- ICH GCP
- Registro de ensayos clínicos de EE. UU.
- Ensayo clínico NCT06130397
Detección de fracturas asistida por IA en rayos X (FRACT-AI) (FRACT-AI)
FRACT-AI: Evaluación del impacto del análisis de imágenes mejorado por inteligencia artificial en la precisión diagnóstica de los médicos de primera línea en la detección de fracturas en rayos X simples
Descripción general del estudio
Estado
Condiciones
Intervención / Tratamiento
Tipo de estudio
Inscripción (Estimado)
Contactos y Ubicaciones
Estudio Contacto
- Nombre: Sarim Ather, PhD
- Número de teléfono: +44 7877724961
- Correo electrónico: sarim.ather@ouh.nhs.uk
Copia de seguridad de contactos de estudio
- Nombre: Alex Novak, MSc
- Número de teléfono: +44 7944653979
- Correo electrónico: alex.novak@ouh.nhs.uk
Ubicaciones de estudio
-
-
Oxfordshire
-
Oxford, Oxfordshire, Reino Unido, OX3 9DU
- Reclutamiento
- Oxford University Hospitals NHS Foundation Trust
-
Contacto:
- Alex Novak, MSc
- Número de teléfono: +44 7944 653970
- Correo electrónico: alex.novak@ouh.nhs.uk
-
Sub-Investigador:
- Abdalá T Espinosa Morgado, MSc
-
-
Criterios de participación
Criterio de elegibilidad
Edades elegibles para estudiar
- Niño
- Adulto
- Adulto Mayor
Acepta Voluntarios Saludables
Método de muestreo
Población de estudio
Médicos de urgencias, cirujanos traumatólogos y ortopédicos, enfermeros practicantes de urgencias, fisioterapeutas, radiólogos generales y radiógrafos que revisan radiografías como parte de su práctica clínica habitual y que actualmente trabajan en el Servicio Nacional de Salud (NHS).
Se reclutarán lectores de cinco organizaciones del NHS que componen la Red de Investigación de Medicina de Emergencia de Thames Valley (www.TaVERNresearch.org):
- Fideicomiso de la Fundación NHS de los hospitales de la Universidad de Oxford
- Fideicomiso de la Fundación Royal Berkshire NHS
- Fideicomiso del NHS de atención médica de Buckinghamshire
- Fideicomiso de la Fundación Frimley Health NHS
- Fideicomiso de la Fundación NHS del Hospital Universitario de Milton Keynes
Descripción
Criterios de inclusión:
- Médicos de urgencias, cirujanos traumatólogos y ortopédicos, enfermeros practicantes de urgencias, fisioterapeutas, radiólogos generales y radiógrafos que revisan las radiografías como parte de su práctica clínica habitual.
- Actualmente trabajando en el Servicio Nacional de Salud (NHS).
Criterio de exclusión:
- Médicos no especialistas en radiología con formación formal previa de posgrado en informes de XR.
- Médicos no radiólogos con carrera previa en radiología.
Plan de estudios
¿Cómo está diseñado el estudio?
Detalles de diseño
Cohortes e Intervenciones
Grupo / Cohorte |
Intervención / Tratamiento |
---|---|
Lectores/participantes
Selección de lectores: se seleccionarán 18 lectores de los siguientes cinco grupos de especialidades clínicas (3 lectores cada uno):
Y del siguiente nivel de antigüedad/experiencia:
Cada grupo de lectores especializados incluirá 1 lector en cada nivel de experiencia. Se reclutarán lectores de cinco organizaciones del NHS que componen la Red de Investigación de Medicina de Emergencia de Thames Valley (www.TaVERNresearch.org):
|
La lectura se realizará de forma remota a través del sitio Control de Calidad de Informes e Imágenes (www.RAIQC.com), una plataforma en línea que permite ver e informar imágenes médicas. Los participantes pueden trabajar desde cualquier lugar, pero el trabajo debe realizarse desde una computadora con acceso a Internet. Para evitar dudas, el trabajo no se puede realizar desde un teléfono o tableta. El proyecto se divide en dos fases y los participantes deben completar ambas fases. La implicación total estimada en el proyecto es de 20-24 horas. Fase 1: Tiempo permitido: 2 semanas - Los participantes deben revisar 500 radiografías y expresar una opinión clínica a través de una plantilla de informe estructurada (opción múltiple, no se requiere texto abierto). Período de descanso/lavado - Tiempo permitido: 4 semanas, para mitigar los efectos del sesgo de recuerdo. Fase 2 - Tiempo permitido: 2 semanas - Revisar 500 radiografías junto con un informe de IA para cada caso y expresar su opinión clínica a través de la misma plantilla de informe estructurado utilizada en la Fase 1. |
Verdaderos terrenos
Dos radiólogos musculoesqueléticos consultores.
La opinión de un tercer radiólogo musculoesquelético senior (>20 años de experiencia) realizará el arbitraje.
|
Dos radiólogos musculoesqueléticos consultores revisarán de forma independiente las imágenes para establecer los hallazgos "verdaderos" en las XR, cuando se llegue a un consenso, esto se utilizará como estándar de referencia.
En caso de desacuerdo, la opinión de un tercer radiólogo musculoesquelético senior (>20 años de experiencia) emprenderá el arbitraje.
Los expertos en el terreno asignarán una puntuación de dificultad a cada anomalía utilizando una escala Likert de 4 puntos (1 es fácil/obvio y 4 es difícil/mal visualizado).
|
¿Qué mide el estudio?
Medidas de resultado primarias
Medida de resultado |
Medida Descripción |
Periodo de tiempo |
---|---|---|
Rendimiento del algoritmo de IA: sensibilidad
Periodo de tiempo: Durante 4 semanas de tiempo de lectura.
|
Se realizará una evaluación del algoritmo Gleamer Boneview comparándolo con el estándar de referencia para determinar la sensibilidad.
|
Durante 4 semanas de tiempo de lectura.
|
Rendimiento del algoritmo de IA: especificidad
Periodo de tiempo: Durante 4 semanas de tiempo de lectura.
|
Se realizará una evaluación de Gleamer Boneview comparándolo con el estándar de referencia para determinar la especificidad.
|
Durante 4 semanas de tiempo de lectura.
|
Rendimiento del algoritmo de IA: Área bajo la curva ROC (AU ROC)
Periodo de tiempo: Durante 4 semanas de tiempo de lectura.
|
Se realizará la evaluación del algoritmo Gleamer Boneview comparándolo con el estándar de referencia.
Se utilizará la puntuación de probabilidad continua del algoritmo para los análisis ROC, mientras que los resultados de la clasificación binaria con un límite operativo predefinido se utilizarán para la evaluación de la sensibilidad, la especificidad, el valor predictivo positivo y el valor predictivo negativo.
|
Durante 4 semanas de tiempo de lectura.
|
Rendimiento de lectores con y sin asistencia de IA: Sensibilidad
Periodo de tiempo: Durante 4 semanas de tiempo de lectura.
|
El estudio incluirá dos sesiones (con y sin superposición de IA), en las que los 18 lectores revisarán los 500 casos de XR cada vez separados por un período de lavado para mitigar el sesgo de recuerdo.
Los casos serán aleatorios entre las dos lecturas y para cada lector.
|
Durante 4 semanas de tiempo de lectura.
|
Rendimiento de lectores con y sin asistencia de IA: especificidad
Periodo de tiempo: Durante 4 semanas de tiempo de lectura.
|
El estudio incluirá dos sesiones (con y sin superposición de IA), en las que los 18 lectores revisarán los 500 casos de XR cada vez separados por un período de lavado para mitigar el sesgo de recuerdo.
Los casos serán aleatorios entre las dos lecturas y para cada lector.
|
Durante 4 semanas de tiempo de lectura.
|
Rendimiento de lectores con y sin asistencia de IA: Área bajo la curva ROC (AU ROC)
Periodo de tiempo: Durante 4 semanas de tiempo de lectura.
|
El estudio incluirá dos sesiones (con y sin superposición de IA), en las que los 18 lectores revisarán los 500 casos de XR cada vez separados por un período de lavado para mitigar el sesgo de recuerdo.
Los casos serán aleatorios entre las dos lecturas y para cada lector.
|
Durante 4 semanas de tiempo de lectura.
|
Velocidad del lector con y sin asistencia de IA.
Periodo de tiempo: Durante 4 semanas de tiempo de lectura.
|
Tiempo medio necesario para revisar un XR, con y sin asistencia de IA.
|
Durante 4 semanas de tiempo de lectura.
|
Colaboradores e Investigadores
Patrocinador
Colaboradores
Publicaciones y enlaces útiles
Publicaciones Generales
- 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.
- Hussain F, Cooper A, Carson-Stevens A, Donaldson L, Hibbert P, Hughes T, Edwards A. Diagnostic error in the emergency department: learning from national patient safety incident report analysis. BMC Emerg Med. 2019 Dec 4;19(1):77. doi: 10.1186/s12873-019-0289-3.
- Donaldson LJ, Reckless IP, Scholes S, Mindell JS, Shelton NJ. The epidemiology of fractures in England. J Epidemiol Community Health. 2008 Feb;62(2):174-80. doi: 10.1136/jech.2006.056622.
- National Clinical Guideline Centre (UK). Fractures (Non-Complex): Assessment and Management. London: National Institute for Health and Care Excellence (NICE); 2016 Feb. Available from http://www.ncbi.nlm.nih.gov/books/NBK344251/
- Blazar E, Mitchell D, Townzen JD. Radiology Training in Emergency Medicine Residency as a Predictor of Confidence in an Attending. Cureus. 2020 Jan 9;12(1):e6615. doi: 10.7759/cureus.6615.
- Snaith B, Hardy M. Emergency department image interpretation accuracy: The influence of immediate reporting by radiology. Int Emerg Nurs. 2014 Apr;22(2):63-8. doi: 10.1016/j.ienj.2013.04.004. Epub 2013 May 30.
- York TJ, Jenkins PJ, Ireland AJ. Reporting Discrepancy Resolved by Findings and Time in 2947 Emergency Department Ankle X-rays. Skeletal Radiol. 2020 Apr;49(4):601-611. doi: 10.1007/s00256-019-03317-7. Epub 2019 Nov 21.
- van Leeuwen KG, Schalekamp S, Rutten MJCM, van Ginneken B, de Rooij M. Artificial intelligence in radiology: 100 commercially available products and their scientific evidence. Eur Radiol. 2021 Jun;31(6):3797-3804. doi: 10.1007/s00330-021-07892-z. Epub 2021 Apr 15.
- Duron L, Ducarouge A, Gillibert A, Laine J, Allouche C, Cherel N, Zhang Z, Nitche N, Lacave E, Pourchot A, Felter A, Lassalle L, Regnard NE, Feydy A. Assessment of an AI Aid in Detection of Adult Appendicular Skeletal Fractures by Emergency Physicians and Radiologists: A Multicenter Cross-sectional Diagnostic Study. Radiology. 2021 Jul;300(1):120-129. doi: 10.1148/radiol.2021203886. Epub 2021 May 4.
- Fenton JJ, Taplin SH, Carney PA, Abraham L, Sickles EA, D'Orsi C, Berns EA, Cutter G, Hendrick RE, Barlow WE, Elmore JG. Influence of computer-aided detection on performance of screening mammography. N Engl J Med. 2007 Apr 5;356(14):1399-409. doi: 10.1056/NEJMoa066099.
- Patel MR, Norgaard BL, Fairbairn TA, Nieman K, Akasaka T, Berman DS, Raff GL, Hurwitz Koweek LM, Pontone G, Kawasaki T, Sand NPR, Jensen JM, Amano T, Poon M, Ovrehus KA, Sonck J, Rabbat MG, Mullen S, De Bruyne B, Rogers C, Matsuo H, Bax JJ, Leipsic J. 1-Year Impact on Medical Practice and Clinical Outcomes of FFRCT: The ADVANCE Registry. JACC Cardiovasc Imaging. 2020 Jan;13(1 Pt 1):97-105. doi: 10.1016/j.jcmg.2019.03.003. Epub 2019 Mar 17.
- Obuchowski NA, Bullen J. Multireader Diagnostic Accuracy Imaging Studies: Fundamentals of Design and Analysis. Radiology. 2022 Apr;303(1):26-34. doi: 10.1148/radiol.211593. Epub 2022 Feb 15.
- Smith BJ, Hillis SL. Multi-reader multi-case analysis of variance software for diagnostic performance comparison of imaging modalities. Proc SPIE Int Soc Opt Eng. 2020 Feb;11316:113160K. doi: 10.1117/12.2549075. Epub 2020 Mar 16.
Enlaces Útiles
- 3. Clinical negligence claims in Emergency Departments in England. Report 2 of 3: Missed fractures. NHS Resolution. March 2022
- 11. The NICE Evidence Standards Framework for digital health and care technologies. (ECD7) Last Updated: 9 August
- 12. Emergency Medicine Refresh Top 10
- Improving Radiographic Fracture Recognition Performance and Efficiency Using Artificial Intelligence. Radiology
Fechas de registro del estudio
Fechas importantes del estudio
Inicio del estudio (Actual)
Finalización primaria (Estimado)
Finalización del estudio (Estimado)
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
Otros números de identificación del estudio
- 310995-C
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.
producto fabricado y exportado desde los 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 Lectura de casos
-
University of PittsburghTerminadoEstenosis de la arteria carótidaEstados Unidos
-
Opera CRO, a TIGERMED Group CompanyTerminado
-
Treatment Research InstituteNational Institute on Drug Abuse (NIDA)TerminadoCoerción para participar en la investigaciónEstados Unidos
-
Soterix MedicalTerminado
-
Sichuan Provincial People's HospitalReclutamiento
-
University of OxfordNHS Health Technology Assessment Programme; BUPA FoundationDesconocidoEstenosis carotídeaAlemania, Italia, Israel, Reino Unido, Croacia, Suiza, Porcelana, Canadá, Austria, Suecia, España, Bélgica, Chequia, Francia, Estados Unidos, Brasil, Bulgaria, Egipto, Estonia, Grecia, Hungría, Irlanda, Japón, Kazajstán, Países Bajos, Noruega, Poloni... y más
-
Xuanwu Hospital, BeijingReclutamientoPlaca de la arteria carótida | Stent en la arteria carótida | Endarterectomía carotídeaPorcelana
-
Children's Hospital Medical Center, CincinnatiActivo, no reclutandoRelaciones entre padres e hijos | Desarrollo del lenguaje | LiteraturaEstados Unidos
-
Thomas G. Brott, M.D.National Institute of Neurological Disorders and Stroke (NINDS)ReclutamientoEstenosis carotídeaEstados Unidos, Canadá, Israel, España, Australia