Tämä sivu käännettiin automaattisesti, eikä käännösten tarkkuutta voida taata. Katso englanninkielinen versio lähdetekstiä varten.

Tekoälyavusteinen murtumien havaitseminen röntgensäteillä (FRACT-AI) (FRACT-AI)

keskiviikko 19. marraskuuta 2025 päivittänyt: Alex Novak, Oxford University Hospitals NHS Trust

FRACT-AI: Arvioidaan tekoälyn tehostetun kuva-analyysin vaikutusta etulinjan kliinikon diagnostiseen tarkkuuteen murtumien havaitsemisessa yksinkertaisella röntgenkuvalla

Tämä tutkimus on lisätty osatutkimukseksi Simulation Training for Emergency Department Imaging 2 -tutkimukseen (ClinicalTrials.gov ID NCT05427838). Tämän työn tarkoituksena on arvioida tekoälyllä (AI) tehostetun Boneview-algoritmin vaikutusta kliinikkojen diagnostiseen tarkkuuteen murtumien havaitsemisessa tavallisessa röntgenkuvassa (X-Ray). Tutkimuksessa luodaan 500 tavallisesta röntgenkuvasta koostuva tietosarja, joka sisältää vakiokuvia kaikista muista luista kalloa ja kaularankaa lukuun ottamatta, joista 50 % on normaaleja tapauksia ja 50 % sisältää murtumia. Vanhempi radiologipaneeli määrittää kullekin kuvalle "perustatuuden" murtuman olemassaolon tai puuttumisen varmistamiseksi. Gleamer Boneview -algoritmi päättelee tämän tietojoukon murtumien tunnistamiseksi. Algoritmin suorituskykyä verrataan vertailustandardiin. Tutkimuksessa tehdään sitten Multiple-Reader Multiple-Case -tutkimus, jossa kliinikot tulkitsevat kaikki kuvat ilman tekoälyä ja pääsevät myöhemmin tekoälyalgoritmin ulostuloon. Lukijaksi rekrytoidaan 18 kliinikkoa ja kolme kustakin kuudesta erillisestä kliinisestä ryhmästä: ensiapulääketiede, trauma- ja ortopedinen kirurgia, ensiapuhoitajat, fysioterapia, radiologia ja röntgenhoitajat. Jokaisessa ryhmässä on kolme virka-astetta. Muutoksia raportoinnin tarkkuudessa (herkkyys, spesifisyys), luottamuksessa ja lukijoiden nopeuksissa verrataan kahdessa istunnossa. Tulokset analysoidaan yhdistettynä analyysinä kaikille lukijoille sekä seuraaville alaryhmille: kliininen rooli, vanhuusaste, patologinen löytö, kuvan vaikeus. Tutkimus osoittaa tekoälyn tulkinnan vaikutuksen verrattuna kliinikoiden tulkintaan ja kliinikkoihin, jotka käyttävät tekoälyä tulkintansa lisänä. Tutkimus edustaa erilaisia ​​ammatillisia taustoja ja kokemusta kliinisen elementin joukossa. Tutkimuksessa käytetään tavallisia filmiröntgenkuvia, jotka edustavat erilaisia ​​anatomisia näkemyksiä ja patologisia esityksiä, mutta röntgensäteet esittävät saman määrän patologisia ja ei-patologisia röntgensäteitä, mikä antaa yhtäläisen painoarvon spesifisyyden ja herkkyyden arvioinnille. Eettinen hyväksyntä on jo myönnetty, ja tutkimusta levitetään julkaisemalla vertaisarvioiduissa aikakauslehdissä ja esittelemällä asiaa vastaavissa konferensseissa.

Tutkimuksen yleiskatsaus

Opintotyyppi

Havainnollistava

Ilmoittautuminen (Todellinen)

21

Yhteystiedot ja paikat

Tässä osiossa on tutkimuksen suorittajien yhteystiedot ja tiedot siitä, missä tämä tutkimus suoritetaan.

Opiskelupaikat

    • Oxfordshire
      • Oxford, Oxfordshire, Yhdistynyt kuningaskunta, OX3 9DU
        • Oxford University Hospitals NHS Foundation Trust

Osallistumiskriteerit

Tutkijat etsivät ihmisiä, jotka sopivat tiettyyn kuvaukseen, jota kutsutaan kelpoisuuskriteereiksi. Joitakin esimerkkejä näistä kriteereistä ovat henkilön yleinen terveydentila tai aiemmat hoidot.

Kelpoisuusvaatimukset

Opintokelpoiset iät

  • Lapsi
  • Aikuinen
  • Vanhempi Aikuinen

Hyväksyy terveitä vapaaehtoisia

Joo

Näytteenottomenetelmä

Ei-todennäköisyysnäyte

Tutkimusväestö

Päivystyslääkärit, trauma- ja ortopedit, ensihoitajat, fysioterapeutit, yleisradiologit ja röntgenkuvat osana rutiininomaista kliinistä käytäntöään tarkastelevat röntgenhoitajat, jotka työskentelevät tällä hetkellä Kansallisessa terveydenhuollossa (NHS).

Lukijat rekrytoidaan viidestä NHS-organisaatiosta, jotka muodostavat Thames Valley Emergency Medicine Research Networkin (www.TaVERNresearch.org):

  • Oxford University Hospitals NHS Foundation Trust
  • Royal Berkshire NHS Foundation Trust
  • Buckinghamshire Healthcare NHS Trust
  • Frimley Health NHS Foundation Trust
  • Milton Keynesin yliopistosairaalan NHS Foundation Trust

Kuvaus

Sisällyttämiskriteerit:

  • Päivystyslääkärit, trauma- ja ortopedit, ensihoitajat, fysioterapeutit, yleisradiologit ja röntgenlääkärit tarkastelevat röntgensäteitä osana rutiininomaista kliinistä käytäntöään.
  • Työskentelee tällä hetkellä NHS:ssä.

Poissulkemiskriteerit:

  • Ei-radiologian lääkärit, joilla on aiempi muodollinen jatko-opintojen röntgenraportointikoulutus.
  • Ei-radiologian lääkärit, joilla on aikaisempi ura radiologian parissa

Opintosuunnitelma

Tässä osiossa on tietoja tutkimussuunnitelmasta, mukaan lukien kuinka tutkimus on suunniteltu ja mitä tutkimuksella mitataan.

Miten tutkimus on suunniteltu?

Suunnittelun yksityiskohdat

Kohortit ja interventiot

Ryhmä/Kohortti
Interventio / Hoito
Lukijat/osallistujat

Lukijavalinta: 18 lukijaa valitaan seuraavista viidestä kliinisestä erikoisryhmästä (3 lukijaa kussakin):

  • Hätälääketiede
  • Trauma ja ortopedinen kirurgia
  • Ensiapuhoitajat
  • Fysioterapia
  • Yleinen radiologia
  • Radiografit

Ja seuraavalta virka-/kokemustasolta:

  • Konsultti / Seniori / Vastaava - > 10 vuoden kokemus
  • Keskiluokka/rekisteröijä/vastaava - 5-10 vuoden kokemus
  • Junior Grade / Senior House Officer / Vastaava - <5 vuoden kokemus

Jokaiseen erikoislukijaryhmään kuuluu yksi lukija jokaisella kokemustasolla.

Lukijat rekrytoidaan viidestä NHS-organisaatiosta, jotka muodostavat Thames Valley Emergency Medicine Research Networkin (www.TaVERNresearch.org):

  • Oxford University Hospitals NHS Foundation Trust
  • Royal Berkshire NHS Foundation Trust
  • Buckinghamshire Healthcare NHS Trust
  • Frimley Health NHS Foundation Trust
  • Milton Keynesin yliopistosairaalan NHS Foundation Trust

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

- Osallistujien on tarkasteltava 500 röntgenkuvaa ja ilmaistava kliininen mielipide strukturoidun raportointimallin avulla (monivalinta, avointa tekstiä ei vaadita).

Lepo-/huuhtelujakso - Sallittu aika: 4 viikkoa, jotta voidaan lieventää palautusharhaan liittyviä vaikutuksia.

Vaihe 2 - Sallittu aika: 2 viikkoa

- Tarkista 500 röntgenkuvaa yhdessä tekoälyraportin kanssa kustakin tapauksesta ja ilmaise kliinisen mielipiteensä saman strukturoidun raportointimallin avulla, jota käytettiin vaiheessa 1.

Perustotuuksia
Kaksi tuki- ja liikuntaelinradiologia. Kolmas vanhempi tuki- ja liikuntaelinradiologin lausunto (>20 vuoden kokemus) ryhtyy välimiesmenettelyyn.
Kaksi konsulttia tuki- ja liikuntaelinradiologia tarkastelee kuvia itsenäisesti vahvistaakseen röntgenkuvien "perustotuus" löydöksiä, ja jos päästään yksimielisyyteen, sitä käytetään vertailustandardina. Erimielisyystapauksissa kolmas vanhempi tuki- ja liikuntaelinradiologin 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
Gleamer Boneview -algoritmin arviointi suoritetaan vertaamalla sitä referenssistandardiin herkkyyden määrittämiseksi.
4 viikon lukuajan aikana
AI-algoritmin suorituskyky: spesifisyys
Aikaikkuna: 4 viikon lukuajan aikana
Gleamer Boneview'n arviointi suoritetaan vertaamalla sitä referenssistandardiin spesifisyyden määrittämiseksi.
4 viikon lukuajan aikana
AI-algoritmin suorituskyky: Alue ROC-käyrän alla (AU ROC)
Aikaikkuna: 4 viikon lukuajan aikana
Gleamer Boneview -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 18 lukijaa käyvät läpi kaikki 500 XR-tapausta joka kerta erotettuna poistumisjaksolla muistamisharhojen lieventämiseksi. 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 18 lukijaa käyvät läpi kaikki 500 XR-tapausta joka kerta erotettuna poistumisjaksolla muistamisharhojen lieventämiseksi. 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 18 lukijaa käyvät läpi kaikki 500 XR-tapausta joka kerta erotettuna poistumisjaksolla muistamisharhojen lieventämiseksi. Tapaukset satunnaistetaan kahden lukukerran välillä ja jokaiselle lukijalle.
4 viikon lukuajan aikana
Lukijanopeus ilman tekoälyapua.
Aikaikkuna: 4 viikon lukuajan aikana
Keskimääräinen aika, joka kuluu XR:n tarkistamiseen tekoälyn avulla verrattuna.
4 viikon lukuajan aikana

Yhteistyökumppanit ja tutkijat

Täältä löydät tähän tutkimukseen osallistuvat ihmiset ja organisaatiot.

Yhteistyökumppanit

Julkaisuja ja hyödyllisiä linkkejä

Tutkimusta koskevien tietojen syöttämisestä vastaava henkilö toimittaa nämä julkaisut vapaaehtoisesti. Nämä voivat koskea mitä tahansa tutkimukseen liittyvää.

Yleiset julkaisut

Opintojen ennätyspäivät

Nämä päivämäärät seuraavat ClinicalTrials.gov-sivustolle lähetettyjen tutkimustietueiden ja yhteenvetojen edistymistä. National Library of Medicine (NLM) tarkistaa tutkimustiedot ja raportoidut tulokset varmistaakseen, että ne täyttävät tietyt laadunvalvontastandardit, ennen kuin ne julkaistaan ​​julkisella verkkosivustolla.

Opi tärkeimmät päivämäärät

Opiskelun aloitus (Todellinen)

Torstai 8. helmikuuta 2024

Ensisijainen valmistuminen (Todellinen)

Torstai 31. lokakuuta 2024

Opintojen valmistuminen (Todellinen)

Sunnuntai 1. kesäkuuta 2025

Opintoihin ilmoittautumispäivät

Ensimmäinen lähetetty

Keskiviikko 8. marraskuuta 2023

Ensimmäinen toimitettu, joka täytti QC-kriteerit

Keskiviikko 8. marraskuuta 2023

Ensimmäinen Lähetetty (Todellinen)

Tiistai 14. marraskuuta 2023

Tutkimustietojen päivitykset

Viimeisin päivitys julkaistu (Todellinen)

Maanantai 24. marraskuuta 2025

Viimeisin lähetetty päivitys, joka täytti QC-kriteerit

Keskiviikko 19. marraskuuta 2025

Viimeksi vahvistettu

Lauantai 1. marraskuuta 2025

Lisää tietoa

Tähän tutkimukseen liittyvät termit

Lääke- ja laitetiedot, tutkimusasiakirjat

Tutkii yhdysvaltalaista FDA sääntelemää lääkevalmistetta

Ei

Tutkii yhdysvaltalaista FDA sääntelemää laitetuotetta

Ei

Yhdysvalloissa valmistettu ja sieltä viety tuote

Ei

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 .

Kliiniset tutkimukset Murtumat, kiinni

Kliiniset tutkimukset Tapausten lukeminen

Tilaa