CTEPH Differential Diagnosis Assisted by Enhanced Large Language Model Support
A legfontosabb adatok
- Hol
- Beijing (Kína)A helyszín megnézése
AI-kivonat: kiket keres a vizsgálat
A vizsgálat saját részvételi feltételeiből. Gép olvasta ki az oldalon álló regiszterszövegből, ezért tévedhet. Hogy ki vehet részt, azt a lenti regiszterszöveg és a vizsgálat csapata dönti el.
A vizsgálat olyan orvosokat és rezidenseket keres, akik nem a tüdőerek betegségeire specializálódtak. 30 személyes adatoktól mentesített betegesetet értékelnek, mesterséges intelligencia eszköz segítségével vagy anélkül.
- Életkor
- 18 éves vagy idősebb
- Nem
- Minden nem csatlakozhat
A részvétel fő kizáró okai
- Tüdőérbetegségekre, pulmonális hipertóniára vagy mellkasi képalkotásra szakosodott háttér
- Részt vett az esetek kiválasztásában, a diagnózisok megerősítésében, a modell fejlesztésében vagy a kimenetek átnézésében
- Nem tudja használni a vizsgálati platformot, vagy nem tudja elkerülni a külső generatív MI-eszközöket
- Korábban már látta a vizsgálati eseteket vagy azok végső diagnózisát
Gépi kiolvasás: 2026. november 9.
Helyszínek itt: Kína
- China-Japan Friendship HospitalBeijing, KínaNo longer taking part
Kérdések a vizsgálat csapatának
- Milyen gyakran kell bejárnom, és egy-egy alkalom mennyi ideig tart?
- Megtérítik az utazási költséget?
- Megtarthatom a saját orvosomat?
- Mi történik, ha ki akarok lépni?
Contact the study team: see the registry record → Contacts and Locations
Oldal nyomtatása az orvosomnakA vizsgálat adatai
- Ki végzi
- China-Japan Friendship Hospital
- Azonosító
- NCT07902011
- A regiszteradat frissítve
- 2026. október 29.
- Eredeti leírás
This randomized controlled trial aims to evaluate whether a locked large language model (LLM)-based clinical decision support system improves the differential diagnosis of pulmonary artery filling defects among physicians who do not specialize in pulmonary vascular diseases. Participants will evaluate 30 de-identified clinical cases involving chronic thromboembolic pulmonary hypertension (CTEPH), acute pulmonary embolism (PE), and pulmonary artery sarcoma (PAS), with or without LLM assistance. The primary outcome is sensitivity for identifying CTEPH, while secondary outcomes include overall diagnostic accuracy, time to diagnosis, appropriateness of referral recommendations, and AI-related diagnostic errors.A teljes eredeti leírásKevesebb
Large Language Model-Assisted Differential Diagnosis of Pulmonary Artery Filling Defects: A Stratified Randomized Controlled Trial
This randomized controlled trial aims to evaluate whether a locked large language model (LLM)-based clinical decision support system improves the differential diagnosis of pulmonary artery filling defects among physicians who do not specialize in pulmonary vascular diseases. Participants will evaluate 30 de-identified clinical cases involving chronic thromboembolic pulmonary hypertension (CTEPH), acute pulmonary embolism (PE), and pulmonary artery sarcoma (PAS), with or without LLM assistance. The primary outcome is sensitivity for identifying CTEPH, while secondary outcomes include overall diagnostic accuracy, time to diagnosis, appropriateness of referral recommendations, and AI-related diagnostic errors.
Bevonási feltételek: Holds a valid physician qualification, or is enrolled in a standardized residency training program and is permitted to participate in clinical care under supervision; Has not previously reviewed the validation cases or their final diagnoses; Is willing to participate and provides informed consent; Is able to use the standardized study platform and complete two formal case-reading sessions covering all 30 cases.
Kizáró feltételek: Has a specialist professional background in pulmonary vascular disease, pulmonary hypertension, or thoracic imaging; Participated in validation-case selection, reference-standard confirmation, model development, prompt optimization, or review of locked model outputs; Is unable to use the standardized platform or to comply with independent case interpretation and the prohibition on external generative AI tools; Has another circumstance that, in the investigator's judgment, could materially compromise independent case interpretation.
The study participants are clinicians; patients represented in the de-identified case materials are not enrolled as study participants.