- ICH GCP
- US-Register für klinische Studien
- Klinische Studie NCT06018545
KI-unterstützte Leserbewertung bei der Kopfinterpretation der akuten Computertomographie (CT). (AI-REACT)
KI-unterstützte Leserbewertung bei der akuten CT-Kopfinterpretation
Diese Studie wurde als Unterstudie zur Studie „Simulation Training for Emergency Department Imaging 2“ (ClinicalTrials.gov) hinzugefügt ID NCT05427838).
Der Zweck der Studie besteht darin, die Auswirkungen eines Tools der künstlichen Intelligenz (KI) namens qER 2.0 EU auf die Leistung von Befundern, darunter allgemeine Radiologen, Notfallmediziner und Radiologen, bei der Interpretation von kontrastfreien CT-Kopfscans zu bewerten. Ziel der Studie ist es, die Veränderungen in Bezug auf Genauigkeit, Überprüfungszeit und Diagnosesicherheit bei der Verwendung des KI-Tools zu bewerten. Ziel ist es außerdem, Belege für die diagnostische Leistung des KI-Tools und sein Potenzial zur Verbesserung der Effizienz und Patientenversorgung im Kontext des National Health Service (NHS) zu liefern. Für die Studie wird ein Datensatz von 150 CT-Kopfscans verwendet, der sowohl Kontrollfälle als auch abnormale Fälle mit spezifischen Anomalien umfasst. Die Ergebnisse dieser Studie werden in größere Folgestudien in realen Notaufnahmen (ED) einfließen.
Studienübersicht
Status
Bedingungen
Intervention / Behandlung
Studientyp
Einschreibung (Tatsächlich)
Kontakte und Standorte
Studienorte
-
-
-
Glasgow, Vereinigtes Königreich, G12 0XH
- NHS Greater Glasgow and Clyde
-
Newcastle upon Tyne, Vereinigtes Königreich, NE27 0QJ
- Northumbria Healthcare NHS Foundation Trust
-
-
London
-
London, London, Vereinigtes Königreich, SE1 7EH
- Guy's & St Thomas NHS Foundation Trust
-
-
Oxfordshire
-
Oxford, Oxfordshire, Vereinigtes Königreich, OX3 9DU
- Oxford University Hospitals NHS Foundation Trust
-
-
Teilnahmekriterien
Zulassungskriterien
Studienberechtigtes Alter
- Kind
- Erwachsene
- Älterer Erwachsener
Akzeptiert gesunde Freiwillige
Probenahmeverfahren
Studienpopulation
Einstellung:
Die Leser werden aus den folgenden vier Krankenhaus-Trusts (Sekundar- und Tertiärstufe) rekrutiert:
- Guy's & St Thomas NHS Foundation Trust
- Northumbria Healthcare NHS Foundation Trust
- NHS Greater Glasgow und Clyde
- NHS Foundation Trust der Oxford University Hospitals
Teilnehmer:
Aus den folgenden Gruppen werden 30 freiwillige teilnehmende Leser ausgewählt:
- Notfallmedizinische Berater und Assistenzärzte (5 Berater, 5 Assistenzärzte (ST3-6), 5 Junior (F1-ST2))
- Allgemeine Radiologenberater und Registrare (5 Berater, 5 Registrar)
- 5 CT-Radiologen
Beschreibung
Einschlusskriterien:
- Radiologen/Röntgentechniker/ED-Kliniker, die im Rahmen ihrer klinischen Praxis CT-Kopfscans überprüfen
Ausschlusskriterien:
- Neuroradiologen.
- Nicht-radiologische Gruppen: Kliniker mit vorheriger formeller postgradualer CT-Berichterstellungsausbildung
- Gruppe Notfallmedizin: Kliniker mit vorheriger Karriere in der Radiologie/Neurochirurgie bis hin zum Assistenzarzt
Studienplan
Wie ist die Studie aufgebaut?
Designdetails
Kohorten und Interventionen
Gruppe / Kohorte |
Intervention / Behandlung |
|---|---|
|
Leser
Es werden 30 Leser aus vier NHS-Trusts rekrutiert, darunter zehn allgemeine Radiologen, fünfzehn Notfallmediziner und fünf CT-Radiologen unterschiedlicher Dienstalter.
Die Leser interpretieren jeden Scan zunächst ohne, dann mit der Unterstützung des KI-Tools, mit einer dazwischenliegenden Auswaschphase von 4 Wochen.
Anhand einer Gruppe von Neuroradiologen als Grundlage wird die eigenständige Leistung von qER bewertet und ihre Auswirkung auf die Leistung der Leser als Änderung der Genauigkeit, der durchschnittlichen Überprüfungszeit pro Scan und der selbstberichteten diagnostischen Sicherheit analysiert.
Untergruppenanalysen werden nach Berufsgruppe des Lesers, Dienstalter des Lesers, pathologischem Befund und vom Neuroradiologen bewerteter Schwierigkeit durchgeführt.
|
Alle 30 Leser werden alle 150 Fälle in jeder der beiden Studienphasen prüfen.
Die Leser werden ihre Meinung zum Vorliegen oder Fehlen einiger akuter Anomalien äußern, darunter intrakranielle Blutungen, Infarkte, Mittellinienverschiebungen und Frakturen.
Sie geben Vertrauen in ihre Diagnose (visuelle 10-Punkte-Analogskala) und markieren mit einem einzigen Klick den Ort jeder Anomalie, die ihrer Meinung nach vorhanden ist.
Die für jeden Scan benötigte Zeit wird automatisch aufgezeichnet.
|
|
Bodenwahrer
Zwei beratende Neuroradiologen werden die Bilder unabhängig voneinander überprüfen, um die „grundlegenden“ Ergebnisse der CT-Scans zu ermitteln, die als Referenzstandard verwendet werden.
Im Falle einer Meinungsverschiedenheit wird die Meinung eines dritten leitenden Neuroradiologen zur Schlichtung eingeholt.
Jedem Scan wird von den Ground Truthern anhand einer 5-Punkte-Likert-Skala ein Schwierigkeitsgrad zugewiesen.
|
Zwei beratende Neuroradiologen werden die Bilder unabhängig voneinander überprüfen, um die „grundlegenden“ Ergebnisse der CT-Scans zu ermitteln, die als Referenzstandard verwendet werden.
Im Falle einer Meinungsverschiedenheit wird die Meinung eines dritten leitenden Neuroradiologen zur Schlichtung eingeholt.
|
Was misst die Studie?
Primäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Leseleistung: Sensitivität, Spezifität, Vergleich zwischen mit und ohne KI-Unterstützung.
Zeitfenster: Während 6 Wochen, in denen die Fälle/Scans gelesen oder überprüft werden.
|
Die Leserleistung wird als Sensitivität, Spezifität, mit und ohne KI-Unterstützung bewertet.
|
Während 6 Wochen, in denen die Fälle/Scans gelesen oder überprüft werden.
|
|
Leseleistung: Positiver und negativer Vorhersagewert, Vergleich zwischen mit und ohne KI-Unterstützung.
Zeitfenster: Während 6 Wochen, in denen die Fälle/Scans gelesen oder überprüft werden.
|
Die Leserleistung wird als positiver Vorhersagewert (PPV) und negativer Vorhersagewert (NPV) mit und ohne KI-Unterstützung bewertet.
|
Während 6 Wochen, in denen die Fälle/Scans gelesen oder überprüft werden.
|
|
Leseleistung: Fläche unter der Receiver Operating Characteristic Curve (AUROC), Vergleich zwischen mit und ohne KI-Unterstützung.
Zeitfenster: Während 6 Wochen, in denen die Fälle/Scans gelesen oder überprüft werden.
|
Die Leistung des Lesegeräts wird als Fläche unter der Receiver Operating Characteristic Curve (AUROC) mit und ohne KI-Unterstützung bewertet.
|
Während 6 Wochen, in denen die Fälle/Scans gelesen oder überprüft werden.
|
|
Lesegeschwindigkeit: Durchschnittliche Zeit, die zum Überprüfen eines Scans benötigt wird, mit oder ohne KI-Unterstützung.
Zeitfenster: Während 6 Wochen, in denen die Fälle/Scans gelesen oder überprüft werden.
|
Die Lesergeschwindigkeit wird als die Mannzeit bewertet, die zum Überprüfen eines Scans benötigt wird, wobei die Zeiteinheit Sekunden verwendet wird.
|
Während 6 Wochen, in denen die Fälle/Scans gelesen oder überprüft werden.
|
|
Leservertrauen: Selbstberichtetes diagnostisches Vertrauen auf einer 10-stufigen visuellen Analogskala, mit vs. ohne KI-Unterstützung.
Zeitfenster: Während 6 Wochen, in denen die Fälle/Scans gelesen oder überprüft werden.
|
Auf der Leseplattform (RAIQC) wird in einer der Fragen das Maß an Vertrauen abgefragt, das der Teilnehmer in seine diagnostische Meinung hat.
Die Frage bietet eine Skala von 1 bis 10, wobei 1 nicht zuversichtlich und 10 sehr zuversichtlich ist.
|
Während 6 Wochen, in denen die Fälle/Scans gelesen oder überprüft werden.
|
|
qER-Leistung (KI-Algorithmus): Sensitivität und Spezifität
Zeitfenster: Während 6 Wochen, in denen die Fälle/Scans gelesen oder überprüft werden.
|
Die qER-Leistung wird als Sensitivität und Spezifität bewertet.
|
Während 6 Wochen, in denen die Fälle/Scans gelesen oder überprüft werden.
|
|
qER-Leistung (KI-Algorithmus): Positiver und negativer Vorhersagewert.
Zeitfenster: Während 6 Wochen, in denen die Fälle/Scans gelesen oder überprüft werden.
|
Die qER-Leistung wird als positiver Vorhersagewert (PPV) und negativer Vorhersagewert (NPV) bewertet.
|
Während 6 Wochen, in denen die Fälle/Scans gelesen oder überprüft werden.
|
|
qER-Leistung (KI-Algorithmus): Fläche unter der Receiver Operating Characteristic Curve (AUROC).
Zeitfenster: Während 6 Wochen, in denen die Fälle/Scans gelesen oder überprüft werden.
|
Die qER-Leistung wird als Fläche unter der Receiver Operating Characteristic Curve (AUROC) bewertet.
|
Während 6 Wochen, in denen die Fälle/Scans gelesen oder überprüft werden.
|
Mitarbeiter und Ermittler
Ermittler
- Hauptermittler: Alex Novak, MSc, National Health Services in the United Kingdom (NHS UK)
- Hauptermittler: Sarim Ather, PhD, National Health Services in the United Kingdom (NHS UK)
Publikationen und hilfreiche Links
Allgemeine Veröffentlichungen
- 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.
- 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.
- 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.
- Fu H, Novak A, Robert D, Kumar S, Tanamala S, Oke J, Bhatia K, Shah R, Romsauerova A, Das T, Espinosa A, Grzeda MT, Narbone M, Dharmadhikari R, Harrison M, Vimalesvaran K, Gooch J, Woznitza N, Salik N, Campbell A, Khan F, Lowe DJ, Shuaib H, Ather S. AI assisted reader evaluation in acute CT head interpretation (AI-REACT): protocol for a multireader multicase study. BMJ Open. 2024 Feb 12;14(2):e079824. doi: 10.1136/bmjopen-2023-079824.
Nützliche 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.
Studienaufzeichnungsdaten
Haupttermine studieren
Studienbeginn (Tatsächlich)
Primärer Abschluss (Tatsächlich)
Studienabschluss (Tatsächlich)
Studienanmeldedaten
Zuerst eingereicht
Zuerst eingereicht, das die QC-Kriterien erfüllt hat
Zuerst gepostet (Tatsächlich)
Studienaufzeichnungsaktualisierungen
Letztes Update gepostet (Tatsächlich)
Letztes eingereichtes Update, das die QC-Kriterien erfüllt
Zuletzt verifiziert
Mehr Informationen
Begriffe im Zusammenhang mit dieser Studie
Schlüsselwörter
Zusätzliche relevante MeSH-Bedingungen
- Zerebrovaskuläre Erkrankungen
- Erkrankungen des Gehirns
- Erkrankungen des zentralen Nervensystems
- Erkrankungen des Nervensystems
- Gefäßerkrankungen
- Herz-Kreislauf-Erkrankungen
- Wunden und Verletzungen
- Pathologische Prozesse
- Blutung
- Hirninfarkt
- Ischämie des Gehirns
- Infarkt
- Nekrose
- Kraniozerebrales Trauma
- Trauma, Nervensystem
- Ischämie
- Streicheln
- Pathologische Zustände, Anzeichen und Symptome
- Ischämischer Schlaganfall
- Hirninfarkt
- Hirnverletzungen
- Gehirnödem
- Hydrozephalus
- Intrakranielle Blutungen
Andere Studien-ID-Nummern
- 310995 - A
Arzneimittel- und Geräteinformationen, Studienunterlagen
Studiert ein von der US-amerikanischen FDA reguliertes Arzneimittelprodukt
Studiert ein von der US-amerikanischen FDA reguliertes Geräteprodukt
Diese Informationen wurden ohne Änderungen direkt von der Website clinicaltrials.gov abgerufen. Wenn Sie Ihre Studiendaten ändern, entfernen oder aktualisieren möchten, wenden Sie sich bitte an register@clinicaltrials.gov. Sobald eine Änderung auf clinicaltrials.gov implementiert wird, wird diese automatisch auch auf unserer Website aktualisiert .
Klinische Studien zur Hirninfarkt
-
Fondation Ophtalmologique Adolphe de RothschildFrench National Agency for Research on AIDS and Viral HepatitisAbgeschlossenCerebral Small Vessel DiseaseFrankreich
Klinische Studien zur Lektüre
-
Peking UniversityAktiv, nicht rekrutierendEmotionsregulation | Ungünstige KindheitserfahrungChina
-
Caroline RowlandAbgeschlossenSprachentwicklungVereinigtes Königreich
-
Opera CRO, a TIGERMED Group CompanyAbgeschlossen
-
National Cancer Institute (NCI)AbgeschlossenProstataneoplasmen | Prostataspezifische AntigeneVereinigte Staaten
-
National Cancer Institute (NCI)BeendetProstataneoplasmen | ProstatakrebsVereinigte Staaten
-
Children's Hospital Medical Center, CincinnatiAbgeschlossenEltern-Kind-Beziehungen | Sprachentwicklung | AlphabetisierungVereinigte Staaten
-
H. Lee Moffitt Cancer Center and Research InstituteKite, A Gilead CompanyAbgeschlossenDiffuses großzelliges B-Zell-Lymphom | Transformiertes LymphomVereinigte Staaten