标准白光与人工智能支持的内窥镜检查中膀胱癌检测的研究-02 (RAISE02)
2025年1月13日 更新者：Cystotech
这项研究旨在调查人工智能支持工具在检测膀胱癌方面是否不逊色于传统方法、标准白光膀胱镜检查 (WLC)。
研究人员将通过受控、有组织的测试过程来比较人工智能工具和 WLC 在检测膀胱癌方面的表现。
研究概览
详细说明
这项临床研究旨在在随机对照试验中确认利用卷积神经网络 (CNN) 的人工智能模型可以实现检测膀胱癌的灵敏度，其灵敏度不劣于传统白光膀胱镜检查 (WLC)。
研究中的人工智能设备利用了 CNN 的先进功能，CNN 是一种深度学习模型，旨在高精度分析视觉图像。
研究类型
介入性
注册 (估计的)
64
阶段
- 不适用
联系人和位置
本节提供了进行研究的人员的详细联系信息，以及有关进行该研究的地点的信息。
学习地点
-
-
-
Aarhus、丹麦、8200
- Department of Urology, Aarhus University Hospital
-
-
参与标准
研究人员寻找符合特定描述的人，称为资格标准。这些标准的一些例子是一个人的一般健康状况或先前的治疗。
资格标准
适合学习的年龄
- 成人
- 年长者
接受健康志愿者
不
描述
纳入标准：
- 男性和女性成人，年龄>18岁
怀疑原发性或复发性膀胱癌
愿意签署 CI 知情同意书 (ICF)
能够理解口头和书面的患者信息手册 (PIL)
排除标准：
- 无法或不愿意签署知情同意书
学习计划
本节提供研究计划的详细信息，包括研究的设计方式和研究的衡量标准。
研究是如何设计的？
设计细节
- 主要用途：其他
- 分配：随机化
- 介入模型：并行分配
- 屏蔽：无（打开标签）
武器和干预
参与者组/臂 |
干预/治疗 |
|---|---|
|
无干预：无线控制器检测
膀胱癌的检测是根据最先进的白光模式程序进行的。
|
|
|
实验性的：AI模型-WLC支持检测
在售前人工智能支持工具的支持下，在白光下检测膀胱癌。
|
白光膀胱镜检查期间人工智能模型支持的膀胱癌检测
|
研究衡量的是什么？
主要结果指标
结果测量 |
措施说明 |
大体时间 |
|---|---|---|
|
标准 WLC 的灵敏度与 AI 模型辅助的 WLC 相比，评估的非劣效性裕度为 5%。
大体时间：7个月
|
在随机对照试验中确定 AI 模型在灵敏度方面是否不劣于标准 WLC。
|
7个月
|
合作者和调查者
在这里您可以找到参与这项研究的人员和组织。
赞助
调查人员
- 首席研究员：Jakobsen、Department of Urology, Aarhus University Hospital, denmark
研究记录日期
这些日期跟踪向 ClinicalTrials.gov 提交研究记录和摘要结果的进度。研究记录和报告的结果由国家医学图书馆 (NLM) 审查，以确保它们在发布到公共网站之前符合特定的质量控制标准。
研究主要日期
学习开始 (实际的)
2024年11月20日
初级完成 (估计的)
2025年4月1日
研究完成 (估计的)
2025年5月1日
研究注册日期
首次提交
2025年1月13日
首先提交符合 QC 标准的
2025年1月13日
首次发布 (实际的)
2025年3月25日
研究记录更新
最后更新发布 (实际的)
2025年3月25日
上次提交的符合 QC 标准的更新
2025年1月13日
最后验证
2025年1月1日
更多信息
与本研究相关的术语
其他相关的 MeSH 术语
其他研究编号
- RAISE02-24-02
计划个人参与者数据 (IPD)
计划共享个人参与者数据 (IPD)？
不
IPD 计划说明
共享 IPD 与合作协议冲突。
药物和器械信息、研究文件
研究美国 FDA 监管的药品
不
研究美国 FDA 监管的设备产品
不
此信息直接从 clinicaltrials.gov 网站检索，没有任何更改。如果您有任何更改、删除或更新研究详细信息的请求，请联系 register@clinicaltrials.gov. clinicaltrials.gov 上实施更改，我们的网站上也会自动更新.