- ICH GCP
- Registre américain des essais cliniques
- Essai clinique NCT06075836
Détection assistée par IA des radiographies thoraciques (AID-CXR)
Utilité d'un outil d'interprétation CXR basé sur l'IA pour améliorer la précision, la rapidité et la confiance des diagnostics des professionnels de la santé : une étude utilisant 500 CXR de patients hospitalisés et de services d'urgence collectés rétrospectivement dans deux fiducies hospitalières britanniques
Cette étude a été ajoutée en tant que sous-étude à l'étude Simulation Training for Emergency Department Imaging 2 (ClinicalTrials.gov ID NCT05427838).
Le Lunit INSIGHT CXR est une étude de validation qui vise à évaluer l'utilité d'un outil d'interprétation des radiographies thoraciques (CXR) basé sur l'intelligence artificielle (IA) pour améliorer l'exactitude, la rapidité et la confiance du diagnostic d'un groupe varié de professionnels de la santé. L'étude sera menée à l'aide de 500 CXR collectés rétrospectivement pour patients hospitalisés et dans les services d'urgence de deux fiducies hospitalières du Royaume-Uni (Royaume-Uni). Deux radiologues thoraciques formés par une bourse examineront indépendamment toutes les études pour établir la norme de référence de vérité terrain. L'outil Lunit INSIGHT CXR sera utilisé pour analyser chaque CXR et ses performances seront mesurées par rapport aux lecteurs experts. L'étude évaluera l'utilité de l'algorithme pour améliorer la précision et la confiance du lecteur telles que mesurées par la sensibilité, la spécificité, la valeur prédictive positive et la valeur prédictive négative. L'étude mesurera les performances de l'algorithme par rapport à dix résultats anormaux, notamment nodules/masse pulmonaires, consolidation, pneumothorax, atélectasie, calcification, cardiomégalie, fibrose, élargissement médiastinal, épanchement pleural et pneumopéritoine. L'étude impliquera des lecteurs de divers groupes professionnels cliniques avec et sans l'aide de Lunit INSIGHT CXR. L’étude fournira des preuves de l’impact des algorithmes d’IA pour aider les professionnels de la santé tels que les médecins d’urgence et les médecins généralistes qui examinent régulièrement les images dans leur pratique quotidienne.
Aperçu de l'étude
Statut
Les conditions
Intervention / Traitement
Type d'étude
Inscription (Réel)
Contacts et emplacements
Lieux d'étude
-
-
Oxfordshire
-
Oxford, Oxfordshire, Royaume-Uni, OX3 9DU
- Oxford University Hospitals NHS Foundation Trust
-
-
Critères de participation
Critère d'éligibilité
Âges éligibles pour étudier
- Enfant
- Adulte
- Adulte plus âgé
Accepte les volontaires sains
Méthode d'échantillonnage
Population étudiée
La description
Critère d'intégration:
- Radiologues/radiographes/médecins généralistes qui examinent les radiographies radiographiques dans le cadre de leur pratique clinique de routine
Critère d'exclusion:
- Radiologues thoraciques
- Médecins non radiologues ayant déjà suivi une formation formelle postuniversitaire en matière de reporting CXR.
- Médecins non radiologues ayant une carrière antérieure en radiologie, médecine respiratoire ou chirurgie thoracique au niveau de registraire ou de consultant
Plan d'étude
Comment l'étude est-elle conçue ?
Détails de conception
Cohortes et interventions
Groupe / Cohorte |
Intervention / Traitement |
|---|---|
|
Lecteurs/Participants
Sélection des lecteurs : 30 lecteurs seront sélectionnés parmi les cinq groupes de spécialités cliniques suivants :
Chaque groupe de spécialités est composé de 6 membres classés selon l'ancienneté. Pour les médecins, cela consiste à :
Pour les radiologues, cela consiste à :
|
La lecture se fera à distance via le site Report and Image Quality Control (www.RAIQC.com), une plateforme en ligne permettant la visualisation et la création de rapports d'imagerie médicale. Les participants peuvent travailler depuis n’importe quel endroit, mais le travail doit être effectué à partir d’un ordinateur doté d’un accès à Internet. Pour éviter toute ambiguïté, le travail ne peut pas être effectué à partir d’un téléphone ou d’une tablette. Le projet est divisé en deux phases et les participants doivent terminer les deux phases. La durée totale estimée de l'implication dans le projet est de 20 à 24 heures. Phase 1 : Délai alloué : 2 semaines - Examinez 500 radiographies pulmonaires et exprimez une opinion clinique via un modèle de rapport structuré (à choix multiples, aucun texte ouvert requis). Période de repos/lavage de 2 semaines. Phase 2 - Délai alloué : 2 semaines - Examinez 500 radiographies pulmonaires avec un rapport d'IA pour chaque cas et exprimez votre opinion clinique à l'aide du même modèle de rapport structuré que celui utilisé dans la phase A. |
|
Vérificateurs de terrain
Deux radiologues thoraciques consultants.
L'opinion d'un troisième radiologue thoracique senior (> 20 ans d'expérience) entreprendra un arbitrage.
|
Deux radiologues thoraciques consultants examineront indépendamment les images pour établir les résultats de la « vérité terrain » sur les CXR, lorsqu'un consensus est atteint, cela sera ensuite utilisé comme norme de référence.
En cas de désaccord, l'avis d'un troisième radiologue thoracique senior (> 20 ans d'expérience) entreprendra un arbitrage.
Un score de difficulté sera attribué à chaque anomalie par les enquêteurs sur le terrain à l'aide d'une échelle de Likert à 4 points (1 étant facile/évident à 4 étant difficile/mal visualisé).
|
Que mesure l'étude ?
Principaux critères de jugement
Mesure des résultats |
Description de la mesure |
Délai |
|---|---|---|
|
Performance de l'algorithme d'IA : sensibilité
Délai: Pendant 4 semaines de temps de lecture
|
L'évaluation de l'algorithme Lunit INSIGHT CXR sera effectuée en le comparant à l'étalon de référence afin de déterminer la sensibilité.
|
Pendant 4 semaines de temps de lecture
|
|
Performance de l'algorithme d'IA : spécificité
Délai: Pendant 4 semaines de temps de lecture
|
L'évaluation de l'algorithme Lunit INSIGHT CXR sera effectuée en le comparant à la norme de référence afin de déterminer la spécificité.
|
Pendant 4 semaines de temps de lecture
|
|
Performance de l'algorithme d'IA : aire sous la courbe ROC (AU ROC)
Délai: Pendant 4 semaines de temps de lecture
|
L'évaluation de l'algorithme Lunit INSIGHT CXR sera effectuée en le comparant à la norme de référence.
Le score de probabilité continu de l'algorithme sera utilisé pour les analyses ROC, tandis que les résultats de classification binaire avec un seuil de fonctionnement prédéfini seront utilisés pour l'évaluation de la sensibilité, de la spécificité, de la valeur prédictive positive et de la valeur prédictive négative.
|
Pendant 4 semaines de temps de lecture
|
|
Performance des lecteurs avec et sans assistance IA : sensibilité
Délai: Pendant 4 semaines de temps de lecture
|
L'étude comprendra deux sessions (avec et sans superposition d'IA), les 30 lecteurs examinant les 500 cas CXR à chaque fois séparés par une période de sevrage pour atténuer les biais de rappel.
Les cas seront randomisés entre les deux lectures et pour chaque lecteur.
|
Pendant 4 semaines de temps de lecture
|
|
Performance des lecteurs avec et sans assistance IA : Spécificité
Délai: Pendant 4 semaines de temps de lecture
|
L'étude comprendra deux sessions (avec et sans superposition d'IA), les 30 lecteurs examinant les 500 cas CXR à chaque fois séparés par une période de sevrage pour atténuer les biais de rappel.
Les cas seront randomisés entre les deux lectures et pour chaque lecteur.
|
Pendant 4 semaines de temps de lecture
|
|
Performance des lecteurs avec et sans assistance IA : Aire sous la courbe ROC (AU ROC)
Délai: Pendant 4 semaines de temps de lecture
|
L'étude comprendra deux sessions (avec et sans superposition d'IA), les 30 lecteurs examinant les 500 cas CXR à chaque fois séparés par une période de sevrage pour atténuer les biais de rappel.
Les cas seront randomisés entre les deux lectures et pour chaque lecteur.
|
Pendant 4 semaines de temps de lecture
|
|
Vitesse de lecture avec ou sans l'assistance de l'IA.
Délai: Pendant 4 semaines de temps de lecture
|
Temps moyen nécessaire pour examiner une analyse, avec ou sans l'aide de l'IA.
|
Pendant 4 semaines de temps de lecture
|
Collaborateurs et enquêteurs
Parrainer
Publications et liens utiles
Publications générales
- 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.
Liens utiles
- 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:
Dates d'enregistrement des études
Dates principales de l'étude
Début de l'étude (Réel)
Achèvement primaire (Réel)
Achèvement de l'étude (Réel)
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
Termes MeSH pertinents supplémentaires
- Organisation de la pneumonie
- Maladies cardiovasculaires
- Processus pathologiques
- Tumeurs par site
- Tumeurs
- Conditions pathologiques, anatomiques
- Maladies cardiaques
- Maladies du système immunitaire
- Maladies des voies respiratoires
- Maladies du système digestif
- Maladies pulmonaires
- Maladies bronchiques
- Maladies pulmonaires obstructives
- Tumeurs des voies respiratoires
- Tumeurs thoraciques
- Tumeurs pulmonaires
- Maladies pulmonaires interstitielles
- Maladies péritonéales
- Fibrose
- Bronchiolite oblitérante
- Bronchiolite
- Bronchite
- Maladies pleurales
- Hypertrophie
- Maladie du greffon contre l'hôte
- Conditions pathologiques, signes et symptômes
- Syndrome de bronchiolite oblitérante
- Fibrose pulmonaire
- Pneumopéritoine
- Atélectasie pulmonaire
- Épanchement pleural
- Nodules pulmonaires multiples
- Pneumothorax
- Cardiomégalie
- Nodule pulmonaire solitaire
Autres numéros d'identification d'étude
- 310995 - B
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 .