning model on radiologist reports and patient outcomes: a real-world observational study. BMJ Open. 2021 Dec 20;11(12):e052902. doi: 10.1136/bmjopen-2021-052902.
- Kim JH, Kim JY, Kim GH, Kang D, Kim IJ, Seo J, Andrews JR, Park CM. Clinical Validation of a Deep Learning Algorithm for Detection of Pneumonia on Chest Radiographs in Emergency Department Patients with Acute Febrile Respiratory Illness. J Clin Med. 2020 Jun 24;9(6):1981. doi: 10.3390/jcm9061981.
- Jang SB, Lee SH, Lee DE, Park SY, Kim JK, Cho JW, Cho J, Kim KB, Park B, Park J, Lim JK. Deep-learning algorithms for the interpretation of chest radiographs to aid in the triage of COVID-19 patients: A multicenter retrospective study. PLoS One. 2020 Nov 24;15(11):e0242759. doi: 10.1371/journal.pone.0242759. eCollection 2020.
- Hwang EJ, Kim KB, Kim JY, Lim JK, Nam JG, Choi H, Kim H, Yoon SH, Goo JM, Park CM. COVID-19 pneumonia on chest X-rays: Performance of a deep learning-based computer-aided detection system. PLoS One. 2021 Jun 7;16(6):e0252440. doi: 10.1371/journal.pone.0252440. eCollection 2021.
- Hwang EJ, Kim H, Yoon SH, Goo JM, Park CM. Implementation of a Deep Learning-Based Computer-Aided Detection System for the Interpretation of Chest Radiographs in Patients Suspected for COVID-19. Korean J Radiol. 2020 Oct;21(10):1150-1160. doi: 10.3348/kjr.2020.0536. Epub 2020 Jul 17.
- Kim JH, Han SG, Cho A, Shin HJ, Baek SE. Effect of deep learning-based assistive technology use on chest radiograph interpretation by emergency department physicians: a prospective interventional simulation-based study. BMC Med Inform Decis Mak. 2021 Nov 8;21(1):311. doi: 10.1186/s12911-021-01679-4.
- Yoo H, Kim KH, Singh R, Digumarthy SR, Kalra MK. Validation of a Deep Learning Algorithm for the Detection of Malignant Pulmonary Nodules in Chest Radiographs. JAMA Netw Open. 2020 Sep 1;3(9):e2017135. doi: 10.1001/jamanetworkopen.2020.17135.
- Nam JG, Hwang EJ, Kim DS, Yoo SJ, Choi H, Goo JM, Park CM. Undetected Lung Cancer at Posteroanterior Chest Radiography: Potential Role of a Deep Learning-based Detection Algorithm. Radiol Cardiothorac Imaging. 2020 Dec 10;2(6):e190222. doi: 10.1148/ryct.2020190222. eCollection 2020 Dec.
- Yoo H, Lee SH, Arru CD, Doda Khera R, Singh R, Siebert S, Kim D, Lee Y, Park JH, Eom HJ, Digumarthy SR, Kalra MK. AI-based improvement in lung cancer detection on chest radiographs: results of a multi-reader study in NLST dataset. Eur Radiol. 2021 Dec;31(12):9664-9674. doi: 10.1007/s00330-021-08074-7. Epub 2021 Jun 4.
- Lee JH, Sun HY, Park S, Kim H, Hwang EJ, Goo JM, Park CM. Performance of a Deep Learning Algorithm Compared with Radiologic Interpretation for Lung Cancer Detection on Chest Radiographs in a Health Screening Population. Radiology. 2020 Dec;297(3):687-696. doi: 10.1148/radiol.2020201240. Epub 2020 Sep 22.
- Koo YH, Shin KE, Park JS, Lee JW, Byun S, Lee H. Extravalidation and reproducibility results of a commercial deep learning-based automatic detection algorithm for pulmonary nodules on chest radiographs at tertiary hospital. J Med Imaging Radiat Oncol. 2021 Feb;65(1):15-22. doi: 10.1111/1754-9485.13105. Epub 2020 Oct 8.
- Nam JG, Kim M, Park J, Hwang EJ, Lee JH, Hong JH, Goo JM, Park CM. Development and validation of a deep learning algorithm detecting 10 common abnormalities on chest radiographs. Eur Respir J. 2021 May 20;57(5):2003061. doi: 10.1183/13993003.03061-2020. Print 2021 May.
- Kim EY, Kim YJ, Choi WJ, Lee GP, Choi YR, Jin KN, Cho YJ. Performance of a deep-learning algorithm for referable thoracic abnormalities on chest radiographs: A multicenter study of a health screening cohort. PLoS One. 2021 Feb 19;16(2):e0246472. doi: 10.1371/journal.pone.0246472. eCollection 2021. Erratum In: PLoS One. 2021 Apr 28;16(4):e0251045.
- Hwang EJ, Nam JG, Lim WH, Park SJ, Jeong YS, Kang JH, Hong EK, Kim TM, Goo JM, Park S, Kim KH, Park CM. Deep Learning for Chest Radiograph Diagnosis in the Emergency Department. Radiology. 2019 Dec;293(3):573-580. doi: 10.1148/radiol.2019191225. Epub 2019 Oct 22.
- Hwang EJ, Hong JH, Lee KH, Kim JI, Nam JG, Kim DS, Choi H, Yoo SJ, Goo JM, Park CM. Deep learning algorithm for surveillance of pneumothorax after lung biopsy: a multicenter diagnostic cohort study. Eur Radiol. 2020 Jul;30(7):3660-3671. doi: 10.1007/s00330-020-06771-3. Epub 2020 Mar 11.
- Jin KN, Kim EY, Kim YJ, Lee GP, Kim H, Oh S, Kim YS, Han JH, Cho YJ. Diagnostic effect of artificial intelligence solution for referable thoracic abnormalities on chest radiography: a multicenter respiratory outpatient diagnostic cohort study. Eur Radiol. 2022 May;32(5):3469-3479. doi: 10.1007/s00330-021-08397-5. Epub 2022 Jan 1.
Studieavstämningsdatum
Studera stora datum
Studiestart (Förväntat)
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
Andra studie-ID-nummer
- R2757
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
produkt tillverkad i och exporterad från U.S.A.
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 Artificiell intelligens
-
Al Baraka Fertility HospitalAl-Azhar UniversityRekryteringARTIFICIAL INTELLIGENS (AI) APPLIKATIONER INOM REPRODUKTIV MEDICINEgypten
Kliniska prövningar på Granskning av artificiell intelligens
-
Al Baraka Fertility HospitalAl-Azhar UniversityRekryteringARTIFICIAL INTELLIGENS (AI) APPLIKATIONER INOM REPRODUKTIV MEDICINEgypten
-
Dr. Cristobal EstebanOsakidetzaRekrytering
-
SynCardia Systems. LLCGodkänd för marknadsföring
-
University Hospital, GenevaRekryteringBarncancer | Genetisk predisposition | Sen effektSchweiz
-
Wake Forest University Health SciencesNational Cancer Institute (NCI)Avslutad
-
Virginia Commonwealth UniversityMassey Cancer CenterAvslutad
-
Children's Hospital Medical Center, CincinnatiNational Center for Research Resources (NCRR); Rare Diseases Clinical Research...AvslutadPulmonell alveolär proteinosFörenta staterna, Tyskland, Italien, Japan
-
University of California, San DiegoNational Institute of Mental Health (NIMH)RekryteringProblem med psykisk hälsa | Barn, vuxenFörenta staterna
-
University of RochesterNational Cancer Institute (NCI); National Institute on Aging (NIA)RekryteringCancer, avancerad | Kognitiv funktionsnedsättning, lättFörenta staterna