Меню
Идёт набор NCT06910956

Deep Learning Using Chest X-Rays to Identify High Risk Patients for Lung Cancer Screening CT

Без фазы С лечением Lung Cancer Health Screening Early Cancer Detection Deep Learning

Ориентир для пациента и семьи

Простыми словами

Автоматическая сводка по структурированным данным реестра. Она помогает сориентироваться, но не заменяет официальный протокол или оценку врача.

Что изучают
В протоколе указаны: CXR-LC.
Кому может быть актуально
Состояния в реестре: Lung Cancer, Health Screening, Early Cancer Detection, Deep Learning. Базовые параметры: 50 лет — 77 лет · Все.
Что важно проверить
Возраст, диагноз и пол — только базовые ориентиры. Предыдущее лечение, анализы и другие обязательные условия указаны ниже в критериях участия.
Где проводится
США
Следующий шаг
Сохраните исследование, покажите его лечащему врачу и уточните актуальный статус у исследовательского центра. Расходы, документы и поездка →

Не всё понятно в терминах? Прочитайте наш гид для пациентов →

Официальное название

Deep Learning Using Routine Chest X-Rays and Electronic Medical Record Data to Identify High Risk Patients for Lung Cancer Screening CT

Обзор

The goal of this clinical trial is to evaluate whether an AI tool that alerts providers to patients at high 6-year risk of lung cancer based on their chest x-ray images will improve lung cancer screening CT participation. The main question it aims to answer is: Does the AI tool improve lung cancer screening CT participation at 6 months after the baseline outpatient visit? The intervention is an alert to the provider to discuss lung cancer screening CT eligibility, for patients considered at high risk of lung cancer based on CXR-LC AI tool. Intervention and non-intervention arms will be compared to determine if lung cancer screening CT participation increases. Individuals who are considered high-risk by the tool, but who do not meet the Medicare/USPSTF pack-year or quit-date lung screening eligibility criteria may be offered research lung screening CT.

Вмешательства

  • Другое CXR-LC
    Alert to provider to discuss lung cancer screening CT eligibility, for patients considered at high risk of lung cancer based on CXR-LC AI tool.

Первичные конечные точки

  • Proportion completing Lung Cancer screening CT in 6 months after visit [Срок оценки: 6 months]
Вторичные конечные точки (1)
  • Suspicious lung nodules [Срок оценки: 6 months]

Критерии участия

Major Inclusion Criteria:

  • Scheduled outpatient appointment with participating provider.
  • 50- to 77-year-old who currently or formerly smoked, to include persons potentially eligible for lung screening based on Medicare guidelines.
  • Recent (within 2 years) PA chest radiograph.

Критерии исключения

  • History or signs/symptoms of lung cancer. Recent (within 2 years) chest CT. Clinical indication for chest CT beyond lung cancer screening.

Критерии приведены из реестра в оригинале (на английском). Окончательную оценку соответствия проводит исследовательский центр.

Здоровые добровольцы: Нет

Дизайн исследования

Распределение
Рандомизированное
Модель
Параллельные группы
Маскирование
Двойное слепое
Основная цель
Скрининг

Центры проведения

США · 1 центр
  • Massachusetts General Hospital — Boston

Публикации

  • 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. PMID 32866413
  • 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. PMID 35699582
  • 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. PMID 36576736

Идентификаторы

NCT: NCT06910956 · 2023P002872 · 2025P002902

Первоисточники (государственные реестры)

Открыть это исследование на ClinicalTrials.gov ↗