- ICH GCP
- Registr klinických studií v USA
- Klinická studie NCT06075836
AI asistovaná detekce rentgenových paprsků hrudníku (AID-CXR)
Užitečnost nástroje pro interpretaci CXR na bázi umělé inteligence při pomoci s přesností, rychlostí a důvěrou diagnostiky zdravotníkům: Studie využívající 500 retrospektivně shromážděných rentgenových snímků lůžkových a pohotovostních oddělení od dvou britských nemocničních trustů
Tato studie byla přidána jako dílčí studie ke studii Simulation Training for Emergency Department Imaging 2 (ClinicalTrials.gov ID NCT05427838).
Lunit INSIGHT CXR je ověřovací studie, jejímž cílem je posoudit užitečnost interpretačního nástroje RTG hrudníku (CXR) založeného na umělé inteligenci (AI) při podpoře diagnostické přesnosti, rychlosti a důvěry různé skupiny zdravotníků. Studie bude provedena pomocí 500 retrospektivně shromážděných rentgenových snímků lůžkových a pohotovostních oddělení ze dvou nemocničních trustů ve Spojeném království (UK). Dva hrudní radiologové vyškolení v rámci společenství nezávisle zhodnotí všechny studie, aby vytvořili referenční standard základní pravdy. K analýze každého CXR bude použit nástroj Lunit INSIGHT CXR a jeho výkon bude měřen ve srovnání s odbornými čtenáři. Studie vyhodnotí užitečnost algoritmu při zlepšování přesnosti a důvěry čtenáře, jak se měří citlivostí, specificitou, pozitivní prediktivní hodnotou a negativní prediktivní hodnotou. Studie bude měřit výkon algoritmu proti deseti abnormálním nálezům, včetně plicních uzlů/masy, konsolidace, pneumotoraxu, atelektázy, kalcifikace, kardiomegalie, fibrózy, rozšíření mediastina, pleurálního výpotku a pneumoperitonea. Studie bude zahrnovat čtenáře z různých klinických odborných skupin s pomocí Lunit INSIGHT CXR i bez ní. Studie poskytne důkazy o vlivu algoritmů umělé inteligence při pomoci zdravotnickým pracovníkům, jako jsou lékaři urgentní medicíny a všeobecné lékařství, kteří pravidelně kontrolují snímky ve své každodenní praxi.
Přehled studie
Postavení
Podmínky
Intervence / Léčba
Typ studie
Zápis (Aktuální)
Kontakty a umístění
Studijní místa
-
-
Oxfordshire
-
Oxford, Oxfordshire, Spojené království, OX3 9DU
- Oxford University Hospitals NHS Foundation Trust
-
-
Kritéria účasti
Kritéria způsobilosti
Věk způsobilý ke studiu
- Dítě
- Dospělý
- Starší dospělý
Přijímá zdravé dobrovolníky
Metoda odběru vzorků
Studijní populace
Popis
Kritéria pro zařazení:
- Obecní radiologové/radiografové/lékaři, kteří revidují snímky CXR jako součást své běžné klinické praxe
Kritéria vyloučení:
- Hrudní rentgenologové
- Neradiologičtí lékaři s předchozím formálním postgraduálním výcvikem v podávání zpráv CXR.
- Neradiologičtí lékaři s předchozí kariérou v radiologii, respirační medicíně nebo hrudní chirurgii na úrovni registrátora nebo konzultanta
Studijní plán
Jak je studie koncipována?
Detaily designu
Kohorty a intervence
Skupina / kohorta |
Intervence / Léčba |
|---|---|
|
Čtenáři/účastníci
Výběr čtenářů: 30 čtenářů bude vybráno z následujících pěti skupin klinických specializací:
Každá speciální skupina se skládá ze 6 členů seřazeného seniority. Pro lékaře to sestává z:
Pro rentgenografy to sestává z:
|
Čtení bude provedeno vzdáleně prostřednictvím stránky Report and Image Quality Control (www.RAIQC.com), online platforma umožňující prohlížení a hlášení lékařských snímků. Účastníci mohou pracovat z libovolného místa, ale práce musí být prováděna z počítače s přístupem na internet. Aby se předešlo pochybnostem, práci nelze provádět z telefonu nebo tabletu. Projekt je rozdělen do dvou fází a účastníci musí obě fáze absolvovat. Odhadované celkové zapojení do projektu je do 20-24 hodin. Fáze 1: Povolený čas: 2 týdny - Prohlédněte si 500 rentgenových snímků hrudníku a vyjádřete klinický názor prostřednictvím strukturované šablony hlášení (výběr z více možností, není vyžadován žádný otevřený text). Doba odpočinku/vymytí 2 týdny. Fáze 2 - Povolený čas: 2 týdny - Prohlédněte si 500 rentgenových snímků hrudníku spolu se zprávou AI pro každý případ a vyjádřete svůj klinický názor pomocí stejné strukturované šablony hlášení jako ve fázi A. |
|
Pozemní pravdomluvci
Dva konzultanti hrudní radiologové.
Posudek třetího staršího hrudního radiologa (více než 20 let zkušeností) podstoupí arbitráž.
|
Dva konzultační hrudní radiologové budou nezávisle přezkoumávat snímky, aby stanovili „základní pravdu“ nálezů na CXR, kde bude dosaženo konsenzu, bude pak použit jako referenční standard.
V případě nesouhlasu bude arbitrážní řízení provedeno posudkem třetího staršího hrudního radiologa (více než 20 let zkušeností).
Skóre obtížnosti bude přiděleno každé abnormalitě pomocí 4bodové Likertovy stupnice (1 je snadné/zřejmé až 4 je obtížné/špatně vizualizovatelné).
|
Co je měření studie?
Primární výstupní opatření
Měření výsledku |
Popis opatření |
Časové okno |
|---|---|---|
|
Výkon algoritmu AI: citlivost
Časové okno: Během 4 týdnů čtení
|
Vyhodnocení algoritmu Lunit INSIGHT CXR bude provedeno jeho porovnáním s referenčním standardem za účelem stanovení citlivosti.
|
Během 4 týdnů čtení
|
|
Výkon algoritmu AI: specifičnost
Časové okno: Během 4 týdnů čtení
|
Vyhodnocení algoritmu Lunit INSIGHT CXR bude provedeno jeho porovnáním s referenčním standardem za účelem stanovení specificity.
|
Během 4 týdnů čtení
|
|
Výkon algoritmu AI: Oblast pod křivkou ROC (AU ROC)
Časové okno: Během 4 týdnů čtení
|
Vyhodnocení algoritmu Lunit INSIGHT CXR bude provedeno porovnáním s referenčním standardem.
Pro analýzy ROC bude použito spojité pravděpodobnostní skóre z algoritmu, zatímco výsledky binární klasifikace s předdefinovaným provozním limitem budou použity pro hodnocení senzitivity, specificity, pozitivní prediktivní hodnoty a negativní prediktivní hodnoty.
|
Během 4 týdnů čtení
|
|
Výkon čteček s asistencí AI i bez ní: Citlivost
Časové okno: Během 4 týdnů čtení
|
Studie bude zahrnovat dvě sezení (s překrytím AI a bez něj), přičemž všech 30 čtenářů zkontroluje všech 500 případů CXR pokaždé oddělených vymývací periodou, aby se zmírnilo zkreslení při vyvolání.
Případy budou náhodně rozděleny mezi dvěma čteními a pro každého čtenáře.
|
Během 4 týdnů čtení
|
|
Výkon čteček s pomocí AI a bez ní: Specifičnost
Časové okno: Během 4 týdnů čtení
|
Studie bude zahrnovat dvě sezení (s překrytím AI a bez něj), přičemž všech 30 čtenářů zkontroluje všech 500 případů CXR pokaždé oddělených vymývací periodou, aby se zmírnilo zkreslení při vyvolání.
Případy budou náhodně rozděleny mezi dvěma čteními a pro každého čtenáře.
|
Během 4 týdnů čtení
|
|
Výkon čteček s a bez pomoci umělé inteligence: Oblast pod křivkou ROC (AU ROC)
Časové okno: Během 4 týdnů čtení
|
Studie bude zahrnovat dvě sezení (s překrytím AI a bez něj), přičemž všech 30 čtenářů zkontroluje všech 500 případů CXR pokaždé oddělených vymývací periodou, aby se zmírnilo zkreslení při vyvolání.
Případy budou náhodně rozděleny mezi dvěma čteními a pro každého čtenáře.
|
Během 4 týdnů čtení
|
|
Rychlost čtečky s vs bez asistence AI.
Časové okno: Během 4 týdnů čtení
|
Průměrná doba potřebná ke kontrole skenu s a bez pomoci umělé inteligence.
|
Během 4 týdnů čtení
|
Spolupracovníci a vyšetřovatelé
Publikace a užitečné odkazy
Obecné publikace
- Greenhalgh R, Howlett DC, Drinkwater KJ. Royal College of Radiologists national audit evaluating the provision of imaging in the severely injured patient and compliance with national guidelines. Clin Radiol. 2020 Mar;75(3):224-231. doi: 10.1016/j.crad.2019.10.025. Epub 2019 Dec 19.
- Zech JR, Badgeley MA, Liu M, Costa AB, Titano JJ, Oermann EK. Variable generalization performance of a deep learning model to detect pneumonia in chest radiographs: A cross-sectional study. PLoS Med. 2018 Nov 6;15(11):e1002683. doi: 10.1371/journal.pmed.1002683. eCollection 2018 Nov.
- Spiritoso R, Padley S, Singh S. Chest X-ray interpretation in UK intensive care units: A survey 2014. J Intensive Care Soc. 2015 Nov;16(4):339-344. doi: 10.1177/1751143715580141. Epub 2015 May 18.
- Wilson C. X-ray misinterpretation in urgent care: where does it occur, why does it occur, and does it matter? N Z Med J. 2022 Apr 1;135:49-65.
- Jones CM, Buchlak QD, Oakden-Rayner L, Milne M, Seah J, Esmaili N, Hachey B. Chest radiographs and machine learning - Past, present and future. J Med Imaging Radiat Oncol. 2021 Aug;65(5):538-544. doi: 10.1111/1754-9485.13274. Epub 2021 Jun 25.
- Ahmad HK, Milne MR, Buchlak QD, Ektas N, Sanderson G, Chamtie H, Karunasena S, Chiang J, Holt X, Tang CHM, Seah JCY, Bottrell G, Esmaili N, Brotchie P, Jones C. Machine Learning Augmented Interpretation of Chest X-rays: A Systematic Review. Diagnostics (Basel). 2023 Feb 15;13(4):743. doi: 10.3390/diagnostics13040743.
- van Beek EJR, Ahn JS, Kim MJ, Murchison JT. Validation study of machine-learning chest radiograph software in primary and emergency medicine. Clin Radiol. 2023 Jan;78(1):1-7. doi: 10.1016/j.crad.2022.08.129. Epub 2022 Sep 25.
- Kundu R, Das R, Geem ZW, Han GT, Sarkar R. Pneumonia detection in chest X-ray images using an ensemble of deep learning models. PLoS One. 2021 Sep 7;16(9):e0256630. doi: 10.1371/journal.pone.0256630. eCollection 2021.
- Hillis JM, Bizzo BC, Mercaldo S, Chin JK, Newbury-Chaet I, Digumarthy SR, Gilman MD, Muse VV, Bottrell G, Seah JCY, Jones CM, Kalra MK, Dreyer KJ. Evaluation of an Artificial Intelligence Model for Detection of Pneumothorax and Tension Pneumothorax in Chest Radiographs. JAMA Netw Open. 2022 Dec 1;5(12):e2247172. doi: 10.1001/jamanetworkopen.2022.47172.
- Homayounieh F, Digumarthy S, Ebrahimian S, Rueckel J, Hoppe BF, Sabel BO, Conjeti S, Ridder K, Sistermanns M, Wang L, Preuhs A, Ghesu F, Mansoor A, Moghbel M, Botwin A, Singh R, Cartmell S, Patti J, Huemmer C, Fieselmann A, Joerger C, Mirshahzadeh N, Muse V, Kalra M. An Artificial Intelligence-Based Chest X-ray Model on Human Nodule Detection Accuracy From a Multicenter Study. JAMA Netw Open. 2021 Dec 1;4(12):e2141096. doi: 10.1001/jamanetworkopen.2021.41096.
- Wu JT, Wong KCL, Gur Y, Ansari N, Karargyris A, Sharma A, Morris M, Saboury B, Ahmad H, Boyko O, Syed A, Jadhav A, Wang H, Pillai A, Kashyap S, Moradi M, Syeda-Mahmood T. Comparison of Chest Radiograph Interpretations by Artificial Intelligence Algorithm vs Radiology Residents. JAMA Netw Open. 2020 Oct 1;3(10):e2022779. doi: 10.1001/jamanetworkopen.2020.22779.
- Matsumoto T, Kodera S, Shinohara H, Ieki H, Yamaguchi T, Higashikuni Y, Kiyosue A, Ito K, Ando J, Takimoto E, Akazawa H, Morita H, Komuro I. Diagnosing Heart Failure from Chest X-Ray Images Using Deep Learning. Int Heart J. 2020 Jul 30;61(4):781-786. doi: 10.1536/ihj.19-714. Epub 2020 Jul 18.
Užitečné odkazy
- Richards M. Diagnostics: Recovery and Renewal - Report of the Independent Review of Diagnostic Services for NHS England. NHS England 2022.
- Royal College of Radiologists. Clinical radiology UK workforce census 2019 report. Royal College of Radiologists 2020.
- www.nice.org.uk. (2022). Summary | Artificial intelligence for analysing chest X-ray images | Advice | NICE. [online] Available at:
Termíny studijních záznamů
Hlavní termíny studia
Začátek studia (Aktuální)
Primární dokončení (Aktuální)
Dokončení studie (Aktuální)
Termíny zápisu do studia
První předloženo
První předloženo, které splnilo kritéria kontroly kvality
První zveřejněno (Aktuální)
Aktualizace studijních záznamů
Poslední zveřejněná aktualizace (Aktuální)
Odeslaná poslední aktualizace, která splnila kritéria kontroly kvality
Naposledy ověřeno
Více informací
Termíny související s touto studií
Další relevantní podmínky MeSH
- Organizování Pneumonie
- Kardiovaskulární choroby
- Patologické procesy
- Novotvary podle místa
- Novotvary
- Patologické stavy, anatomické
- Srdeční choroba
- Onemocnění imunitního systému
- Nemoci dýchacích cest
- Nemoci trávicího systému
- Plicní onemocnění
- Bronchiální onemocnění
- Plicní onemocnění, obstrukční
- Novotvary dýchacího traktu
- Novotvary hrudníku
- Novotvary plic
- Onemocnění plic, intersticiální
- Peritoneální onemocnění
- Fibróza
- Bronchiolitis Obliterans
- Bronchiolitida
- Bronchitida
- Pleurální onemocnění
- Hypertrofie
- Nemoc štěpu vs
- Patologické stavy, příznaky a symptomy
- Syndrom obliterující bronchiolitidy
- Plicní fibróza
- Pneumoperitoneum
- Plicní Atelektáza
- Pleurální výpotek
- Mnohočetné plicní uzliny
- Pneumotorax
- Kardiomegalie
- Solitární plicní uzel
Další identifikační čísla studie
- 310995 - B
Informace o lécích a zařízeních, studijní dokumenty
Studuje lékový produkt regulovaný americkým FDA
Studuje produkt zařízení regulovaný americkým úřadem FDA
produkt vyrobený a vyvážený z USA
Tyto informace byly beze změn načteny přímo z webu clinicaltrials.gov. Máte-li jakékoli požadavky na změnu, odstranění nebo aktualizaci podrobností studie, kontaktujte prosím register@clinicaltrials.gov. Jakmile bude změna implementována na clinicaltrials.gov, bude automaticky aktualizována i na našem webu .