使用人工智能医疗设备帮助普苏埃洛和马哈达翁达健康中心的初级保健医生识别和管理成年患者的皮肤疾病(肿瘤、炎症和感染性疾病)
利用人工智能工具加强初级保健中心皮肤病学电子会诊的项目。
本观察性研究旨在了解人工智能(AI)工具是否有助于初级保健医生更好地识别皮肤疾病。 该研究重点关注患有疑似皮肤病变的成年人,包括肿瘤性、炎症性和感染性疾病。
研究主要试图回答以下问题:
- 使用AI工具是否有助于医生对多种皮肤疾病做出更准确的诊断?
- 该工具是否有助于医生更好地决定哪些患者需要转诊至皮肤科医生,哪些可在初级保健中处理?
- 医生对该工具在日常工作中的效果和易用性是否满意?
- 该工具是否有助于医生更准确地区分良性病变和皮肤癌?
参与者将:
- 前往初级保健医生处进行常规皮肤检查。
- 使用智能手机或皮肤镜拍摄皮肤状况的照片。
- 提供知情同意,允许AI工具分析其照片和基本健康信息(如年龄和性别)。
- 接受医生的标准护理,同时该工具将提供第二意见以辅助临床决策过程。
研究概览
详细说明
这项前瞻性观察研究评估了一种基于人工智能(AI)的计算软件设备的临床实用性,该设备旨在支持初级保健医生(PCPs)和皮肤科医生管理皮肤病理。 研究探讨该设备是否能提高诊断准确性,并优化从初级保健到专科皮肤科服务的转诊流程。
研究方法和设计
本研究设计为临床病例系列的分析性研究。 关键技术方面包括:
- 研究工具:一种纯软件医疗设备,使用计算机视觉算法分析表皮和真皮图像,以提供评估所需的临床数据。
- 参与者角色:15名医疗专业人员(包括初级保健医生和皮肤科医生)评估了超过100名患者队列。
- 操作流程:初级保健医生使用智能手机或移动皮肤镜拍摄皮肤图像,上传至平台,并根据AI结果指导提供诊断。
- 评估基线:医疗专业人员作为自身对照,允许比较使用和不使用AI工具时的诊断表现。
质量保证和注册程序
为确保在这一有组织系统中收集的数据完整性,实施了多项质量控制措施:
- 数据验证和检查:数据库利用一致性规则和逻辑范围来控制制表过程中的错误。 计算机化验证过滤器根据预定义规则自动识别缺失值或不一致。
- 源数据验证(SDV):指定的独立临床监查员将匿名源文件(如图像文件和临床记录)与病例报告表(CRFs)进行核对,以确保准确性和完整性。
- 监查计划:研究团队每季度召开会议解决数据收集问题,同时监查员进行远程及必要时现场访问,以确保符合临床研究计划(CIP)和ISO 14155标准。
- 缺失数据管理:在数据库关闭前,使用手动编辑和探索性统计技术来检测和解决逻辑错误或不一致值。
样本量和统计原则 本研究旨在检测诊断准确性10%的改善。
- 评估功效:确定100名患者的样本量可提供95%置信水平、80%功效以及9%至10%的误差范围。
- 分析技术:定量变量使用集中趋势和变异性统计(均值、标准差),而定性变量通过频率分布进行分析。
- 除参数检验外,使用McNemar检验分析AI对医疗专业人员诊断选择的具体影响。 统计显著性设定为alpha = 0.05。
对于定性数据,采用Fisher精确检验或卡方检验。 统计显著性设定为alpha = 0.05。
安全性和伦理标准 本研究符合欧盟法规(EU)2017/745(MDR)和ISO 14155:2021。 数据保护遵循GDPR和西班牙有机法3/2018,使用加密的患者信息和字母数字识别码以保持参与者匿名性。 设备上存储的所有临床数据在研究结束后永久删除。
研究类型
注册 (实际的)
联系人和位置
学习地点
-
-
Madrid
-
Majadahonda、Madrid、西班牙
- Puerta de Hierro Majadahonda University Hospital
-
-
参与标准
资格标准
适合学习的年龄
- 成人
- 年长者
接受健康志愿者
取样方法
研究人群
研究人群来自马德里地区两个初级保健中心就诊的皮肤科成人患者:马哈达翁达健康中心和波苏埃洛健康中心。 这些参与者是这些诊所服务区域内的居民,马哈达翁达大学医院普埃塔德耶罗医院是他们接受专科皮肤科护理的参考医院。
源人群包括在真实临床环境中接受初级保健医生初步评估以可能转诊至专科皮肤科服务的个体。 这个多样化的队列旨在代表受各种皮肤病理影响的典型人群,特别包括肿瘤性(良性和恶性)、炎症性和感染性病症。
参与者在常规医疗就诊期间,每当怀疑存在皮肤相关病理时被识别和招募。
描述
纳入标准:
- 肿瘤病理:
- 良性:
- 组织细胞瘤
- 脂溢性角化病
- 血管瘤
- 癌前病变:
- 光化性角化病
- 疑似恶性:
- 基底细胞癌
- 鳞状细胞癌
- 色素性病变:
- 黑素细胞痣
- 恶性黑色素瘤
- 炎症性病理:
- 银屑病
- 特应性皮炎
- 荨麻疹
- 化脓性汗腺炎
- 扁平苔藓
- 感染性病理:
- 病毒性疣
- 软疣
- 单纯疱疹
- 年龄≥18岁的患者。
- 已签署研究知情同意书的患者。
排除标准:
- 年龄<18岁的患者。
- 妊娠期患者。
- 研究者认为无法遵守研究程序的患者。
学习计划
研究是如何设计的?
设计细节
队列和干预
团体/队列 |
干预/治疗 |
|---|---|
|
在初级保健中接受治疗的皮肤病患者
该单组队列包括患有多种皮肤病症的成年患者,由医疗保健专业人员(HCPs)使用基于人工智能的临床决策支持工具进行评估。
该队列包括疑似患有肿瘤性(良性或恶性)、炎症性或感染性疾病的个体。
|
该设备是一种计算机视觉软件,旨在通过分析数字图像帮助医疗从业者评估皮肤结构。 初级护理从业者使用智能手机或移动皮肤镜拍摄受影响皮肤区域的照片,并将其上传至平台。 该软件处理表皮和真皮的图像,以量化可见的临床体征——包括强度、数量和范围——并提供可能的国际疾病分类(ICD)类别的解释性分布。 从业者利用平台结果作为第二医疗意见,指导针对肿瘤性(良性和恶性)、炎症性和感染性等病症的诊断、分诊和转诊决策。 该干预措施还为临床医生提供了特定转诊标准、临床问卷和基本治疗的访问权限。 |
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 |
|---|---|---|
|
转诊适宜性
大体时间:基线
|
该指标评估从初级保健到专业皮肤科服务的患者转诊是否恰当。
当初级保健医生和专业皮肤科专家一致认为该病例可以在无需专科会诊的情况下在初级保健中有效处理时,转诊被归类为“可避免”或“不必要”。
该研究对此指标的主要目标是将转诊适当性至少提高15%。
该阈值代表了证明该设备在优化临床工作流程和降低医疗成本方面效用所需的最小临床重要差异。
|
基线
|
次要结果测量
结果测量 |
措施说明 |
大体时间 |
|---|---|---|
|
用于恶性肿瘤检测的ROC曲线下面积(AUC)
大体时间:基线
|
该指标利用受试者工作特征曲线下面积(AUC)来评估设备在区分恶性病变(包括黑色素瘤和基底细胞癌)与良性病变方面的判别性能。
AUC提供了对该工具在不同决策阈值下正确分类皮肤病理能力的全面评估。
该指标的预设接受标准为AUC $\ge$ 80%。
此阈值确保设备在识别需要紧急专科干预的高风险病例时提供具有临床意义的支持。
|
基线
|
|
医疗保健专业人员满意度(CUS评分)
大体时间:4个月(从业人员完成了两次问卷调查:一次在研究开始后2个月,另一次在研究开始后4个月)。
|
满意度通过临床效用与满意度(CUS)问卷进行评估。
这一经过验证的评估工具用于衡量从业者对该设备诊断支持、易用性、数据效用以及在其工作流程中整体临床适用性的看法。
问卷结果以肯定回答的百分比或10分量表的平均分进行量化。
这种双重方法既能定性理解从业者的共识,也能定量衡量感知价值。
|
4个月(从业人员完成了两次问卷调查:一次在研究开始后2个月,另一次在研究开始后4个月)。
|
合作者和调查者
合作者
调查人员
- 首席研究员:Gaston Roustan, PhD、Puerta de Hierro Majadahonda University Hospital
研究记录日期
研究主要日期
学习开始 (实际的)
初级完成 (实际的)
研究完成 (实际的)
研究注册日期
首次提交
首先提交符合 QC 标准的
首次发布 (实际的)
研究记录更新
最后更新发布 (实际的)
上次提交的符合 QC 标准的更新
最后验证
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.