Artificiell Intelligens (AI)-Förbättrad Förbehandlingsprocess med Kollegial Granskning för att Förbättra Patientsäkerheten inom Strålterapi
Utveckling och utvärdering av en AI-förbättrad förbehandlingsprocess med kollegial granskning för att förbättra patientsäkerheten inom strålbehandling
Denna prospektiva studie kommer att testa beslutsstödsverktyg baserade på artificiell intelligens (AI) och maskininlärning (ML). Detta verktyg är utformat för att hjälpa läkare, fysiker och annan personal under peer-review före behandling, ett steg där behandlingsplaner kontrolleras innan en patient påbörjar vård.
Systemet framhäver sammanfattningar som visar hur olika vårdgivare kan skilja sig i sin behandlingsplanering (leverantörsvariabilitetssammanfattningar) och pekar ut de bästa signalerna eller varningstecken att leta efter (optimala ledtrådar). Genom att uppmärksamma dessa mönster och ledtrådar syftar verktyget till att hjälpa granskare att upptäcka möjliga misstag i behandlingsplaneringen tidigare, minska risken för fel och förbättra den övergripande patientsäkerheten.
Studieöversikt
Status
Betingelser
Intervention / Behandling
Detaljerad beskrivning
När strålbehandling (RT) blir mer komplex ökar antalet möjliga felsökvägar. AI-stödd kollegial granskning kan hjälpa till att upptäcka fel som annars kanske inte skulle uppmärksammas och främja konsekventa, rättvisa säkerhetsstandarder på både landsbygds- och stadsmottagningar.
Strålbehandling (RT) används hos cirka 50 % av cancerpatienter och ges vanligtvis på öppenvårdsmottagningar. Nyare tekniker som intensitetsmodulerad strålbehandling (IMRT), volymetrisk modulerad bågterapi (VMAT) och bildstyrd strålbehandling (IGRT) förbättrar behandlingen genom att bättre skydda normalvävnad och ge högre dos i målytor. De är dock mer komplexa och kräver mycket exakt definition av tumörmål och normalvävnad. Även små fel vid konturering av dessa områden kan leda till underbehandling av tumören eller överbehandling av frisk vävnad. Studier visar att fel vid definition av målytor har ökat inom modern strålonkologi. Eftersom dessa behandlingar är mer kognitivt krävande har risken för planeringsfel ökat och, i vissa fall, kan fel orsaka allvarlig skada.
Förbehandlingskollegial granskning är när ett multidisciplinärt team granskar behandlingsplanen innan terapin börjar, vilket är ett viktigt säkerhetssteg och starkt rekommenderas. Den är mest effektiv när den görs innan behandlingen startar, eftersom korrigeringar senare kan orsaka behandlingsförseningar, hastiga ändringar och ökat risk för patientsäkerhet.
På grund av den ökande komplexiteten och arbetsbelastningen finns det ett behov av att stärka och delvis automatisera förbehandlingskollegial granskning. AI/ML-beslutsstödverktyg kan hjälpa till genom att sammanfatta ny information, framhäva ovanliga planeringsdrag och uppmärksamma potentiella riskområden. Dessa verktyg fattar inte behandlingsbeslut. Istället tillhandahåller de analyser och visuella sammanfattningar för att stödja kliniker och minska den kognitiva belastningen.
Eftersom verktyget också belyser skillnader i hur vårdgivare planerar behandlingar, kan det hjälpa till att identifiera variationer i vården och uppmärksamma potentiella hälsoklyftor, vilket stödjer framtida insatser för att förbättra jämlikheten inom strålonkologi.
Studietyp
Inskrivning (Beräknad)
Fas
- Inte tillämpbar
Kontakter och platser
Studiekontakt
- Namn: Olivia Morton
- Telefonnummer: (984) 974-8441
- E-post: olivia_roberts@med.unc.edu
Studera Kontakt Backup
- Namn: Victoria Xu
- Telefonnummer: (984) 974-8444
- E-post: victoria_xu@med.unc.edu
Studieorter
-
-
North Carolina
-
Chapel Hill, North Carolina, Förenta staterna, 27599
- Rekrytering
- University of North Carolina at Chapel Hill, Department of Radiation Oncology
-
Kontakt:
- Olivia Morton
- Telefonnummer: 984-974-8441
- E-post: olivia_roberts@med.unc.edu
-
Huvudutredare:
- Lukasz Mazur, PhD
-
-
Deltagandekriterier
Urvalskriterier
Åldrar som är berättigade till studier
- Vuxen
- Äldre vuxen
Tar emot friska volontärer
Beskrivning
För att delta i denna studie måste en försöksperson uppfylla alla urvalskriterier som beskrivs nedan.
Inklusionskriterier:
Endast vårdpersonal
- ≥18 år
- Deltagare i peer-review vid deltagande kliniker
Endast patienter
- ≥18 år
- Alla patienter med prostatacancer som behandlats med strålterapi vid deltagande kliniker (ingen intervention utförd på patienter)
Exklusionskriterier:
Endast vårdpersonal • Vårdpersonal som inte är villig/kan följa studieprocedurer; kliniker som inte kan implementera arbetsflödet eller tillhandahålla nödvändiga resultat.
Patienter och vårdpersonal
• Har demens, förändrat mentalt tillstånd eller något psykiatriskt eller samsjukdomstillstånd som förhindrar förståelse eller lämnande av informerat samtycke
Studieplan
Hur är studien utformad?
Designdetaljer
- Primärt syfte: Hälsovårdsforskning
- Tilldelning: Icke-randomiserad
- Interventionsmodell: Parallellt uppdrag
- Maskning: Ingen (Open Label)
Vapen och interventioner
Deltagargrupp / Arm |
Intervention / Behandling |
|---|---|
|
Övrig: Leverantörer
Strålbehandlingsleverantörer som deltar i kollegial granskning på deltagande kliniker.
|
Enhet: Det artificiella intelligensens (AI)/maskininlärningens (ML) bidrag till behandlingsplanering
All behandlingsplanering och klinisk övervakning utförs i enlighet med institutionella standarder och etablerade avdelningspolicyer.
Kollegial granskningsverksamhet fortsätter som i rutinmässig klinisk praxis, med tillägget av valfria artificiell intelligens (AI)-genererade analyser tillgängliga för klinisk granskning.
AI / maskininlärningssystemet (ML) är inbäddat i schemalagda avdelningsmöten för kollegial granskning och presenterar analytiska sammanfattningar och visualiseringar via en instrumentpanel som är integrerad i det befintliga kliniska arbetsflödet.
Systemet fungerar enbart som ett beslutsstöd och utför eller initierar inga autonoma behandlingsplaneringsåtgärder, dosleveransändringar eller kliniska interventioner.
Under simuleringsgranskning (SIM) granskas först läkargenererade mål- och riskorganskonturer, i enlighet med standardpraxis.
Först efter denna initiala granskning kan den behandlande läkaren eventuellt komma åt de AI-genererade konturerna för jämförande ändamål.
Andra namn:
|
|
Inget ingripande: Patienter
Prostatacancerpatienter som får strålbehandling bidrar med avidentifierade säkerhetsresultat.
|
Vad mäter studien?
Primära resultatmått
Resultatmått |
Åtgärdsbeskrivning |
Tidsram |
|---|---|---|
|
Procentandel patienter med förändringar i nodalvolymkonturer
Tidsram: Baslinje
|
Procentandel patienter med dokumenterade förändringar av volymkonturerna för lymfkörtlar efter granskning med förstärkt artificiell intelligens (AI).
|
Baslinje
|
Samarbetspartners och utredare
Samarbetspartners
Utredare
- Huvudutredare: Lukasz Mazur, PhD, UNC Lineberger Comprehensive Cancer Center
Publikationer och användbara länkar
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
- LCCC2607
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 .