Apoyo de inteligencia artificial en la toma de decisiones de principiantes para evaluar la estimación del peso fetal por ultrasonido: ensayo aleatorizado (scan-AId)
Scan-AId: apoyo de la inteligencia artificial en la toma de decisiones de los principiantes para evaluar la estimación del peso fetal por ultrasonido: un ensayo aleatorizado
El objetivo de este ensayo clínico controlado aleatorio es aprender qué tipo de inteligencia artificial (IA) afecta la precisión diagnóstica de la estimación por ultrasonido del peso fetal (EFW), cuando la realizan principiantes, en este estudio representado por estudiantes de medicina. Las principales preguntas que pretende responder son:
- ¿Qué tipo de inteligencia artificial funciona para los principiantes a la hora de mejorar la precisión del diagnóstico del peso fetal por ecografía?
- ¿La inteligencia artificial mejora la calidad de la imagen y el sistema de IA es utilizable para principiantes? Se pedirá a los participantes que realicen un EFW por ultrasonido con un sistema de retroalimentación de IA de caja negra simple o con una IA explicable más elaborada. Esto es para apoyar su toma de decisiones. Luego, los investigadores compararán esto con un grupo de control para ver si hay algún efecto.
Descripción general del estudio
Estado
Condiciones
Intervención / Tratamiento
Descripción detallada
El objetivo de este ensayo clínico controlado aleatorio es aprender qué tipo de inteligencia artificial (IA) afecta la precisión diagnóstica de la estimación por ultrasonido del peso fetal (EFW), cuando la realizan principiantes, en este estudio representado por estudiantes de medicina.
Los objetivos del estudio son:
- ¿Qué tipo de sistema de apoyo de inteligencia artificial funciona para los principiantes a la hora de mejorar la precisión del diagnóstico del peso fetal por ultrasonido?
- ¿La inteligencia artificial mejora la calidad de la imagen, evalúa la carga cognitiva impuesta a los participantes cuando utilizan el soporte de IA y el sistema de IA es utilizable para principiantes?
Los participantes tendrán la tarea de realizar una ecografía del peso fetal estimado (EFW) utilizando una IA de caja negra simple o un sistema de retroalimentación de IA explicable y detallado. Los sistemas de inteligencia artificial ayudarán a los participantes a determinar si han capturado la imagen adecuada para EFW. Luego, los resultados se compararán con los de un grupo de control.
Los procedimientos de ultrasonido se realizarán en mujeres embarazadas con fetos con una edad gestacional de 30 a 37 semanas, que previamente hayan sido sometidas a un EFW por un ecografista experto en la clínica, ya sea el mismo día o el día anterior. Un participante de cada grupo de aleatorización realizará un EFW en la misma mujer embarazada.
Tipo de estudio
Inscripción (Estimado)
Fase
- No aplica
Contactos y Ubicaciones
Ubicaciones de estudio
-
-
-
Copenhagen, Dinamarca, 2100
- Rigshospitalet
-
-
Criterios de participación
Criterio de elegibilidad
Edades elegibles para estudiar
- Adulto
- Adulto Mayor
Acepta Voluntarios Saludables
Descripción
Criterios de inclusión:
- Estudiantes de medicina sin formación previa en ecografía fetal o abdominal.
- Los participantes deberán comprender danés o inglés hablado y escrito.
Criterio de exclusión:
• Estudiantes de medicina que recibieron entrenamiento fetal o abdominal formal antes de la inclusión en este estudio.
Plan de estudios
¿Cómo está diseñado el estudio?
Detalles de diseño
- Propósito principal: Diagnóstico
- Asignación: Aleatorizado
- Modelo Intervencionista: Asignación paralela
- Enmascaramiento: Único
Armas e Intervenciones
Grupo de participantes/brazo |
Intervención / Tratamiento |
|---|---|
|
Experimental: Grupo de retroalimentación 1 (FG1)
Los participantes en FG1 recibirán soporte básico de IA de caja negra, con explicaciones simples como "avión estándar", "avión no estándar" o "fuera del avión".
|
Retroalimentación de IA en dos niveles, para ayudar a los participantes, a obtener las imágenes en el plano estándar correctas utilizadas en el cálculo del EFW por ultrasonido fetal.
|
|
Experimental: Grupo de retroalimentación 2 (FG2)
Los participantes en FG2 recibirán apoyo de IA explicable, con una descripción más elaborada de las estructuras anatómicas y la segmentación de la anatomía.
|
Retroalimentación de IA en dos niveles, para ayudar a los participantes, a obtener las imágenes en el plano estándar correctas utilizadas en el cálculo del EFW por ultrasonido fetal.
|
|
Sin intervención: Grupo de control (GC)
Los participantes en el CG tendrán un póster de plano estándar para guiarlos hacia las imágenes del plano estándar de ultrasonido de EFW.
|
¿Qué mide el estudio?
Medidas de resultado primarias
Medida de resultado |
Medida Descripción |
Periodo de tiempo |
|---|---|---|
|
Precisión diagnóstica
Periodo de tiempo: 15 minutos
|
La precisión en cada grupo se definió como la diferencia porcentual entre el peso fetal estimado y el ecografista experto EFW.
|
15 minutos
|
Medidas de resultado secundarias
Medida de resultado |
Medida Descripción |
Periodo de tiempo |
|---|---|---|
|
Calidad de la imagen
Periodo de tiempo: 5 minutos pr. partícipe
|
La puntuación de los criterios de Salomon se utiliza para calificar la calidad de la imagen. Los puntos se otorgan según la cantidad de puntos de referencia presentes, la calidad de la optimización de la imagen y las ubicaciones del calibrador. Mínimo: 1 Máximo: 18. Una puntuación más alta indica una mejor calidad de imagen. |
5 minutos pr. partícipe
|
Otras medidas de resultado
Medida de resultado |
Medida Descripción |
Periodo de tiempo |
|---|---|---|
|
La usabilidad del sistema de IA
Periodo de tiempo: 5 minutos
|
Se pedirá a los participantes que respondan un cuestionario: System Usability Scale (SUS), que se utiliza para evaluar el sistema de retroalimentación de IA. Mínimo 1 Máximo 100. Una puntuación más alta indica una mejor usabilidad del sistema. |
5 minutos
|
|
Medición del tiempo de reacción.
Periodo de tiempo: 5 minutos
|
Las mediciones del tiempo de reacción de los participantes serán una medida de la carga cognitiva. El tiempo de reacción se medirá como tarea secundaria mientras los participantes realizan la ecografía. |
5 minutos
|
Colaboradores e Investigadores
Publicaciones y enlaces útiles
Publicaciones Generales
- Borsci S, Federici S, Lauriola M. On the dimensionality of the System Usability Scale: a test of alternative measurement models. Cogn Process. 2009 Aug;10(3):193-7. doi: 10.1007/s10339-009-0268-9. Epub 2009 Jun 30.
- Topol EJ. High-performance medicine: the convergence of human and artificial intelligence. Nat Med. 2019 Jan;25(1):44-56. doi: 10.1038/s41591-018-0300-7. Epub 2019 Jan 7.
- Cruz Rivera S, Liu X, Chan AW, Denniston AK, Calvert MJ; SPIRIT-AI and CONSORT-AI Working Group. Guidelines for clinical trial protocols for interventions involving artificial intelligence: the SPIRIT-AI extension. Lancet Digit Health. 2020 Oct;2(10):e549-e560. doi: 10.1016/S2589-7500(20)30219-3. Epub 2020 Sep 9.
- Andreasen LA, Tabor A, Norgaard LN, Rode L, Gerds TA, Tolsgaard MG. Detection of growth-restricted fetuses during pregnancy is associated with fewer intrauterine deaths but increased adverse childhood outcomes: an observational study. BJOG. 2021 Jan;128(1):77-85. doi: 10.1111/1471-0528.16380. Epub 2020 Jul 27.
- Andreasen LA, Tabor A, Norgaard LN, Taksoe-Vester CA, Krebs L, Jorgensen FS, Jepsen IE, Sharif H, Zingenberg H, Rosthoj S, Sorensen AL, Tolsgaard MG. Why we succeed and fail in detecting fetal growth restriction: A population-based study. Acta Obstet Gynecol Scand. 2021 May;100(5):893-899. doi: 10.1111/aogs.14048. Epub 2021 Jan 12.
- Andreasen LA, Feragen A, Christensen AN, Thybo JK, Svendsen MBS, Zepf K, Lekadir K, Tolsgaard MG. Multi-centre deep learning for placenta segmentation in obstetric ultrasound with multi-observer and cross-country generalization. Sci Rep. 2023 Feb 8;13(1):2221. doi: 10.1038/s41598-023-29105-x.
- Nicholls D, Sweet L, Hyett J. Psychomotor skills in medical ultrasound imaging: an analysis of the core skill set. J Ultrasound Med. 2014 Aug;33(8):1349-52. doi: 10.7863/ultra.33.8.1349.
- Govaerts MJ, Schuwirth LW, Van der Vleuten CP, Muijtjens AM. Workplace-based assessment: effects of rater expertise. Adv Health Sci Educ Theory Pract. 2011 May;16(2):151-65. doi: 10.1007/s10459-010-9250-7. Epub 2010 Sep 30.
- Tolsgaard MG, Pusic MV, Sebok-Syer SS, Gin B, Svendsen MB, Syer MD, Brydges R, Cuddy MM, Boscardin CK. The fundamentals of Artificial Intelligence in medical education research: AMEE Guide No. 156. Med Teach. 2023 Jun;45(6):565-573. doi: 10.1080/0142159X.2023.2180340. Epub 2023 Mar 2.
- Tolsgaard MG, Boscardin CK, Park YS, Cuddy MM, Sebok-Syer SS. The role of data science and machine learning in Health Professions Education: practical applications, theoretical contributions, and epistemic beliefs. Adv Health Sci Educ Theory Pract. 2020 Dec;25(5):1057-1086. doi: 10.1007/s10459-020-10009-8. Epub 2020 Nov 3.
- Degallier-Rochat S, Kurpicz-Briki M, Endrissat N, Yatsenko O. Human augmentation, not replacement: A research agenda for AI and robotics in the industry. Front Robot AI. 2022 Oct 4;9:997386. doi: 10.3389/frobt.2022.997386. eCollection 2022. No abstract available.
- Vasey B, Novak A, Ather S, Ibrahim M, McCulloch P. DECIDE-AI: a new reporting guideline and its relevance to artificial intelligence studies in radiology. Clin Radiol. 2023 Feb;78(2):130-136. doi: 10.1016/j.crad.2022.09.131.
- Liu X, Cruz Rivera S, Moher D, Calvert MJ, Denniston AK; SPIRIT-AI and CONSORT-AI Working Group. Reporting guidelines for clinical trial reports for interventions involving artificial intelligence: the CONSORT-AI extension. Lancet Digit Health. 2020 Oct;2(10):e537-e548. doi: 10.1016/S2589-7500(20)30218-1. Epub 2020 Sep 9.
- Salomon LJ, Alfirevic Z, Da Silva Costa F, Deter RL, Figueras F, Ghi T, Glanc P, Khalil A, Lee W, Napolitano R, Papageorghiou A, Sotiriadis A, Stirnemann J, Toi A, Yeo G. ISUOG Practice Guidelines: ultrasound assessment of fetal biometry and growth. Ultrasound Obstet Gynecol. 2019 Jun;53(6):715-723. doi: 10.1002/uog.20272.
- Hadlock FP. Sonographic estimation of fetal age and weight. Radiol Clin North Am. 1990 Jan;28(1):39-50.
- Bloch R, Norman G. Generalizability theory for the perplexed: a practical introduction and guide: AMEE Guide No. 68. Med Teach. 2012;34(11):960-92. doi: 10.3109/0142159X.2012.703791.
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
- F-24001576
Plan de datos de participantes individuales (IPD)
¿Planea compartir datos de participantes individuales (IPD)?
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. .