- ICH GCP
- Amerikanska kliniska prövningsregistret
- Klinisk prövning NCT06910956
Djupt lärande med röntgenstrålar för att identifiera patienter med hög risk för screening av lungcancer
Djup inlärning med hjälp av rutinmässiga röntgenstrålar och elektroniska medicinska registerdata för att identifiera patienter med hög risk för lungcancer screening CT
Målet med denna kliniska prövning är att utvärdera om ett AI-verktyg som varnar leverantörer för patienter med hög 6-årig risk för lungcancer baserat på deras röntgenbilder för bröstet kommer att förbättra Lung Cancer Screening CT-deltagande. Den huvudsakliga frågan som den syftar till att svara på är: Förbättrar AI -verktyget lungcancer screening CT -deltagande vid 6 månader efter baslinjen för polikliniken
Interventionen är en varning för leverantören för att diskutera lungcancer screening CT-behörighet, för patienter som beaktas med hög risk för lungcancer baserat på CXR-LC AI-verktyg.
Om det finns en jämförelsegrupp: Forskare kommer att jämföra intervention och icke-interventionarmar för att avgöra om Lungcancerskärms-CT-deltagandet ökar.
Studieöversikt
Status
Betingelser
Intervention / Behandling
Studietyp
Inskrivning (Beräknad)
Fas
- Inte tillämpbar
Kontakter och platser
Studiekontakt
- Namn: Michael T Lu, MD, MPH
- Telefonnummer: 617-726-1255
- E-post: mlu@mgh.harvard.edu
Studieorter
-
-
Massachusetts
-
Boston, Massachusetts, Förenta staterna, 02114
- Rekrytering
- Massachusetts General Hospital
-
Kontakt:
- Michael T Lu, MD, MPH
- Telefonnummer: 617-724-9729
- E-post: mlu@mgh.harvard.edu
-
-
Deltagandekriterier
Urvalskriterier
Åldrar som är berättigade till studier
- Vuxen
- Äldre vuxen
Tar emot friska volontärer
Beskrivning
Stora inkluderingskriterier:
- Schemalagd öppenvård med deltagande leverantör.
- 50- till 77-åriga som för närvarande eller tidigare rökt, för att inkludera personer som är potentiellt berättigade till lungscreening baserat på Medicare-riktlinjer.
- Senaste (inom två år) PA bröstradiograf.
Uteslutningskriterier:
• Historia eller tecken/symtom på lungcancer. Nyligen (inom 2 år) bröstkorg. Klinisk indikation för bröst CT utöver screening av lungcancer.
Studieplan
Hur är studien utformad?
Designdetaljer
- Primärt syfte: Undersökning
- Tilldelning: Randomiserad
- Interventionsmodell: Parallellt uppdrag
- Maskning: Dubbel
Vapen och interventioner
Deltagargrupp / Arm |
Intervention / Behandling |
|---|---|
|
Experimentell: Intervention
|
Varning till leverantören för att diskutera lungcancer screening CT-behörighet, för patienter som anses ha hög risk för lungcancer baserat på CXR-LC AI-verktyg.
|
|
Inget ingripande: Icke-intervention
|
Vad mäter studien?
Primära resultatmått
Resultatmått |
Åtgärdsbeskrivning |
Tidsram |
|---|---|---|
|
Proportion som slutför lungcancer screening CT på 6 månader efter besöket
Tidsram: 6 månader
|
För att bedöma påverkan på lungcancer screening CT -deltagande (definieras som att slutföra lungcancer screening CT) under de 6 månaderna efter basbesöket.
|
6 månader
|
Sekundära resultatmått
Resultatmått |
Åtgärdsbeskrivning |
Tidsram |
|---|---|---|
|
Suspicious lung nodules
Tidsram: 6 months
|
Suspicious lung nodules (Lung-RADS 4a or greater, including lung nodules ≥8 mm in diameter) identified on CT or diagnosed lung cancer.
|
6 months
|
Samarbetspartners och utredare
Sponsor
Samarbetspartners
Publikationer och användbara länkar
Allmänna publikationer
- Lu MT, Raghu VK, Mayrhofer T, Aerts HJWL, Hoffmann U. Deep Learning Using Chest Radiographs to Identify High-Risk Smokers for Lung Cancer Screening Computed Tomography: Development and Validation of a Prediction Model. Ann Intern Med. 2020 Nov 3;173(9):704-713. doi: 10.7326/M20-1868. Epub 2020 Sep 1.
- Lee JH, Lee D, Lu MT, Raghu VK, Park CM, Goo JM, Choi SH, Kim H. Deep Learning to Optimize Candidate Selection for Lung Cancer CT Screening: Advancing the 2021 USPSTF Recommendations. Radiology. 2022 Oct;305(1):209-218. doi: 10.1148/radiol.212877. Epub 2022 Jun 14.
- Raghu VK, Walia AS, Zinzuwadia AN, Goiffon RJ, Shepard JO, Aerts HJWL, Lennes IT, Lu MT. Validation of a Deep Learning-Based Model to Predict Lung Cancer Risk Using Chest Radiographs and Electronic Medical Record Data. JAMA Netw Open. 2022 Dec 1;5(12):e2248793. doi: 10.1001/jamanetworkopen.2022.48793.
Studieavstämningsdatum
Studera stora datum
Studiestart (Faktisk)
Primärt slutförande (Beräknad)
Avslutad studie (Beräknad)
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
- 2023P002872
- 2025P002902 (Annan identifierare: Mass General Hospital)
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 .