深度学习使用胸部X射线识别高风险患者进行肺癌筛查CT
2026年5月6日 更新者：Michael T. Lu, MD, MPH、Massachusetts General Hospital
使用常规的胸部X射线和电子病历数据深度学习来识别肺癌筛查的高风险患者CT
这项临床试验的目的是评估根据其胸部X射线图像向肺癌高6年风险的患者提醒提供者的AI工具是否会改善肺癌筛查CT的参与。 它旨在回答的主要问题是：AI工具是否改善了基线门诊后6个月的肺癌筛查CT参与
干预措施是对提供商讨论肺癌筛查CT资格的警报，该肺癌筛查CT资格，对于基于CXR-LC AI工具的肺癌高风险的患者。
如果有一个比较组：研究人员将比较干预和非干预臂，以确定肺癌筛查CT参与是否增加。
研究概览
研究类型
介入性
注册 (估计的)
1500
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。
学习联系方式
- 姓名：Michael T Lu, MD, MPH
- 电话号码：617-726-1255
- 邮箱：mlu@mgh.harvard.edu
学习地点
-
-
Massachusetts
-
Boston、Massachusetts、美国、02114
- 招聘中
- Massachusetts General Hospital
-
接触：
- Michael T Lu, MD, MPH
- 电话号码：617-724-9729
- 邮箱：mlu@mgh.harvard.edu
-
-
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
主要的纳入标准：
- 计划在参与提供者的门诊任命。
- 50至77岁的年轻人，他们目前或以前吸烟，包括根据Medicare指南可能有资格进行肺部筛查的人。
- 最近（2年内）PA胸部X光片。
排除标准：
•肺癌的病史或体征/症状。 最近（2年内）胸部CT。 肺癌筛查以外的胸部CT的临床指示。
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：放映
- 分配：随机化
- 介入模型：并行分配
- 屏蔽：双倍的
武器和干预
参与者组/臂 |
干预/治疗 |
|---|---|
|
实验性的：干涉
|
提醒提供者讨论肺癌筛查CT资格，对于基于CXR-LC AI工具的肺癌高风险的患者。
|
|
无干预：不干涉
|
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 |
|---|---|---|
|
访问后6个月内完成肺癌筛查CT的比例
大体时间：6个月
|
为了评估对肺癌筛查CT参与的影响（定义为完成肺癌筛查CT）。
|
6个月
|
次要结果测量
结果测量 |
措施说明 |
大体时间 |
|---|---|---|
|
Suspicious lung nodules
大体时间：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
|
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。
出版物和有用的链接
负责输入研究信息的人员自愿提供这些出版物。这些可能与研究有关。
一般刊物
- 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.
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)
2025年5月20日
初级完成 (估计的)
2027年7月1日
研究完成 (估计的)
2027年7月1日
研究注册日期
首次提交
2025年3月28日
首先提交符合 QC 标准的
2025年3月28日
首次发布 (实际的)
2025年4月4日
研究记录更新
最后更新发布 (实际的)
2026年5月11日
上次提交的符合 QC 标准的更新
2026年5月6日
最后验证
2026年5月1日
更多信息
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.