- ICH GCP
- Registro de ensayos clínicos de EE. UU.
- Ensayo clínico NCT06018545
Evaluación del lector asistida por IA en la interpretación de la cabeza por tomografía computarizada (TC) aguda (AI-REACT)
Evaluación del lector asistida por IA en la interpretación aguda de la cabeza por TC
Este estudio se agregó como un subestudio al estudio Entrenamiento de simulación para imágenes en el departamento de emergencias 2 (ClinicalTrials.gov DNI NCT05427838).
El propósito del estudio es evaluar el impacto de una herramienta de Inteligencia Artificial (IA) llamada qER 2.0 EU en el desempeño de los lectores, incluidos radiólogos generales, médicos de urgencias y radiólogos, en la interpretación de tomografías computarizadas de la cabeza sin contraste. El estudio tiene como objetivo evaluar los cambios en la precisión, el tiempo de revisión y la confianza del diagnóstico al utilizar la herramienta de IA. También busca proporcionar evidencia sobre el rendimiento diagnóstico de la herramienta de IA y su potencial para mejorar la eficiencia y la atención al paciente en el contexto del Servicio Nacional de Salud (NHS). El estudio utilizará un conjunto de datos de 150 tomografías computarizadas de la cabeza, incluidos casos de control y casos anormales con anomalías específicas. Los resultados de este estudio informarán estudios de seguimiento más amplios en entornos del Departamento de Emergencias (SU) de la vida real.
Descripción general del estudio
Estado
Condiciones
Intervención / Tratamiento
Tipo de estudio
Inscripción (Actual)
Contactos y Ubicaciones
Ubicaciones de estudio
-
-
-
Glasgow, Reino Unido, G12 0XH
- NHS Greater Glasgow and Clyde
-
Newcastle upon Tyne, Reino Unido, NE27 0QJ
- Northumbria Healthcare NHS Foundation Trust
-
-
London
-
London, London, Reino Unido, SE1 7EH
- Guy's & St Thomas NHS Foundation Trust
-
-
Oxfordshire
-
Oxford, Oxfordshire, Reino Unido, OX3 9DU
- Oxford University Hospitals NHS Foundation Trust
-
-
Criterios de participación
Criterio de elegibilidad
Edades elegibles para estudiar
- Niño
- Adulto
- Adulto Mayor
Acepta Voluntarios Saludables
Método de muestreo
Población de estudio
Configuración:
Los lectores serán reclutados de los siguientes cuatro fideicomisos hospitalarios (nivel secundario y terciario:
- Fideicomiso de la Fundación Guy's & St Thomas NHS
- Fideicomiso de la Fundación NHS de Northumbria Healthcare
- NHS Gran Glasgow y Clyde
- Fideicomiso de la Fundación NHS de los hospitales de la Universidad de Oxford
Participantes:
Se seleccionarán 30 lectores participantes voluntarios de los siguientes grupos:
- Consultores y registradores de medicina de emergencia (5 consultores, 5 registradores (ST3-6), 5 junior (F1-ST2)
- Consultores y Registradores de Radiólogos Generales (5 Consultores, 5 Registradores)
- 5 radiólogos de tomografía computarizada
Descripción
Criterios de inclusión:
- Radiólogos/radiógrafos/médicos de urgencias que revisan tomografías computarizadas de la cabeza como parte de su práctica clínica.
Criterio de exclusión:
- Neurorradiólogos.
- Grupos de no radiólogos: médicos con formación formal previa de posgrado en informes de TC.
- Grupo de Medicina de Emergencia: Médicos con carrera previa en radiología/neurocirugía hasta el nivel de registrador
Plan de estudios
¿Cómo está diseñado el estudio?
Detalles de diseño
Cohortes e Intervenciones
Grupo / Cohorte |
Intervención / Tratamiento |
|---|---|
|
Lectores
Se reclutarán 30 lectores en cuatro fideicomisos del NHS, incluidos diez radiólogos generales, quince médicos de medicina de emergencia y cinco radiólogos de tomografía computarizada de diversa antigüedad.
Los lectores interpretarán cada escaneo primero sin la ayuda de la herramienta de inteligencia artificial y luego con ella, con un período de lavado intermedio de 4 semanas.
Utilizando un panel de neurorradiólogos como verdad sobre el terreno, se evaluará el rendimiento independiente de qER y se analizará su impacto en el rendimiento de los lectores como cambio en la precisión, tiempo medio de revisión por exploración y confianza diagnóstica autoinformada.
Los análisis de subgrupos se realizarán por grupo profesional de lectores, antigüedad del lector, hallazgo patológico y dificultad calificada por el neurorradiólogo.
|
Los 30 lectores revisarán los 150 casos, en cada una de las dos fases del estudio.
Los lectores darán su opinión sobre la presencia o ausencia de algunas anomalías agudas, como hemorragia intracraneal, infarto, desplazamiento de la línea media y fractura.
Proporcionarán confianza en su diagnóstico (escala analógica visual de 10 puntos) y un solo punto de clic para marcar la ubicación de cada anomalía que consideren presente.
El tiempo necesario para cada escaneo se registrará automáticamente.
|
|
Verdaderos terrenos
Dos neurorradiólogos consultores revisarán de forma independiente las imágenes para establecer los hallazgos "verdaderos" en las tomografías computarizadas que se utilizarán como estándar de referencia.
En caso de desacuerdo, se buscará la opinión de un tercer neurorradiólogo senior para arbitraje.
Los expertos en terreno asignarán una puntuación de dificultad a cada escaneo utilizando una escala Likert de 5 puntos.
|
Dos neurorradiólogos consultores revisarán de forma independiente las imágenes para establecer los hallazgos "verdaderos" en las tomografías computarizadas que se utilizarán como estándar de referencia.
En caso de desacuerdo, se buscará la opinión de un tercer neurorradiólogo senior para arbitraje.
|
¿Qué mide el estudio?
Medidas de resultado primarias
Medida de resultado |
Medida Descripción |
Periodo de tiempo |
|---|---|---|
|
Rendimiento del lector: sensibilidad, especificidad, comparativa entre con y sin asistencia de IA.
Periodo de tiempo: Durante 6 semanas, que es el periodo de lectura o revisión de los casos/scans.
|
El rendimiento del lector se evaluará como sensibilidad, especificidad, con y sin asistencia de IA.
|
Durante 6 semanas, que es el periodo de lectura o revisión de los casos/scans.
|
|
Rendimiento del lector: valor predictivo positivo y negativo, comparativo entre con y sin asistencia de IA.
Periodo de tiempo: Durante 6 semanas, que es el periodo de lectura o revisión de los casos/scans.
|
El rendimiento del lector se evaluará como valor predictivo positivo (VPP) y valor predictivo negativo (VPN), con y sin asistencia de IA.
|
Durante 6 semanas, que es el periodo de lectura o revisión de los casos/scans.
|
|
Rendimiento del lector: Área bajo la curva característica operativa del receptor (AUROC), comparativa entre con y sin asistencia de IA.
Periodo de tiempo: Durante 6 semanas, que es el periodo de lectura o revisión de los casos/scans.
|
El rendimiento del lector se evaluará como la curva característica operativa del área bajo el receptor (AUROC), con y sin asistencia de IA.
|
Durante 6 semanas, que es el periodo de lectura o revisión de los casos/scans.
|
|
Velocidad del lector: tiempo medio necesario para revisar un escaneo, con y sin asistencia de IA.
Periodo de tiempo: Durante 6 semanas, que es el periodo de lectura o revisión de los casos/scans.
|
La velocidad del lector se evaluará como el tiempo necesario para revisar un escaneo, utilizando unidades de tiempo en segundos.
|
Durante 6 semanas, que es el periodo de lectura o revisión de los casos/scans.
|
|
Confianza del lector: confianza diagnóstica autoinformada en una escala analógica visual de 10 puntos, con y sin asistencia de IA.
Periodo de tiempo: Durante 6 semanas, que es el periodo de lectura o revisión de los casos/scans.
|
En la plataforma de lectura (RAIQC), una de las preguntas indaga sobre el nivel de confianza que tiene el participante en su opinión diagnóstica.
La pregunta ofrece una escala del 1 al 10, donde 1 no tiene confianza y 10 tiene mucha confianza.
|
Durante 6 semanas, que es el periodo de lectura o revisión de los casos/scans.
|
|
Rendimiento qER (algoritmo AI): sensibilidad y especificidad
Periodo de tiempo: Durante 6 semanas, que es el periodo de lectura o revisión de los casos/scans.
|
El rendimiento de qER se evaluará como sensibilidad y especificidad.
|
Durante 6 semanas, que es el periodo de lectura o revisión de los casos/scans.
|
|
Rendimiento qER (algoritmo AI): valor predictivo positivo y negativo.
Periodo de tiempo: Durante 6 semanas, que es el periodo de lectura o revisión de los casos/scans.
|
El desempeño de qER se evaluará como valor predictivo positivo (VPP) y valor predictivo negativo (VPN).
|
Durante 6 semanas, que es el periodo de lectura o revisión de los casos/scans.
|
|
Rendimiento de qER (algoritmo AI): Área bajo la curva característica operativa del receptor (AUROC).
Periodo de tiempo: Durante 6 semanas, que es el periodo de lectura o revisión de los casos/scans.
|
El rendimiento de qER se evaluará como área bajo la curva característica operativa del receptor (AUROC)
|
Durante 6 semanas, que es el periodo de lectura o revisión de los casos/scans.
|
Colaboradores e Investigadores
Patrocinador
Investigadores
- Investigador principal: Alex Novak, MSc, National Health Services in the United Kingdom (NHS UK)
- Investigador principal: Sarim Ather, PhD, National Health Services in the United Kingdom (NHS UK)
Publicaciones y enlaces útiles
Publicaciones Generales
- 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.
Enlaces Útiles
- 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.
Fechas de registro del estudio
Fechas importantes del estudio
Inicio del estudio (Actual)
Finalización primaria (Actual)
Finalización del estudio (Actual)
Fechas de registro del estudio
Enviado por primera vez
Primero enviado que cumplió con los criterios de control de calidad
Publicado por primera vez (Actual)
Actualizaciones de registros de estudio
Última actualización publicada (Actual)
Última actualización enviada que cumplió con los criterios de control de calidad
Última verificación
Más información
Términos relacionados con este estudio
Palabras clave
Términos MeSH relevantes adicionales
- Trastornos cerebrovasculares
- Enfermedades Cerebrales
- Enfermedades del Sistema Nervioso Central
- Enfermedades del Sistema Nervioso
- Enfermedades Vasculares
- Enfermedades cardiovasculares
- Heridas y Lesiones
- Procesos Patológicos
- Hemorragia
- Infarto cerebral
- Isquemia cerebral
- Infarto
- Necrosis
- Trauma craneoencefálico
- Trauma, Sistema Nervioso
- Isquemia
- Carrera
- Condiciones Patológicas, Signos y Síntomas
- Accidente cerebrovascular isquémico
- Infarto cerebral
- Lesiones Cerebrales
- Edema cerebral
- Hidrocefalia
- Hemorragias intracraneales
Otros números de identificación del estudio
- 310995 - A
Información sobre medicamentos y dispositivos, documentos del estudio
Estudia un producto farmacéutico regulado por la FDA de EE. UU.
Estudia un producto de dispositivo regulado por la FDA de EE. UU.
Esta información se obtuvo directamente del sitio web clinicaltrials.gov sin cambios. Si tiene alguna solicitud para cambiar, eliminar o actualizar los detalles de su estudio, comuníquese con register@clinicaltrials.gov. Tan pronto como se implemente un cambio en clinicaltrials.gov, también se actualizará automáticamente en nuestro sitio web. .
Ensayos clínicos sobre Infarto cerebral
-
Ankara City Hospital BilkentReclutamientoParálisis Cerebral (PC) | Parálisis Cerebral, Espástica, Dipléjica | Parálisis cerebral dipléjica con espasticidad | Estimulación Magnética TranscranealTurquía (Türkiye)
-
Suleyman Demirel UniversityTerminadoParálisis cerebral | Parálisis Cerebral Hemipléjica | Parálisis cerebral con diplejía espásticaTurquía (Türkiye)
-
Indiana UniversityActivo, no reclutandoLesión cerebral traumática | Conmoción cerebral, grave | Conmoción cerebral, intermedia | Conmoción cerebral con pérdida breve de la conciencia | Lesión cerebral traumática con pérdida breve de la conciencia | Lesión cerebral traumática sin pérdida de conciencia | Conmoción cerebral con LOC 31... y otras condicionesEstados Unidos
-
Maastricht University Medical CenterWild Blueberry Association of North AmericaReclutamientoEl flujo sanguíneo cerebral | Función vascular cerebral | Sensibilidad a la insulina cerebralPaíses Bajos
-
Holland Bloorview Kids Rehabilitation HospitalCanadian Institutes of Health Research (CIHR)ReclutamientoParálisis Cerebral (PC) | Parálisis Cerebral HemipléjicaCanadá
-
Cairo UniversityTerminadoParálisis Cerebral (PC) | Parálisis Cerebral UnilateralEgipto
-
University of California, San FranciscoAún no reclutandoParálisis cerebral | Parálisis Cerebral (PC) | Niño | Parálisis Cerebral InfantilEstados Unidos
-
UMC UtrechtTerminadoBypass cardiopulmonar | Perfusión Cerebral | Oxigenación CerebralPaíses Bajos
-
University of NottinghamUniversity of LeicesterReclutamientoPresión arterial | Autorregulación Cerebral | Autorregulación Cerebral DinámicaReino Unido
-
Lahore University of Biological and Applied SciencesAún no reclutandoParálisis cerebral con diplejía espásticaPakistán
Ensayos clínicos sobre Lectura
-
Opera CRO, a TIGERMED Group CompanyTerminado
-
Children's Hospital Medical Center, CincinnatiTerminadoRelaciones entre padres e hijos | Desarrollo del lenguaje | LiteraturaEstados Unidos