Vurder den kliniske effektivitet ved prioritering af CT-hoveder (ACCEPT)

Studiebaggrund:

Akutafdelinger (ED) i hele Storbritannien er overbebyrdet med stigende efterspørgsel efter patienter, mangel på radiologipersonale og stigende patientventetider. Hovedskader er en hyppig årsag til nødhjælp i Det Forenede Kongerige med computertomografi (CT)-scanninger som regel de første billeddiagnostiske tests til at diagnosticere hovedskader og slagtilfælde.

En rapport udstedt af National Institute of Health and Care Excellence (NICE), bekræfter, at 1,4 millioner mennesker hvert år besøger akutafdelinger i England og Wales med hovedskade. Blandt de 200.000 patienter, der indlægges årligt, lider en femtedel af dem af en traumatisk hjerneskade med kraniebrud eller tegn på hjerneskade. Hovedskader er den hyppigste årsag til dødsfald og invaliditet hos personer op til 40 år. Tidlig opdagelse og hurtig behandling er afgørende for at redde liv og minimere risikoen for handicap, i henhold til NICEs retningslinjer for hovedskade: vurdering og tidlig håndtering. Hoved-CT-scanninger er guldstandarden for diagnosticering af disse, og det er afgørende, at disse udføres og rapporteres af radiologer i overensstemmelse med NICE-retningslinjerne.

De potentielle anvendelser af AI i radiologi går langt ud over billedanalyse for diagnostiske og prognostiske muligheder. Det bliver mere og mere klart, at AI-algoritmer har potentialet til at forbedre produktivitet, driftseffektivitet og nøjagtighed inden for diagnostisk radiologi. AI-værktøjer udvikles til at hjælpe med diagnosticering og forbedre processer på flere punkter i radiologi-workflowet, herunder:

(a) protokollering af den prioriterede scanning, (b) kliniske beslutningsstøttesystemer til påvisning af kritiske fund, (c) justering af arbejdslisteprioritet via AI-resultater og (d) reduktion af ekspeditionstid gennem arbejdslisteprioritering og halvautomatisk strukturrapportering. Indførelsen af ​​AI-værktøjer er afhængig af demonstrationen af ​​en håndgribelig effekt på patientpleje og forbedring af radiologens arbejdsgang.

Derfor sigter vi i denne undersøgelse på at vurdere, om implementering af et kunstig intelligensværktøj, der udvider (b), (c) og (d) af billeddannelsens livscyklus, vil påvirke omløbstider.

qER medicinsk udstyr:

qER, en CE Klasse II godkendt medicinsk softwareenhed, detekterer og lokaliserer tilstedeværelsen af ​​seks målabnormiteter - intrakraniel blødning, kraniefraktur, midtlinjeforskydning, masseeffekt, atrofi og hypodensiteter, der tyder på infarkter i hoved-CT-scanninger uden kontrast. En prioritetsstatus tildeles, hvis en af ​​målabnormaliteterne (intrakraniel blødning, kraniefraktur, midtlinjeforskydning eller masseeffekt) detekteres af softwaren, og brugeren vil være i stand til at se et enkelt oversigtsudsnit, der viser alle målabnormiteterne fundet af qER på CT-scanningen efterfulgt af alle skiver i scanningen med overlejringen af ​​ovenstående abnormitetslokalisering. Alternativt, hvis ingen af ​​målabnormiteterne opdages, vil outputtet indikere, at softwaren har analyseret billedet og ikke identificeret nogen kritiske fund. qER-rapporter er beregnet til at støtte certificerede radiologer og/eller licenserede læger til klinisk beslutningstagning. Det er et støtteværktøj og, når det bruges sammen med originale scanninger, kan det hjælpe klinikeren med at forbedre effektiviteten, nøjagtigheden og behandlingstiden ved læsehoved-CT'er. Det må ikke bruges til at yde lægelig rådgivning, fastlægge behandlingsplan eller anbefale en handlingsmetode til patienten.

Studere design:

En randomiseret multi-center-trapped wedged cluster-undersøgelse vil blive udført på 4 NHS-hospitaler over en 13-måneders periode. Hospitaler vil blive identificeret og indledt i qER-løsningen med en 30-dages implementeringsperiode. Rækkefølgen, hvori sites vil modtage qER-interventionen, vil blive bestemt ved computerbaseret randomisering. Det steppede kiledesign tillader levering af interventionen på et organisatorisk niveau med evaluering af resultatmål på patientniveau. At strukturere implementeringen gennem en trinvis aktivering i en tilfældig rækkefølge giver vigtige metodiske fordele for både kvalitative og kvantitative elementer af undersøgelsen. Designet tillader kontrol af adoptionsbias og justering for tidsbaserede ændringer i baggrundspatientkarakteristika på patientniveau.

Alle patienter under denne pathway vil modtage en AI-aflæsning, og der vil ikke blive udført yderligere eller forskellige tests som et resultat af AI-fundene. Omløbstiden vil være intervallet mellem det tidspunkt, hvor scanningen blev taget, til det tidspunkt, hvor den endelige scanningsrapport bliver tilgængelig, og vil blive målt i minutter. Når qER-assistance bruges til at rapportere Head-CT-scanninger, og hvis der er forskel mellem output fra qER og radiologen, vil sidstnævnte blive betragtet som endeligt for yderligere patientbehandling.

Primært mål:

Det primære mål er at vurdere, om qER-baseret rapportering og triage signifikant reducerer turnaround time (TAT) af kritisk NCCT-hovedrapportering for patienter, der går på akutafdelingen.

Sekundære mål:

• At vurdere nytten af ​​qER til at understøtte akutmodtagelsesforløb for patienter, der kræver NCCT-leder- og radiologirapporteringsworkflow.
• At vurdere sikkerheden af ​​qER til at identificere patienter med kritiske fund på NCCT-hoveder.
• For at evaluere den tekniske ydeevne af qER.
• At udføre en Heath Economic, cost utility analyse af qER.