- ICH GCP
- Registre américain des essais cliniques
- Essai clinique NCT05489471
Une étude pour évaluer l'impact d'un système d'intelligence artificielle (IA) sur les rapports de radiographie pulmonaire
Une étude prospective pour évaluer l'impact d'un système d'intelligence artificielle sur la notification des radiographies pulmonaires, évaluer la capacité des listes de travail pilotées par l'IA à améliorer les délais de notification et à améliorer la voie CT le jour même en cas de suspicion de cancer du poumon
L'étude a une courte composante rétrospective initiale, mais est principalement une étude prospective avec deux parties principales.
Initialement, pendant une période d'un mois, pendant que les déclarants se familiarisent avec le logiciel, deux bases de données locales seront examinées par le logiciel AI :
- Un ensemble de formation de 100 radiographies thoraciques (CXR) dont certaines contiennent des nodules et est utilisé comme outil de formation avec des performances de radiologue préalablement documentées.
- Un ensemble de radiographies précédemment rapportées chez des patients référés par le journaliste pour CT, vérité terrain créée à partir du rapport CT précédent et examen par deux radiologues si nécessaire.
Cela permettra de comparer les performances du radiologue autonome et de l'IA
Ceci est suivi d'une période de 6 mois impliquant plusieurs groupes de déclarants et environ 20 000 cas examinant l'impact d'un système d'IA qui évalue 10 anomalies sur la radiographie pulmonaire et rend compte de la sensibilité pour la détection des lésions et de son impact sur la confiance des déclarants. Plus précisément, les enquêteurs examineraient :
- Découverte manquée par l'IA, mais détectée par le journaliste
- Découverte correctement détectée par l'IA
- Découverte manquée par le journaliste mais détectée par l'IA
Constat détecté par l'IA mais contesté par le déclarant
■ L'impact de l'IA sur
- Bilan radiologique
- Imagerie supplémentaire recommandée
- Modifier la prise en charge des patients
- amélioration de la confiance dans le rapport telle que perçue par le journaliste
Une période ultérieure de 3 mois examinant l'impact de l'IA a produit des listes de travail sur les délais d'exécution des rapports et le parcours du patient de la radiographie pulmonaire à la tomodensitométrie. les enquêteurs examineraient spécifiquement :
- nombre de nodules détectés
- nombre de CXR recommandés pour le CT de suivi
- temps pris de CXR à CT
- nombre de cancers du poumon détectés après scanner[1]
- Temps de rapport, mesuré comme précédemment à partir des données du PACS et du logiciel de rapport
La population à étudier sera tous les patients de plus de 16 ans référés par leur médecin généraliste au Hull University Hospitals NHS Trust pour une radiographie thoracique et toute radiographie thoracique réalisée à la Hull Royal Infirmary ED radiology pour les patients de plus de 16 ans au cours de la Période d'étude de 6 mois. Le service des urgences image les patients du service des urgences et les patients hospitalisés à l'hôpital.
Toutes les radiographies seront examinées initialement sans examen des informations de l'IA, puis en utilisant les images supplémentaires. Les journalistes marqueront l'effet de l'IA sur leur décision. Tous les désaccords entre le journaliste et l'IA seront examinés par des journalistes seniors et une décision consensuelle sera prise.
Aperçu de l'étude
Statut
Les conditions
Intervention / Traitement
Description détaillée
Une étude prospective monocentrique, dans laquelle les données seront collectées auprès du Hull University Teaching Hospitals NHS Trust (HUTH).
Les radiographies pulmonaires des médecins généralistes ont lieu dans les deux principaux sites hospitaliers du Trust, mais également dans des unités satellites de la communauté locale. Tous utilisent le même système d'information radiologique (RIS) et les radiographies thoraciques sont automatiquement stockées sur le système d'archivage et de communication d'images HUTH (PACS).
L'unité de radiologie du service des urgences de l'infirmerie royale de Hull effectue des radiographies pulmonaires pour les patients en urgence, mais également pour les patients hospitalisés.
Toutes les radiographies pulmonaires seront enregistrées dans le RIS, effectuées et envoyées au système PACS comme d'habitude. Toute radiographie pulmonaire effectuée sur un patient de 16 ans ou plus à partir de l'un des ensembles ci-dessus sera automatiquement transférée vers le serveur AI et une fois traitée, le rapport AI sera automatiquement transféré dans le même dossier PACS que le film d'origine.
Le rapport de la radiographie pulmonaire et l'examen des informations sur l'IA auront lieu lors des séances de rapport normales entreprises au sein du service de radiologie par tous les niveaux de personnel.
Le service de radiologie sous-traite actuellement certains rapports sur film simple, mais pendant la durée de l'étude, aucun des examens ci-dessus ne sera sous-traité et tous les rapports seront effectués par les membres de l'équipe de radiologie du HUTH.
La notification des radiographies thoraciques est effectuée par divers membres du personnel de radiologie :
- Radiologues consultants
- Registrar Radiologues en formation pré-FRCR - Fellow of Royal College of Radiology exam post FRCR
- Radiographes rapporteurs Le service de radiologie compte actuellement 46 consultants, 26 registraires spécialistes et 8 radiographes rapporteurs. Bien que tous les consultants ou radiographes n'effectuent pas de rapports sur les radiographies pulmonaires.
L'étude impliquera tous les groupes de journalistes et les enquêteurs évalueront les réponses de chaque groupe ainsi que la performance globale. Les participants seront identifiés par groupe mais pas individuellement.
L'étude est divisée en trois phases.
Première phase:
Cela se produira immédiatement après l'intégration du système d'IA au HUTH PACS. Il y aura une période d'un mois pendant laquelle les journalistes acquièrent de l'expérience dans l'utilisation du logiciel.
Pendant ce temps, deux bases de données locales seront examinées avec le logiciel :
- un ensemble de formation de 100 cas de radiographie pulmonaire dans lesquels certains nodules pulmonaires sont présents avec des tomodensitogrammes correspondants.
- Un ensemble de radiographies pulmonaires précédemment signalées demandées par des médecins généralistes (GP) qui ont été référées par le déclarant pour une TDM urgente.
Les résultats de ceux-ci seront examinés par un petit groupe de journalistes. La raison de ces avis est double :
- Fournir une vue d'ensemble du logiciel qui peut éclairer les instructions pour la phase deux.
- Permettre une comparaison entre les performances des journalistes précédemment documentées et les performances de l'IA avant le début de l'étude prospective.
Phase deux :
Cela durera 6 mois et comprendra toutes les radiographies pulmonaires pour les patients de plus de 16 ans provenant d'une recommandation d'un médecin généraliste ou effectuées dans le service des urgences (ED) de l'hôpital de soins aigus, qui comprend les visites aux urgences et aux accidents et les études en milieu hospitalier. Celles-ci seront envoyées au serveur AI pour évaluation, les données renvoyées seront disponibles dans le dossier PACS avec l'image d'origine. Cela se produira avant que le film ne soit disponible pour le reportage.
On estime que cette phase comprendra environ 20 000 examens dans une répartition à peu près égale. Année civile 2019 : GP 23 287 examens et ED 22 042 examens.
Les films GP ont été choisis car ces études sont souvent les premiers examens à soulever des inquiétudes concernant le cancer du poumon, la troisième phase comprend la mise en œuvre de listes de travail générées par l'IA pour signaler les nodules/cancer pulmonaires suspects et évaluer l'impact sur la TDM le jour même pour ce groupe.
Les films ED car on pensait qu'il s'agirait du meilleur ensemble de données pour évaluer les dix résultats détectés par le logiciel et l'introduction de listes de travail générées par l'IA en phase 3 pourrait conduire à un signalement plus rapide des études anormales.
Les journalistes examineront la radiographie pulmonaire originale et créeront un rapport. Ils examineront ensuite les données de l'IA et décideront comment cela affecterait leur rapport, cela sera ensuite enregistré.[2] L'IA recherche dix anomalies différentes sur chaque radiographie pulmonaire et produit une carte thermique et un score de confiance en pourcentage si elle détecte une anomalie. Un seul examen pourrait n'avoir aucun résultat d'IA ou plusieurs résultats d'IA.
Les journalistes entreront leur évaluation de l'IA pour chaque film signalé au moment du rapport.
Pour chaque constatation présente dans la radiographie thoracique et/ou la sortie AI, les lecteurs enregistreront :
- Découverte manquée par l'IA, mais détectée par le journaliste
- Découverte correctement détectée par l'IA
- Découverte manquée par le journaliste mais détectée par l'IA
- Constat détecté par l'IA mais contesté par le déclarant
L'impact de l'IA sur
Bilan radiologique
- utile
- inutile
- neutre
Imagerie supplémentaire recommandée
- important
- insignifiant
Modifier la prise en charge des patients
- important
- insignifiant
Les enquêteurs évalueront également si AI a augmenté sa confiance dans le signalement d'une anomalie ou dans le signalement d'une étude comme étant normal.
Tout film dans lequel le journaliste n'est pas d'accord avec l'IA sera immédiatement placé dans une liste de travail PACS et examiné par un journaliste principal/des journalistes et un consensus sera convenu. Le résultat sera entré dans la base de données.
S'il est conseillé à un patient de subir une radiographie pulmonaire ou un scanner de suivi, cela sera enregistré. Ces examens de suivi seront examinés par un petit groupe de journalistes avec une analyse logicielle répétée de toutes les radiographies pulmonaires effectuées.
Le logiciel AI examine uniquement l'image actuelle tandis que le journaliste a accès à tous les examens antérieurs qui peuvent être importants pour décider d'une anomalie, cela sera enregistré pour évaluer ses effets.
Le rapporteur disposera d'une feuille de calcul Excel disponible sur le poste de travail de rapport PACS via un lien vers le lecteur départemental partagé avec des champs pour son groupe de rapport, le type de référence, le numéro d'accession de l'examen - ce qui permet l'examen de l'examen individuel en cas de désaccord ou de révision avec des examens ultérieurs, la présence de films antérieurs, un champ séparé pour chaque anomalie IA et des champs pour la radiographie pulmonaire ou la tomodensitométrie de suivi. Celle-ci sera complétée au moment de la déclaration.
À la fin de la session de rapport, la feuille de calcul sera téléchargée sur un serveur Trust central, conservée dans un dossier départemental et intégrée à partir de là dans une base de données centrale stockée séparément. Seuls les membres du service de radiologie auront accès au dossier du service et la base de données centrale sera tenue à part, accessible au data manager et à l'équipe de direction de la recherche. Une fois téléchargées dans la base de données principale, les données individuelles seront supprimées du dossier de radiologie. Aucune donnée ne sera stockée sur les postes de travail du PACS une fois la session de rapport terminée et le fichier transféré.
Les données seront stockées et traitées exclusivement au sein de HUTH. Une copie de la base de données principale sera effectuée en remplaçant le numéro d'accession par un identifiant anonyme. Cette base de données sera utilisée pour l'analyse.
Phase trois :
Cela durera 3 mois et comprendra le développement des listes de travail produites par l'IA.
Une liste de travail du médecin généraliste mettant en évidence les anomalies pouvant représenter une malignité permettra un rapport à chaud et un scanner le jour même si nécessaire. Les changements de délai entre la radiographie thoracique et le scanner seront comparés entre le système actuel avec triage radiographique des radiographies et le triage AI.
Une liste de travail ED sera produite pour les études positives à l'IA et les délais de rapport pour celles-ci seront comparés au système actuel où il n'y a pas de filtrage des radiographies pulmonaires.
Toutes les études négatives pour l'IA seront signalées. Les évaluations du temps de rapport seront effectuées à partir de données de routine dans les systèmes RIS et PACS sans qu'aucune donnée identifiable du patient ne soit incluse dans les évaluations.
Les données seront collectées via PACS et les données seront traitées localement dans un serveur dédié.
Type d'étude
Inscription (Anticipé)
Contacts et emplacements
Coordonnées de l'étude
- Nom: gerard avery, FRCR
- Numéro de téléphone: +441482623205
- E-mail: ged.avery1@nhs.net
Sauvegarde des contacts de l'étude
- Nom: Oliver Byass, FRCR
- Numéro de téléphone: +441482623205
- E-mail: oliver.byass@nhs.net
Critères de participation
Critère d'éligibilité
Âges éligibles pour étudier
Accepte les volontaires sains
Sexes éligibles pour l'étude
Méthode d'échantillonnage
Population étudiée
La description
Critère d'intégration:
- patient de 16 ans ou plus
- Radiographies thoraciques postéro-antérieures et antéro-postérieures
- Demandé par les médecins généralistes ou réalisé dans le service de radiologie du service des urgences
Critère d'exclusion:
- Patients de moins de 16 ans
- pellicules latérales
- Radiographies thoraciques de qualité sous-optimale, à tel point qu'elles sont jugées ininterprétables par le déclarant
Plan d'étude
Comment l'étude est-elle conçue ?
Détails de conception
- Modèles d'observation: Cas uniquement
- Perspectives temporelles: Éventuel
Cohortes et interventions
Groupe / Cohorte |
Intervention / Traitement |
---|---|
Radiographies thoraciques adultes
Toutes les radiographies pulmonaires pour les patients de plus de 16 ans provenant d'une recommandation d'un médecin généraliste ou effectuées au service des urgences (SU) de l'hôpital de soins aigus, ce qui comprend les visites en cas d'accident et d'urgence et les études en milieu hospitalier.
|
L'IA recherche dix anomalies différentes sur chaque radiographie pulmonaire et produit une carte thermique et un score de confiance en pourcentage si elle détecte une anomalie.
|
Que mesure l'étude ?
Principaux critères de jugement
Mesure des résultats |
Description de la mesure |
Délai |
---|---|---|
Examen des performances du radiologue
Délai: six mois
|
Démontrer que l'IA peut aider à améliorer les performances du radiologue en termes de découverte manquée par le radiologue détectée par l'IA (en pourcentage du taux d'erreur)
|
six mois
|
Mesures de résultats secondaires
Mesure des résultats |
Description de la mesure |
Délai |
---|---|---|
Détection du cancer du poumon
Délai: six mois
|
Le nombre de nodules et de cancers détectés uniquement par IA (en pourcentage du nombre total de nodules/tumeurs détectés).
|
six mois
|
Amélioration de la voie du cancer du poumon
Délai: trois mois
|
Le temps entre la radiographie pulmonaire et la tomodensitométrie pour les cancers suspects à l'aide de listes de travail générées par l'IA sera comparé aux données temporelles historiques antérieures au logiciel d'IA .
|
trois mois
|
Amélioration des délais d'exécution des rapports
Délai: trois mois
|
Le temps écoulé entre la réalisation d'une radiographie pulmonaire anormale et son signalement dans une liste de travail pilotée par l'IA sera comparé aux données historiques antérieures au système d'IA
|
trois mois
|
Collaborateurs et enquêteurs
Collaborateurs
Les enquêteurs
- Chercheur principal: Gerard Avery, Hull University Teaching Hospitals NHS Trust
Publications et liens utiles
Publications générales
- Turkington PM, Kennan N, Greenstone MA. Misinterpretation of the chest x ray as a factor in the delayed diagnosis of lung cancer. Postgrad Med J. 2002 Mar;78(917):158-60. doi: 10.1136/pmj.78.917.158.
- Jang S, Song H, Shin YJ, Kim J, Kim J, Lee KW, Lee SS, Lee W, Lee S, Lee KH. Deep Learning-based Automatic Detection Algorithm for Reducing Overlooked Lung Cancers on Chest Radiographs. Radiology. 2020 Sep;296(3):652-661. doi: 10.1148/radiol.2020200165. Epub 2020 Jul 21. Erratum In: Radiology. 2022 Feb;302(2):E10.
- Nam JG, Park S, Hwang EJ, Lee JH, Jin KN, Lim KY, Vu TH, Sohn JH, Hwang S, Goo JM, Park CM. Development and Validation of Deep Learning-based Automatic Detection Algorithm for Malignant Pulmonary Nodules on Chest Radiographs. Radiology. 2019 Jan;290(1):218-228. doi: 10.1148/radiol.2018180237. Epub 2018 Sep 25.
- Hwang EJ, Park S, Jin KN, Kim JI, Choi SY, Lee JH, Goo JM, Aum J, Yim JJ, Cohen JG, Ferretti GR, Park CM; DLAD Development and Evaluation Group. Development and Validation of a Deep Learning-Based Automated Detection Algorithm for Major Thoracic Diseases on Chest Radiographs. JAMA Netw Open. 2019 Mar 1;2(3):e191095. doi: 10.1001/jamanetworkopen.2019.1095. Erratum In: JAMA Netw Open. 2019 Apr 5;2(4):e193260.
- Hwang EJ, Lee JH, Kim JH, Lim WH, Goo JM, Park CM. Deep learning computer-aided detection system for pneumonia in febrile neutropenia patients: a diagnostic cohort study. BMC Pulm Med. 2021 Dec 7;21(1):406. doi: 10.1186/s12890-021-01768-0.
- Jones CM, Danaher L, Milne MR, Tang C, Seah J, Oakden-Rayner L, Johnson A, Buchlak QD, Esmaili N. Assessment of the effect of a comprehensive chest radiograph deep learning model on radiologist reports and patient outcomes: a real-world observational study. BMJ Open. 2021 Dec 20;11(12):e052902. doi: 10.1136/bmjopen-2021-052902.
- Kim JH, Kim JY, Kim GH, Kang D, Kim IJ, Seo J, Andrews JR, Park CM. Clinical Validation of a Deep Learning Algorithm for Detection of Pneumonia on Chest Radiographs in Emergency Department Patients with Acute Febrile Respiratory Illness. J Clin Med. 2020 Jun 24;9(6):1981. doi: 10.3390/jcm9061981.
- Jang SB, Lee SH, Lee DE, Park SY, Kim JK, Cho JW, Cho J, Kim KB, Park B, Park J, Lim JK. Deep-learning algorithms for the interpretation of chest radiographs to aid in the triage of COVID-19 patients: A multicenter retrospective study. PLoS One. 2020 Nov 24;15(11):e0242759. doi: 10.1371/journal.pone.0242759. eCollection 2020.
- Hwang EJ, Kim KB, Kim JY, Lim JK, Nam JG, Choi H, Kim H, Yoon SH, Goo JM, Park CM. COVID-19 pneumonia on chest X-rays: Performance of a deep learning-based computer-aided detection system. PLoS One. 2021 Jun 7;16(6):e0252440. doi: 10.1371/journal.pone.0252440. eCollection 2021.
- Hwang EJ, Kim H, Yoon SH, Goo JM, Park CM. Implementation of a Deep Learning-Based Computer-Aided Detection System for the Interpretation of Chest Radiographs in Patients Suspected for COVID-19. Korean J Radiol. 2020 Oct;21(10):1150-1160. doi: 10.3348/kjr.2020.0536. Epub 2020 Jul 17.
- Kim JH, Han SG, Cho A, Shin HJ, Baek SE. Effect of deep learning-based assistive technology use on chest radiograph interpretation by emergency department physicians: a prospective interventional simulation-based study. BMC Med Inform Decis Mak. 2021 Nov 8;21(1):311. doi: 10.1186/s12911-021-01679-4.
- Yoo H, Kim KH, Singh R, Digumarthy SR, Kalra MK. Validation of a Deep Learning Algorithm for the Detection of Malignant Pulmonary Nodules in Chest Radiographs. JAMA Netw Open. 2020 Sep 1;3(9):e2017135. doi: 10.1001/jamanetworkopen.2020.17135.
- Nam JG, Hwang EJ, Kim DS, Yoo SJ, Choi H, Goo JM, Park CM. Undetected Lung Cancer at Posteroanterior Chest Radiography: Potential Role of a Deep Learning-based Detection Algorithm. Radiol Cardiothorac Imaging. 2020 Dec 10;2(6):e190222. doi: 10.1148/ryct.2020190222. eCollection 2020 Dec.
- Yoo H, Lee SH, Arru CD, Doda Khera R, Singh R, Siebert S, Kim D, Lee Y, Park JH, Eom HJ, Digumarthy SR, Kalra MK. AI-based improvement in lung cancer detection on chest radiographs: results of a multi-reader study in NLST dataset. Eur Radiol. 2021 Dec;31(12):9664-9674. doi: 10.1007/s00330-021-08074-7. Epub 2021 Jun 4.
- Lee JH, Sun HY, Park S, Kim H, Hwang EJ, Goo JM, Park CM. Performance of a Deep Learning Algorithm Compared with Radiologic Interpretation for Lung Cancer Detection on Chest Radiographs in a Health Screening Population. Radiology. 2020 Dec;297(3):687-696. doi: 10.1148/radiol.2020201240. Epub 2020 Sep 22.
- Koo YH, Shin KE, Park JS, Lee JW, Byun S, Lee H. Extravalidation and reproducibility results of a commercial deep learning-based automatic detection algorithm for pulmonary nodules on chest radiographs at tertiary hospital. J Med Imaging Radiat Oncol. 2021 Feb;65(1):15-22. doi: 10.1111/1754-9485.13105. Epub 2020 Oct 8.
- Nam JG, Kim M, Park J, Hwang EJ, Lee JH, Hong JH, Goo JM, Park CM. Development and validation of a deep learning algorithm detecting 10 common abnormalities on chest radiographs. Eur Respir J. 2021 May 20;57(5):2003061. doi: 10.1183/13993003.03061-2020. Print 2021 May.
- Kim EY, Kim YJ, Choi WJ, Lee GP, Choi YR, Jin KN, Cho YJ. Performance of a deep-learning algorithm for referable thoracic abnormalities on chest radiographs: A multicenter study of a health screening cohort. PLoS One. 2021 Feb 19;16(2):e0246472. doi: 10.1371/journal.pone.0246472. eCollection 2021. Erratum In: PLoS One. 2021 Apr 28;16(4):e0251045.
- Hwang EJ, Nam JG, Lim WH, Park SJ, Jeong YS, Kang JH, Hong EK, Kim TM, Goo JM, Park S, Kim KH, Park CM. Deep Learning for Chest Radiograph Diagnosis in the Emergency Department. Radiology. 2019 Dec;293(3):573-580. doi: 10.1148/radiol.2019191225. Epub 2019 Oct 22.
- Hwang EJ, Hong JH, Lee KH, Kim JI, Nam JG, Kim DS, Choi H, Yoo SJ, Goo JM, Park CM. Deep learning algorithm for surveillance of pneumothorax after lung biopsy: a multicenter diagnostic cohort study. Eur Radiol. 2020 Jul;30(7):3660-3671. doi: 10.1007/s00330-020-06771-3. Epub 2020 Mar 11.
- Jin KN, Kim EY, Kim YJ, Lee GP, Kim H, Oh S, Kim YS, Han JH, Cho YJ. Diagnostic effect of artificial intelligence solution for referable thoracic abnormalities on chest radiography: a multicenter respiratory outpatient diagnostic cohort study. Eur Radiol. 2022 May;32(5):3469-3479. doi: 10.1007/s00330-021-08397-5. Epub 2022 Jan 1.
Dates d'enregistrement des études
Dates principales de l'étude
Début de l'étude (Anticipé)
Achèvement primaire (Anticipé)
Achèvement de l'étude (Anticipé)
Dates d'inscription aux études
Première soumission
Première soumission répondant aux critères de contrôle qualité
Première publication (Réel)
Mises à jour des dossiers d'étude
Dernière mise à jour publiée (Réel)
Dernière mise à jour soumise répondant aux critères de contrôle qualité
Dernière vérification
Plus d'information
Termes liés à cette étude
Autres numéros d'identification d'étude
- R2757
Plan pour les données individuelles des participants (IPD)
Prévoyez-vous de partager les données individuelles des participants (DPI) ?
Informations sur les médicaments et les dispositifs, documents d'étude
Étudie un produit pharmaceutique réglementé par la FDA américaine
Étudie un produit d'appareil réglementé par la FDA américaine
produit fabriqué et exporté des États-Unis.
Ces informations ont été extraites directement du site Web clinicaltrials.gov sans aucune modification. Si vous avez des demandes de modification, de suppression ou de mise à jour des détails de votre étude, veuillez contacter register@clinicaltrials.gov. Dès qu'un changement est mis en œuvre sur clinicaltrials.gov, il sera également mis à jour automatiquement sur notre site Web .
Essais cliniques sur Examen de l'intelligence artificielle
-
Sansum Diabetes Research InstituteJuvenile Diabetes Research FoundationComplétéDiabète sucré de type 1États-Unis