Tekoälyavusteinen rintakehän röntgensäteiden havaitseminen (AID-CXR)
Tekoälypohjaisen CXR-tulkintatyökalun hyödyllisyys terveydenhuollon ammattilaisten diagnostisen tarkkuuden, nopeuden ja luottamuksen edistämisessä: tutkimus, jossa käytettiin 500 takautuvasti kerättyä sairaala- ja ensiapuosaston CXR-tutkimusta kahdelta Yhdistyneen kuningaskunnan sairaalarahastolta
Tämä tutkimus on lisätty osatutkimuksena Simulation Training for Emergency Department Imaging 2 -tutkimukseen (ClinicalTrials.gov ID NCT05427838).
Lunit INSIGHT CXR on validointitutkimus, jonka tavoitteena on arvioida tekoälyyn perustuvan (AI) rintakehän röntgenkuvauksen (CXR) tulkintatyökalun käyttökelpoisuutta eri terveydenhuollon ammattilaisten diagnostisen tarkkuuden, nopeuden ja luottamuksen auttamisessa. Tutkimus suoritetaan käyttämällä 500 takautuvasti kerättyä sairaala- ja ensiapuosaston CXR:ää kahdelta Yhdistyneen kuningaskunnan (UK) sairaalarahastolta. Kaksi stipendiaattikoulutettua rintaradiologia käy itsenäisesti läpi kaikki tutkimukset perustaakseen totuuden vertailustandardin. Lunit INSIGHT CXR -työkalua käytetään jokaisen CXR:n analysointiin, ja sen suorituskykyä mitataan asiantuntijalukijoiden kanssa. Tutkimuksessa arvioidaan algoritmin hyödyllisyyttä lukijan tarkkuuden ja luottamuksen parantamisessa mitattuna herkkyydellä, spesifisyydellä, positiivisella ennustearvolla ja negatiivisella ennustearvolla. Tutkimuksessa mitataan algoritmin suorituskykyä kymmentä epänormaalia löydöstä vastaan, mukaan lukien keuhkojen kyhmyt/massa, konsolidoituminen, ilmarinta, atelektaasi, kalkkeutuminen, kardiomegalia, fibroosi, välikarsina, pleuraeffuusio ja pneumoperitoneum. Tutkimukseen osallistuu lukijoita eri kliinisistä ammattiryhmistä Lunit INSIGHT CXR:n avulla ja ilman sitä. Tutkimus tarjoaa todisteita tekoälyalgoritmien vaikutuksesta terveydenhuollon ammattilaisten, kuten ensiapu- ja yleislääkäreiden, auttamiseen, jotka tarkastelevat kuvia säännöllisesti päivittäisessä työssään.
Tutkimuksen yleiskatsaus
Tila
Ehdot
Interventio / Hoito
Opintotyyppi
Ilmoittautuminen (Todellinen)
Yhteystiedot ja paikat
Opiskelupaikat
-
-
Oxfordshire
-
Oxford, Oxfordshire, Yhdistynyt kuningaskunta, OX3 9DU
- Oxford University Hospitals NHS Foundation Trust
-
-
Osallistumiskriteerit
Kelpoisuusvaatimukset
Opintokelpoiset iät
- Lapsi
- Aikuinen
- Vanhempi Aikuinen
Hyväksyy terveitä vapaaehtoisia
Näytteenottomenetelmä
Tutkimusväestö
Kuvaus
Sisällyttämiskriteerit:
- Yleisradiologit/radiologit/lääkärit, jotka tarkistavat CXR-kuvia osana rutiininomaista kliinistä käytäntöään
Poissulkemiskriteerit:
- Rintakehän radiologit
- Ei-radiologian lääkärit, joilla on aiempi muodollinen jatko-opiskelija CXR-raportointikoulutus.
- Ei-radiologian lääkärit, joilla on aikaisempi ura radiologian, hengityslääketieteen tai rintakirurgian alalta rekisteröijä- tai konsulttitasolle
Opintosuunnitelma
Miten tutkimus on suunniteltu?
Suunnittelun yksityiskohdat
Kohortit ja interventiot
Ryhmä/Kohortti |
Interventio / Hoito |
|---|---|
|
Lukijat/osallistujat
Lukijavalinta: 30 lukijaa valitaan seuraavista viidestä kliinisestä erikoisryhmästä:
Jokaiseen erikoisalaryhmään kuuluu 6 jäsentä, joiden ikäluokka on korkea. Lääkäreille tämä koostuu:
Röntgenlääkärille tämä koostuu:
|
Lukeminen tapahtuu etänä raportti- ja kuvanlaadunvalvontasivuston (www.RAIQC.com) kautta. online-alusta, joka mahdollistaa lääketieteellisen kuvantamisen katselun ja raportoinnin. Osallistujat voivat työskennellä mistä tahansa, mutta työ tulee tehdä tietokoneelta, jossa on internetyhteys. Epäselvyyksien välttämiseksi työtä ei voi suorittaa puhelimella tai tabletilla. Projekti on jaettu kahteen vaiheeseen ja osallistujien tulee suorittaa molemmat vaiheet. Arvioitu kokonaisosallistuminen projektiin on jopa 20-24 tuntia. Vaihe 1: Sallittu aika: 2 viikkoa - Tarkista 500 rintakehän röntgenkuvaa ja ilmaise kliininen mielipide jäsennellyn raportointimallin avulla (monivalinta, avointa tekstiä ei tarvita). Lepo/huuhteluaika 2 viikkoa. Vaihe 2 - Sallittu aika: 2 viikkoa - Tarkista 500 rintakehän röntgenkuvaa yhdessä tekoälyraportin kanssa kustakin tapauksesta ja ilmaise kliininen mielipiteesi saman strukturoidun raportointimallin avulla, jota käytettiin vaiheessa A. |
|
Perustotuuksia
Kaksi konsulttirintaradiologia.
Kolmas vanhempi rintaradiologin lausunto (> 20 vuoden kokemus) ryhtyy välimiesmenettelyyn.
|
Kaksi konsulttirintaradiologia tarkastelee kuvia itsenäisesti vahvistaakseen CXR:n "perustatuuden" löydökset. Jos yksimielisyys saavutetaan, sitä käytetään sitten vertailustandardina.
Erimielisyystapauksissa kolmas vanhempi rintaradiologin lausunto (> 20 vuoden kokemus) ryhtyy välimiesmenettelyyn.
Vaikeuspisteet määrittävät kullekin poikkeavuudelle maan totuusarvioijien toimesta 4-pisteen Likert-asteikolla (1 on helppo/ilmeinen ja 4 on vaikea/huonosti visualisoitu).
|
Mitä tutkimuksessa mitataan?
Ensisijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
AI-algoritmin suorituskyky: herkkyys
Aikaikkuna: 4 viikon lukuajan aikana
|
Lunit INSIGHT CXR -algoritmin arviointi suoritetaan vertaamalla sitä referenssistandardiin herkkyyden määrittämiseksi.
|
4 viikon lukuajan aikana
|
|
AI-algoritmin suorituskyky: spesifisyys
Aikaikkuna: 4 viikon lukuajan aikana
|
Lunit INSIGHT CXR -algoritmin arviointi suoritetaan vertaamalla sitä vertailustandardiin spesifisyyden määrittämiseksi.
|
4 viikon lukuajan aikana
|
|
AI-algoritmin suorituskyky: Alue ROC-käyrän alla (AU ROC)
Aikaikkuna: 4 viikon lukuajan aikana
|
Lunit INSIGHT CXR -algoritmin arviointi suoritetaan vertaamalla sitä vertailustandardiin.
Algoritmin jatkuvaa todennäköisyyspistettä käytetään ROC-analyyseihin, kun taas binääriluokittelutuloksia, joissa on ennalta määritetty toimintaraja, käytetään herkkyyden, spesifisyyden, positiivisen ennustusarvon ja negatiivisen ennustusarvon arvioimiseen.
|
4 viikon lukuajan aikana
|
|
Lukijoiden suorituskyky AI-avulla ja ilman: Herkkyys
Aikaikkuna: 4 viikon lukuajan aikana
|
Tutkimus sisältää kaksi istuntoa (AI-peittokuvan kanssa ja ilman), jolloin kaikki 30 lukijaa käyvät läpi kaikki 500 CXR-tapausta joka kerta erotettuna poistumisjaksolla, jotta voidaan lieventää palautumisharhaa.
Tapaukset satunnaistetaan kahden lukukerran välillä ja jokaiselle lukijalle.
|
4 viikon lukuajan aikana
|
|
Lukijoiden suorituskyky tekoälyn avulla ja ilman: Spesifisyys
Aikaikkuna: 4 viikon lukuajan aikana
|
Tutkimus sisältää kaksi istuntoa (AI-peittokuvan kanssa ja ilman), jolloin kaikki 30 lukijaa käyvät läpi kaikki 500 CXR-tapausta joka kerta erotettuna poistumisjaksolla, jotta voidaan lieventää palautumisharhaa.
Tapaukset satunnaistetaan kahden lukukerran välillä ja jokaiselle lukijalle.
|
4 viikon lukuajan aikana
|
|
Lukijoiden suorituskyky AI-avulla ja ilman: ROC-käyrän alla oleva alue (AU ROC)
Aikaikkuna: 4 viikon lukuajan aikana
|
Tutkimus sisältää kaksi istuntoa (AI-peittokuvan kanssa ja ilman), jolloin kaikki 30 lukijaa käyvät läpi kaikki 500 CXR-tapausta joka kerta erotettuna poistumisjaksolla, jotta voidaan lieventää palautumisharhaa.
Tapaukset satunnaistetaan kahden lukukerran välillä ja jokaiselle lukijalle.
|
4 viikon lukuajan aikana
|
|
Lukijanopeus ilman tekoälyapua.
Aikaikkuna: 4 viikon lukuajan aikana
|
Skannauksen tarkistamiseen kuluva keskimääräinen aika verrattuna tekoälyn apuun.
|
4 viikon lukuajan aikana
|
Yhteistyökumppanit ja tutkijat
Julkaisuja ja hyödyllisiä linkkejä
Yleiset julkaisut
- 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.
- 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.
- Spiritoso R, Padley S, Singh S. Chest X-ray interpretation in UK intensive care units: A survey 2014. J Intensive Care Soc. 2015 Nov;16(4):339-344. doi: 10.1177/1751143715580141. Epub 2015 May 18.
- Wilson C. X-ray misinterpretation in urgent care: where does it occur, why does it occur, and does it matter? N Z Med J. 2022 Apr 1;135:49-65.
- Jones CM, Buchlak QD, Oakden-Rayner L, Milne M, Seah J, Esmaili N, Hachey B. Chest radiographs and machine learning - Past, present and future. J Med Imaging Radiat Oncol. 2021 Aug;65(5):538-544. doi: 10.1111/1754-9485.13274. Epub 2021 Jun 25.
- Ahmad HK, Milne MR, Buchlak QD, Ektas N, Sanderson G, Chamtie H, Karunasena S, Chiang J, Holt X, Tang CHM, Seah JCY, Bottrell G, Esmaili N, Brotchie P, Jones C. Machine Learning Augmented Interpretation of Chest X-rays: A Systematic Review. Diagnostics (Basel). 2023 Feb 15;13(4):743. doi: 10.3390/diagnostics13040743.
- van Beek EJR, Ahn JS, Kim MJ, Murchison JT. Validation study of machine-learning chest radiograph software in primary and emergency medicine. Clin Radiol. 2023 Jan;78(1):1-7. doi: 10.1016/j.crad.2022.08.129. Epub 2022 Sep 25.
- Kundu R, Das R, Geem ZW, Han GT, Sarkar R. Pneumonia detection in chest X-ray images using an ensemble of deep learning models. PLoS One. 2021 Sep 7;16(9):e0256630. doi: 10.1371/journal.pone.0256630. eCollection 2021.
- Hillis JM, Bizzo BC, Mercaldo S, Chin JK, Newbury-Chaet I, Digumarthy SR, Gilman MD, Muse VV, Bottrell G, Seah JCY, Jones CM, Kalra MK, Dreyer KJ. Evaluation of an Artificial Intelligence Model for Detection of Pneumothorax and Tension Pneumothorax in Chest Radiographs. JAMA Netw Open. 2022 Dec 1;5(12):e2247172. doi: 10.1001/jamanetworkopen.2022.47172.
- Homayounieh F, Digumarthy S, Ebrahimian S, Rueckel J, Hoppe BF, Sabel BO, Conjeti S, Ridder K, Sistermanns M, Wang L, Preuhs A, Ghesu F, Mansoor A, Moghbel M, Botwin A, Singh R, Cartmell S, Patti J, Huemmer C, Fieselmann A, Joerger C, Mirshahzadeh N, Muse V, Kalra M. An Artificial Intelligence-Based Chest X-ray Model on Human Nodule Detection Accuracy From a Multicenter Study. JAMA Netw Open. 2021 Dec 1;4(12):e2141096. doi: 10.1001/jamanetworkopen.2021.41096.
- Wu JT, Wong KCL, Gur Y, Ansari N, Karargyris A, Sharma A, Morris M, Saboury B, Ahmad H, Boyko O, Syed A, Jadhav A, Wang H, Pillai A, Kashyap S, Moradi M, Syeda-Mahmood T. Comparison of Chest Radiograph Interpretations by Artificial Intelligence Algorithm vs Radiology Residents. JAMA Netw Open. 2020 Oct 1;3(10):e2022779. doi: 10.1001/jamanetworkopen.2020.22779.
- Matsumoto T, Kodera S, Shinohara H, Ieki H, Yamaguchi T, Higashikuni Y, Kiyosue A, Ito K, Ando J, Takimoto E, Akazawa H, Morita H, Komuro I. Diagnosing Heart Failure from Chest X-Ray Images Using Deep Learning. Int Heart J. 2020 Jul 30;61(4):781-786. doi: 10.1536/ihj.19-714. Epub 2020 Jul 18.
Hyödyllisiä linkkejä
- 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.
- www.nice.org.uk. (2022). Summary | Artificial intelligence for analysing chest X-ray images | Advice | NICE. [online] Available at:
Opintojen ennätyspäivät
Opi tärkeimmät päivämäärät
Opiskelun aloitus (Todellinen)
Ensisijainen valmistuminen (Todellinen)
Opintojen valmistuminen (Todellinen)
Opintoihin ilmoittautumispäivät
Ensimmäinen lähetetty
Ensimmäinen toimitettu, joka täytti QC-kriteerit
Ensimmäinen Lähetetty (Todellinen)
Tutkimustietojen päivitykset
Viimeisin päivitys julkaistu (Todellinen)
Viimeisin lähetetty päivitys, joka täytti QC-kriteerit
Viimeksi vahvistettu
Lisää tietoa
Tähän tutkimukseen liittyvät termit
Avainsanat
Muita asiaankuuluvia MeSH-ehtoja
- Keuhkokuumeen järjestäminen
- Sydän-ja verisuonitaudit
- Patologiset prosessit
- Neoplasmat sivustoittain
- Neoplasmat
- Patologiset tilat, anatomiset
- Sydänsairaudet
- Immuunijärjestelmän sairaudet
- Hengityselinten sairaudet
- Ruoansulatuskanavan sairaudet
- Keuhkosairaudet
- Keuhkoputken sairaudet
- Keuhkosairaudet, obstruktiiviset
- Hengitysteiden kasvaimet
- Rintakehän kasvaimet
- Keuhkojen kasvaimet
- Keuhkosairaudet, interstitiaalinen
- Peritoneaaliset sairaudet
- Fibroosi
- Obliterans keuhkoputkentulehdus
- Bronkioliitti
- Keuhkoputkentulehdus
- Keuhkopussin sairaudet
- Hypertrofia
- Siirrännäinen vs. isäntätauti
- Patologiset tilat, merkit ja oireet
- Bronchiolitis Obliterans -oireyhtymä
- Keuhkofibroosi
- Pneumoperitoneum
- Keuhkojen atelektaasi
- Pleuraeffuusio
- Useita keuhkojen solmuja
- Pneumothorax
- Kardiomegalia
- Yksinäinen keuhkokyhmy
Muut tutkimustunnusnumerot
- 310995 - B
Lääke- ja laitetiedot, tutkimusasiakirjat
Tutkii yhdysvaltalaista FDA sääntelemää lääkevalmistetta
Tutkii yhdysvaltalaista FDA sääntelemää laitetuotetta
Yhdysvalloissa valmistettu ja sieltä viety tuote
Nämä tiedot haettiin suoraan verkkosivustolta clinicaltrials.gov ilman muutoksia. Jos sinulla on pyyntöjä muuttaa, poistaa tai päivittää tutkimustietojasi, ota yhteyttä register@clinicaltrials.gov. Heti kun muutos on otettu käyttöön osoitteessa clinicaltrials.gov, se päivitetään automaattisesti myös verkkosivustollemme .