人工智能（AI）增强的预处理同行评审流程，以提高放射肿瘤学的患者安全性
人工智能（AI）增强的预处理同行评审流程的开发与评估：提升放射肿瘤学患者安全
这项前瞻性研究将测试人工智能（AI）和机器学习（ML）决策支持工具。 该工具旨在帮助医生、物理师及其他工作人员在治疗前同行评审阶段使用，这是患者在开始治疗前检查治疗计划的一个步骤。
该系统会突出显示总结，展示不同提供者在治疗计划制定中可能存在的差异（提供者差异总结），并指出需要关注的最佳信号或预警迹象（最优提示）。 通过引导关注这些模式和提示，该工具旨在帮助评审人员更早发现潜在的治疗计划错误，降低出错概率，并提升整体患者安全。
研究概览
详细说明
随着放射治疗（RT）变得越来越复杂，可能的错误途径数量也随之增加。 人工智能支持的同行评审有助于发现那些可能被忽视的错误，并在农村和城市诊所之间推广一致、公平的安全标准。
大约50%的癌症患者接受放射治疗（RT），通常在门诊诊所进行。 强度调制放射治疗（IMRT）、容积旋转调强放射治疗（VMAT）和图像引导放射治疗（IGRT）等新技术通过更好地保护正常组织并在靶区提供更高剂量来改善治疗。 然而，它们更为复杂，需要非常精确地定义肿瘤靶区和正常组织。 即使在这些区域的勾画中出现微小错误，也可能导致肿瘤治疗不足或健康组织过度治疗。 研究表明，在现代放射肿瘤学中，定义靶区错误的情况有所增加。 由于这些治疗对认知要求更高，计划错误的风险也随之增加，在某些情况下，错误可能导致严重伤害。
治疗前同行评审是指多学科团队在治疗开始前审查治疗计划，这是一个重要的安全步骤，并强烈推荐。 在治疗开始前进行最为有效，因为后期进行修正可能导致治疗延迟、仓促更改，并对患者安全产生潜在的实质性影响。
由于复杂性和工作量的增加，有必要加强并部分自动化治疗前同行评审。 人工智能/机器学习决策支持工具可以通过总结关键信息、突出显示异常计划特征以及引起对潜在风险区域的关注来提供帮助。 这些工具不做出治疗决策。 相反，它们提供分析和可视化摘要，以支持临床医生并减轻认知负担。
由于该工具还突出了提供者在计划治疗方式上的差异，它可能有助于识别护理中的差异，并引起对潜在健康差距的关注，支持未来改善放射肿瘤学公平性的努力。
研究类型
注册 (估计的)
阶段
- 不适用
联系人和位置
学习联系方式
- 姓名：Olivia Morton
- 电话号码：(984) 974-8441
- 邮箱：olivia_roberts@med.unc.edu
研究联系人备份
- 姓名：Victoria Xu
- 电话号码：(984) 974-8444
- 邮箱：victoria_xu@med.unc.edu
学习地点
-
-
North Carolina
-
Chapel Hill、North Carolina、美国、27599
- 招聘中
- University of North Carolina at Chapel Hill, Department of Radiation Oncology
-
接触：
- Olivia Morton
- 电话号码：984-974-8441
- 邮箱：olivia_roberts@med.unc.edu
-
首席研究员：
- Lukasz Mazur, PhD
-
-
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
描述
要参与本研究，受试者必须符合以下列出的所有资格标准。
纳入标准：
仅限提供者
- ≥18岁
- 参与诊所的同行评审参与者
仅限患者
- ≥18岁
- 在参与站点接受前列腺癌放射治疗的所有患者（不对患者进行干预）
排除标准：
仅限提供者 • 不愿意/无法遵守研究程序的提供者；无法实施工作流程或提供所需结果的站点。
患者和提供者
• 患有痴呆症、精神状态改变或任何禁止理解或提供知情同意的精神或共病状况
学习计划
研究是如何设计的？
设计细节
- 主要用途：卫生服务研究
- 分配：非随机化
- 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 |
|---|---|
|
其他：供应商
参与诊所开展同行评审的放射肿瘤学服务提供者。
|
所有治疗规划和临床监测均按照机构标准和既定部门政策进行。
同行评审活动按照常规临床实践进行，同时提供可选的人工智能（AI）生成分析报告供临床医生审阅。
AI/机器学习（ML）系统嵌入定期部门同行评审会议中，通过整合至现有临床工作流程的仪表板呈现分析摘要和可视化数据。
该系统仅作为决策辅助工具，不执行或启动任何自主治疗规划操作、剂量调整或临床干预。
在模拟（SIM）评估期间，首先审查医生生成的靶区和危及器官轮廓，这与标准实践一致。
仅在此初步审查后，主治医生可选择调取AI生成的轮廓进行比较分析。
其他名称：
|
|
无干预：患者
接受放射治疗的前列腺癌患者贡献了去识别化的安全性结果。
|
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 |
|---|---|---|
|
淋巴结体积轮廓变化患者百分比
大体时间：基线
|
在人工智能（AI）增强同行评审后，关于淋巴结体积轮廓有记录变化的患者百分比。
|
基线
|
合作者和调查者
调查人员
- 首席研究员：Lukasz Mazur, PhD、UNC Lineberger Comprehensive Cancer Center
出版物和有用的链接
研究记录日期
研究主要日期
学习开始 (实际的)
初级完成 (估计的)
研究完成 (估计的)
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
与本研究相关的术语
其他研究编号
- LCCC2607
计划个人参与者数据 (IPD)
计划共享个人参与者数据 (IPD)？
药物和器械信息、研究文件
研究美国 FDA 监管的药品
研究美国 FDA 监管的设备产品
在美国制造并从美国出口的产品
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.