- ICH GCP
- US Clinical Trials Registry
- Klinisk forsøg NCT06018545
AI Assisted Reader Evaluation i Acute Computed Tomography (CT) hovedfortolkning (AI-REACT)
AI Assisted Reader Evaluation i akut CT-hovedfortolkning
Denne undersøgelse er blevet tilføjet som en delundersøgelse til Simulation Training for Emergency Department Imaging 2-undersøgelsen (ClinicalTrials.gov ID NCT05427838).
Formålet med undersøgelsen er at vurdere virkningen af et kunstig intelligens (AI) værktøj kaldet qER 2.0 EU på læseres præstationer, herunder almindelige radiologer, akutmedicinere og radiografer, ved fortolkning af ikke-kontrast CT-hovedscanninger. Undersøgelsen har til formål at evaluere ændringerne i nøjagtighed, gennemgangstid og diagnostisk sikkerhed ved brug af AI-værktøjet. Det søger også at levere beviser for AI-værktøjets diagnostiske ydeevne og dets potentiale til at forbedre effektiviteten og patientplejen i forbindelse med National Health Service (NHS). Undersøgelsen vil bruge et datasæt med 150 CT-hovedscanninger, herunder både kontroltilfælde og unormale tilfælde med specifikke abnormiteter. Resultaterne af denne undersøgelse vil informere større opfølgningsundersøgelser i virkelige akutafdelinger (ED).
Studieoversigt
Status
Betingelser
Intervention / Behandling
Undersøgelsestype
Tilmelding (Faktiske)
Kontakter og lokationer
Studiekontakt
- Navn: Alex Novak, MSc
- Telefonnummer: +44 7944653970
- E-mail: alex.novak@ouh.nhs.uk
Undersøgelse Kontakt Backup
- Navn: Sarim Ather, PhD
- Telefonnummer: +44 7877724961
- E-mail: sarim.ather@ouh.nhs.uk
Studiesteder
-
-
-
Glasgow, Det Forenede Kongerige, G12 0XH
- NHS Greater Glasgow and Clyde
-
London, Det Forenede Kongerige, SE1 7EH
- Guy's & St Thomas NHS Foundation Trust
-
Newcastle Upon Tyne, Det Forenede Kongerige, NE27 0QJ
- Northumbria Healthcare NHS Foundation Trust
-
-
Oxfordshire
-
Oxford, Oxfordshire, Det Forenede Kongerige, OX3 9DU
- Oxford University Hospitals NHS Foundation Trust
-
-
Deltagelseskriterier
Berettigelseskriterier
Aldre berettiget til at studere
- Barn
- Voksen
- Ældre voksen
Tager imod sunde frivillige
Prøveudtagningsmetode
Studiebefolkning
Indstilling:
Læsere vil blive rekrutteret fra følgende fire hospitalsfonde (sekundært og tertiært niveau:
- Guy's & St Thomas NHS Foundation Trust
- Northumbria Healthcare NHS Foundation Trust
- NHS Greater Glasgow og Clyde
- Oxford University Hospitals NHS Foundation Trust
Deltagere:
30 frivillige læsere vil blive udvalgt fra følgende grupper:
- Akutmedicinske konsulenter og registratorer (5 konsulenter, 5 registrator (ST3-6), 5 junior (F1-ST2)
- Generelle radiologkonsulenter og registratorer (5 konsulenter, 5 registrator)
- 5 CT-radiografer
Beskrivelse
Inklusionskriterier:
- Radiologer/radiografer/ED-klinikere, der gennemgår CT-hovedscanninger som en del af deres kliniske praksis
Ekskluderingskriterier:
- Neuroradiologer.
- Ikke-radiologgrupper: Klinikere med tidligere formel postgraduat CT-rapporteringsuddannelse
- Akutmedicingruppe: Klinikere med tidligere karriere i radiologi/neurokirurgi til registrarniveau
Studieplan
Hvordan er undersøgelsen tilrettelagt?
Design detaljer
Kohorter og interventioner
Gruppe / kohorte |
Intervention / Behandling |
---|---|
Læsere
30 læsere vil blive rekrutteret på tværs af fire NHS-truster, herunder ti generelle radiologer, femten akutmedicinere og fem CT-radiografer af varierende anciennitet.
Læsere vil først fortolke hver scanning uden, derefter med hjælp fra AI-værktøjet, med en mellemliggende 4-ugers udvaskningsperiode.
Ved at bruge et panel af neuroradiologer som grundsandhed vil den selvstændige ydeevne af qER blive vurderet, og dens indvirkning på læsernes præstationer vil blive analyseret som ændring i nøjagtighed, gennemsnitlig gennemgangstid pr. scanning og selvrapporteret diagnostisk tillid.
Undergruppeanalyser vil blive udført efter læserfaglig gruppe, læseranciennitet, patologisk fund og neuroradiologvurderet sværhedsgrad.
|
Alle 30 læsere vil gennemgå alle 150 cases i hver af to undersøgelsesfaser.
Læserne vil give deres mening om tilstedeværelsen eller fraværet af nogle akutte abnormiteter, herunder intrakraniel blødning, infarkt, midtlinjeforskydning og fraktur.
De vil give en tillid til deres diagnose (10-punkts visuel analog skala) og et enkelt klikpunkt for at markere placeringen af hver abnormitet, som de anser for at være til stede.
Den tid, det tager for hver scanning, registreres automatisk.
|
Ground truthers
To konsulent neuroradiologer vil uafhængigt gennemgå billederne for at fastslå 'grundsandheden'-fundene på CT-scanningerne, som vil blive brugt som referencestandard.
I tilfælde af uenighed vil en tredje senior neuroradiolog blive indhentet til voldgift.
En sværhedsgrad vil blive tildelt hver scanning af ground truthers ved hjælp af en 5-punkts Likert-skala.
|
To konsulent neuroradiologer vil uafhængigt gennemgå billederne for at fastslå 'grundsandheden'-fundene på CT-scanningerne, som vil blive brugt som referencestandard.
I tilfælde af uenighed vil en tredje senior neuroradiolog blive indhentet til voldgift.
|
Hvad måler undersøgelsen?
Primære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
---|---|---|
Læserydelse: Følsomhed, specificitet, komparativ mellem med og uden AI-assistance.
Tidsramme: I løbet af 6 uger, som er perioden for gennemlæsning eller gennemgang af sagerne/scanningerne.
|
Læserens ydeevne vil blive evalueret som sensitivitet, specificitet, med og uden AI-assistance.
|
I løbet af 6 uger, som er perioden for gennemlæsning eller gennemgang af sagerne/scanningerne.
|
Læserpræstation: Positiv og negativ prædiktiv værdi, sammenlignende mellem med og uden AI-assistance.
Tidsramme: I løbet af 6 uger, som er perioden for gennemlæsning eller gennemgang af sagerne/scanningerne.
|
Læserens præstation vil blive evalueret som positiv prædiktiv værdi (PPV) og negativ prædiktiv værdi (NPV), med og uden AI-assistance.
|
I løbet af 6 uger, som er perioden for gennemlæsning eller gennemgang af sagerne/scanningerne.
|
Læserydelse: Area Under Receiver Operating Characteristic Curve (AUROC), sammenlignelig mellem med og uden AI-assistance.
Tidsramme: I løbet af 6 uger, som er perioden for gennemlæsning eller gennemgang af sagerne/scanningerne.
|
Læserens ydeevne vil blive evalueret som Area Under Receiver Operating Characteristic Curve (AUROC), med og uden AI-assistance.
|
I løbet af 6 uger, som er perioden for gennemlæsning eller gennemgang af sagerne/scanningerne.
|
Læserhastighed: Gennemsnitlig tid det tager at gennemgå en scanning, med versus uden AI-hjælp.
Tidsramme: I løbet af 6 uger, som er perioden for gennemlæsning eller gennemgang af sagerne/scanningerne.
|
Læserhastigheden vil blive evalueret som den mands tid, det tager at gennemgå en scanning, ved hjælp af tid forenet af sekunder.
|
I løbet af 6 uger, som er perioden for gennemlæsning eller gennemgang af sagerne/scanningerne.
|
Læsertillid: Selvrapporteret diagnostisk tillid på en 10-punkts visuel analog skala, med kontra uden AI-assistance.
Tidsramme: I løbet af 6 uger, som er perioden for gennemlæsning eller gennemgang af sagerne/scanningerne.
|
På læseplatformen (RAIQC) stiller et af spørgsmålene den grad af tillid, som deltageren har til deres diagnostiske mening.
Spørgsmålet tilbyder en skala fra 1 til 10, hvor 1 er usikker, og 10 er meget sikker.
|
I løbet af 6 uger, som er perioden for gennemlæsning eller gennemgang af sagerne/scanningerne.
|
qER (AI-algoritme) ydeevne: Sensitivitet og specificitet
Tidsramme: I løbet af 6 uger, som er perioden for gennemlæsning eller gennemgang af sagerne/scanningerne.
|
qER ydeevne vil blive evalueret som sensitivitet, specificitet.
|
I løbet af 6 uger, som er perioden for gennemlæsning eller gennemgang af sagerne/scanningerne.
|
qER (AI-algoritme) ydeevne: Positiv og negativ forudsigelsesværdi.
Tidsramme: I løbet af 6 uger, som er perioden for gennemlæsning eller gennemgang af sagerne/scanningerne.
|
qER-ydelse vil blive evalueret som positiv forudsigelig værdi (PPV) og negativ forudsigelig værdi (NPV).
|
I løbet af 6 uger, som er perioden for gennemlæsning eller gennemgang af sagerne/scanningerne.
|
qER (AI-algoritme) ydeevne: Area Under Receiver Operating Characteristic Curve (AUROC).
Tidsramme: I løbet af 6 uger, som er perioden for gennemlæsning eller gennemgang af sagerne/scanningerne.
|
qER-ydelse vil blive evalueret som Area Under Receiver Operating Characteristic Curve (AUROC)
|
I løbet af 6 uger, som er perioden for gennemlæsning eller gennemgang af sagerne/scanningerne.
|
Samarbejdspartnere og efterforskere
Efterforskere
- Ledende efterforsker: Alex Novak, MSc, National Health Services in the United Kingdom (NHS UK)
- Ledende efterforsker: Sarim Ather, PhD, National Health Services in the United Kingdom (NHS UK)
Publikationer og nyttige links
Generelle publikationer
- Juszczyk K, Ireland K, Thomas B, Kroon HM, Hollington P. Reduction in hospital admissions with an early computed tomography scan: results of an outpatient management protocol for uncomplicated acute diverticulitis. ANZ J Surg. 2019 Sep;89(9):1085-1090. doi: 10.1111/ans.15285. Epub 2019 Jun 17.
- Chan J, Fan KS, Mak TLA, Loh SY, Ng SWY, Adapala R. Pre-Operative Imaging can Reduce Negative Appendectomy Rate in Acute Appendicitis. Ulster Med J. 2020 Jan;89(1):25-28. Epub 2020 Feb 18.
- 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.
- Lin E, Yuh EL. Computational Approaches for Acute Traumatic Brain Injury Image Recognition. Front Neurol. 2022 Mar 9;13:791816. doi: 10.3389/fneur.2022.791816. eCollection 2022.
- Sheth SA, Giancardo L, Colasurdo M, Srinivasan VM, Niktabe A, Kan P. Machine learning and acute stroke imaging. J Neurointerv Surg. 2023 Feb;15(2):195-199. doi: 10.1136/neurintsurg-2021-018142. Epub 2022 May 25.
- Yeo M, Tahayori B, Kok HK, Maingard J, Kutaiba N, Russell J, Thijs V, Jhamb A, Chandra RV, Brooks M, Barras CD, Asadi H. Review of deep learning algorithms for the automatic detection of intracranial hemorrhages on computed tomography head imaging. J Neurointerv Surg. 2021 Apr;13(4):369-378. doi: 10.1136/neurintsurg-2020-017099. Epub 2021 Jan 21.
- Chilamkurthy S, Ghosh R, Tanamala S, Biviji M, Campeau NG, Venugopal VK, Mahajan V, Rao P, Warier P. Deep learning algorithms for detection of critical findings in head CT scans: a retrospective study. Lancet. 2018 Dec 1;392(10162):2388-2396. doi: 10.1016/S0140-6736(18)31645-3. Epub 2018 Oct 11.
- Guo Y, He Y, Lyu J, Zhou Z, Yang D, Ma L, Tan HT, Chen C, Zhang W, Hu J, Han D, Ding G, Liu S, Qiao H, Xu F, Lou X, Dai Q. Deep learning with weak annotation from diagnosis reports for detection of multiple head disorders: a prospective, multicentre study. Lancet Digit Health. 2022 Aug;4(8):e584-e593. doi: 10.1016/S2589-7500(22)00090-5. Epub 2022 Jun 17. Erratum In: Lancet Digit Health. 2022 Aug;4(8):e572.
- Lee JY, Kim JS, Kim TY, Kim YS. Detection and classification of intracranial haemorrhage on CT images using a novel deep-learning algorithm. Sci Rep. 2020 Nov 25;10(1):20546. doi: 10.1038/s41598-020-77441-z.
- Arbabshirani MR, Fornwalt BK, Mongelluzzo GJ, Suever JD, Geise BD, Patel AA, Moore GJ. Advanced machine learning in action: identification of intracranial hemorrhage on computed tomography scans of the head with clinical workflow integration. NPJ Digit Med. 2018 Apr 4;1:9. doi: 10.1038/s41746-017-0015-z. eCollection 2018.
- Davis MA, Rao B, Cedeno PA, Saha A, Zohrabian VM. Machine Learning and Improved Quality Metrics in Acute Intracranial Hemorrhage by Noncontrast Computed Tomography. Curr Probl Diagn Radiol. 2022 Jul-Aug;51(4):556-561. doi: 10.1067/j.cpradiol.2020.10.007. Epub 2020 Nov 15.
- Wardlaw JM, Mair G, von Kummer R, Williams MC, Li W, Storkey AJ, Trucco E, Liebeskind DS, Farrall A, Bath PM, White P. Accuracy of Automated Computer-Aided Diagnosis for Stroke Imaging: A Critical Evaluation of Current Evidence. Stroke. 2022 Jul;53(7):2393-2403. doi: 10.1161/STROKEAHA.121.036204. Epub 2022 Apr 20.
- Finck T, Moosbauer J, Probst M, Schlaeger S, Schuberth M, Schinz D, Yigitsoy M, Byas S, Zimmer C, Pfister F, Wiestler B. Faster and Better: How Anomaly Detection Can Accelerate and Improve Reporting of Head Computed Tomography. Diagnostics (Basel). 2022 Feb 10;12(2):452. doi: 10.3390/diagnostics12020452.
- Warman R, Warman A, Warman P, Degnan A, Blickman J, Chowdhary V, Dash D, Sangal R, Vadhan J, Bueso T, Windisch T, Neves G. Deep Learning System Boosts Radiologist Detection of Intracranial Hemorrhage. Cureus. 2022 Oct 13;14(10):e30264. doi: 10.7759/cureus.30264. eCollection 2022 Oct.
- Dyer T, Chawda S, Alkilani R, Morgan TN, Hughes M, Rasalingham S. Validation of an artificial intelligence solution for acute triage and rule-out normal of non-contrast CT head scans. Neuroradiology. 2022 Apr;64(4):735-743. doi: 10.1007/s00234-021-02826-4. Epub 2021 Oct 8.
- Mallon DH, Taylor EJR, Vittay OI, Sheeka A, Doig D, Lobotesis K. Comparison of automated ASPECTS, large vessel occlusion detection and CTP analysis provided by Brainomix and RapidAI in patients with suspected ischaemic stroke. J Stroke Cerebrovasc Dis. 2022 Oct;31(10):106702. doi: 10.1016/j.jstrokecerebrovasdis.2022.106702. Epub 2022 Aug 19.
- Andralojc LE, Kim DH, Edwards AJ. Diagnostic accuracy of a decision-support software for the detection of intracranial large-vessel occlusion in CT angiography. Clin Radiol. 2023 Apr;78(4):e313-e318. doi: 10.1016/j.crad.2022.10.017. Epub 2023 Jan 11.
- 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.
- Huang SC, Pareek A, Jensen M, Lungren MP, Yeung S, Chaudhari AS. Self-supervised learning for medical image classification: a systematic review and implementation guidelines. NPJ Digit Med. 2023 Apr 26;6(1):74. doi: 10.1038/s41746-023-00811-0.
- Hillis SL, Obuchowski NA, Schartz KM, Berbaum KS. A comparison of the Dorfman-Berbaum-Metz and Obuchowski-Rockette methods for receiver operating characteristic (ROC) data. Stat Med. 2005 May 30;24(10):1579-607. doi: 10.1002/sim.2024.
- Obuchowski NA. Sample size tables for receiver operating characteristic studies. AJR Am J Roentgenol. 2000 Sep;175(3):603-8. doi: 10.2214/ajr.175.3.1750603.
Hjælpsomme links
- 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.
- National Institute for Health and Care Excellence. Artificial intelligence for analysing CT brain scans. 2020.
Datoer for undersøgelser
Studer store datoer
Studiestart (Faktiske)
Primær færdiggørelse (Faktiske)
Studieafslutning (Anslået)
Datoer for studieregistrering
Først indsendt
Først indsendt, der opfyldte QC-kriterier
Først opslået (Faktiske)
Opdateringer af undersøgelsesjournaler
Sidste opdatering sendt (Faktiske)
Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier
Sidst verificeret
Mere information
Begreber relateret til denne undersøgelse
Yderligere relevante MeSH-vilkår
- Iskæmi
- Patologiske processer
- Nekrose
- Hjerte-kar-sygdomme
- Karsygdomme
- Cerebrovaskulære lidelser
- Hjernesygdomme
- Sygdomme i centralnervesystemet
- Sygdomme i nervesystemet
- Sår og skader
- Kraniocerebralt traume
- Traumer, nervesystemet
- Hjerneiskæmi
- Slag
- Hjerneinfarkt
- Infarkt
- Iskæmisk slagtilfælde
- Hjerneskader
- Blødning
- Cerebralt infarkt
- Intrakranielle blødninger
- Hjerneødem
- Hydrocephalus
Andre undersøgelses-id-numre
- 310995 - A
Lægemiddel- og udstyrsoplysninger, undersøgelsesdokumenter
Studerer et amerikansk FDA-reguleret lægemiddelprodukt
Studerer et amerikansk FDA-reguleret enhedsprodukt
Disse oplysninger blev hentet direkte fra webstedet clinicaltrials.gov uden ændringer. Hvis du har nogen anmodninger om at ændre, fjerne eller opdatere dine undersøgelsesoplysninger, bedes du kontakte register@clinicaltrials.gov. Så snart en ændring er implementeret på clinicaltrials.gov, vil denne også blive opdateret automatisk på vores hjemmeside .
Kliniske forsøg med Cerebralt infarkt
-
Imperial College LondonGuy's and St Thomas' NHS Foundation Trust; University Hospital Southampton... og andre samarbejdspartnereRekrutteringSlag | Neurokognitiv dysfunktion | Silent Cerebral Infarction | Vaskulær hjerneskadeDet Forenede Kongerige
-
UMC UtrechtAfsluttetKardiopulmonal bypass | Cerebral Perfusion | Cerebral iltningHolland
-
Seoul National University HospitalRekrutteringCerebral blodgennemstrømningKorea, Republikken
-
University of MichiganAfsluttetCerebral hypoperfusionForenede Stater
-
Seoul National University HospitalAfsluttetCerebral iltmætningKorea, Republikken
-
Medical University of ViennaUkendtCerebral iltning
-
Icahn School of Medicine at Mount SinaiAfsluttetCerebral Oxygen Monitoring During Surgery and Recovery After Surgery in Patients Having Lung SurgeryCerebral oxygendesaturationForenede Stater
-
Poznan University of Medical SciencesAfsluttetCerebral iltningPolen
-
Papworth Hospital NHS Foundation TrustCambridge University Hospitals NHS Foundation TrustIkke rekrutterer endnuCerebral blodgennemstrømning
-
Assistance Publique - Hôpitaux de ParisRekrutteringCerebral arteriopatiFrankrig
Kliniske forsøg med Læsning
-
Children's Hospital Medical Center, CincinnatiAktiv, ikke rekrutterendeForældre-barn relationer | Sprogudvikling | LæsefærdighedForenede Stater
-
Father Flanagan's Boys' HomeRekrutteringHøretab, sensorineural | Vestibulær lidelseForenede Stater
-
National Cancer Institute (NCI)AfsluttetProstatiske neoplasmer | Prostatakræft | Neoplasmer af prostata | Prostatakræft | Stadie D0 prostatakræftForenede Stater
-
H. Lee Moffitt Cancer Center and Research InstituteKite, A Gilead CompanyAktiv, ikke rekrutterendeDiffust storcellet B-celle lymfom | Transformeret lymfomForenede Stater