- ICH GCP
- Registre américain des essais cliniques
- Essai clinique NCT06232187
Aide à l'intelligence artificielle dans la prise de décision des novices pour l'évaluation de l'estimation du poids fœtal par échographie - Un essai randomisé (scan-AId)
Scan-AId : Aide à l'intelligence artificielle dans la prise de décision des novices pour l'évaluation de l'estimation du poids fœtal par échographie - Un essai randomisé
Le but de cet essai clinique contrôlé randomisé est d'apprendre quel type d'intelligence artificielle (IA) affecte la précision diagnostique de l'estimation échographique du poids fœtal (EFW), lorsqu'elle est réalisée par des novices, dans cette étude représentée par des étudiants en médecine. Les principales questions auxquelles elle vise à répondre sont :
- Quel type d’intelligence artificielle permet aux novices d’améliorer la précision du diagnostic échographique du poids fœtal ?
- L’intelligence artificielle améliore-t-elle la qualité des images et le système d’IA est-il utilisable pour les novices ? Les participants seront invités à effectuer une échographie EFW avec soit un simple système de rétroaction d'IA à boîte noire, soit une IA explicable plus élaborée. Il s’agit d’appuyer leur prise de décision. Les chercheurs compareront ensuite cela à un groupe témoin pour voir s’il y a un effet.
Aperçu de l'étude
Statut
Les conditions
Description détaillée
Le but de cet essai clinique contrôlé randomisé est d'apprendre quel type d'intelligence artificielle (IA) affecte la précision diagnostique de l'estimation échographique du poids fœtal (EFW), lorsqu'elle est réalisée par des novices, dans cette étude représentée par des étudiants en médecine.
Les objectifs de l'étude sont les suivants :
- Quel type de système d’aide à l’intelligence artificielle permet aux novices d’améliorer la précision du diagnostic échographique du poids fœtal ?
- L'intelligence artificielle améliore-t-elle la qualité de l'image, évalue-t-elle la charge cognitive imposée aux participants lors de l'utilisation du support de l'IA, et le système d'IA est-il utilisable pour les novices ?
Les participants seront chargés d'effectuer une échographie du poids fœtal estimé (EFW) en utilisant soit une simple boîte noire IA, soit un système de rétroaction d'IA explicable et détaillé. Les systèmes d'IA aideront les participants à déterminer s'ils ont capturé l'image appropriée pour EFW. Les résultats seront ensuite comparés à ceux d'un groupe témoin.
Des procédures échographiques seront effectuées sur des femmes enceintes avec des fœtus à un âge gestationnel de 30 à 37 semaines, qui ont préalablement subi une EFW par un échographiste expert à la clinique le même jour ou la veille. Un participant de chaque bras de randomisation effectuera un EFW sur la même femme enceinte.
Type d'étude
Inscription (Estimé)
Phase
- N'est pas applicable
Contacts et emplacements
Coordonnées de l'étude
- Nom: Mary L Ngo, MD
- Numéro de téléphone: +4520773779
- E-mail: mary.ngo@hotmail.com
Sauvegarde des contacts de l'étude
- Nom: Martin Tolsgaard, MD, PhD proffessor
- Numéro de téléphone: +4538664631
- E-mail: martin.groennebaek.tolsgaard@regionh.dk
Lieux d'étude
-
-
-
Copenhagen, Danemark, 2100
- Rigshospitalet
-
-
Critères de participation
Critère d'éligibilité
Âges éligibles pour étudier
- Adulte
- Adulte plus âgé
Accepte les volontaires sains
La description
Critère d'intégration:
- Étudiants en médecine sans formation préalable en échographie fœtale ou abdominale.
- Les participants devront comprendre le danois ou l'anglais parlé et écrit.
Critère d'exclusion:
• Les étudiants en médecine qui ont reçu une formation fœtale ou abdominale formelle avant d'être inclus dans cette étude.
Plan d'étude
Comment l'étude est-elle conçue ?
Détails de conception
- Objectif principal: Diagnostique
- Répartition: Randomisé
- Modèle interventionnel: Affectation parallèle
- Masquage: Seul
Armes et Interventions
Groupe de participants / Bras |
Intervention / Traitement |
---|---|
Expérimental: Groupe de rétroaction 1 (FG1)
Les participants au FG1 recevront un support de base de l'IA en boîte noire, avec des explications simples comme "avion standard", "avion non standard" ou "hors plan".
|
Retour d'information de l'IA à deux niveaux, pour aider les participants, à obtenir les bonnes images planes standard utilisées dans le calcul de l'EFW par échographie fœtale.
|
Expérimental: Groupe de rétroaction 2 (FG2)
Les participants au FG2 recevront un support d’IA explicable, avec une description plus élaborée des structures anatomiques et de la segmentation de l’anatomie.
|
Retour d'information de l'IA à deux niveaux, pour aider les participants, à obtenir les bonnes images planes standard utilisées dans le calcul de l'EFW par échographie fœtale.
|
Aucune intervention: Groupe témoin (CG)
Les participants au CG disposeront d'une affiche d'avion standard pour les guider vers les images planes standard de l'échographie EFW.
|
Que mesure l'étude ?
Principaux critères de jugement
Mesure des résultats |
Description de la mesure |
Délai |
---|---|---|
Précision du diagnostic
Délai: 15 minutes
|
La précision dans chaque groupe a été définie comme la différence en pourcentage entre le poids fœtal estimé et l'expert en échographie EFW.
|
15 minutes
|
Mesures de résultats secondaires
Mesure des résultats |
Description de la mesure |
Délai |
---|---|---|
Qualité d'image
Délai: 5 minutes pr. participant
|
Le score des critères Salomon est utilisé pour évaluer la qualité de l’image. Les points sont attribués en fonction du nombre de points de repère présents, de la qualité de l'optimisation de l'image et du calibrage.placements. Minimum : 1 Maximum : 18. Un score plus élevé indique une meilleure qualité d’image. |
5 minutes pr. participant
|
Autres mesures de résultats
Mesure des résultats |
Description de la mesure |
Délai |
---|---|---|
La convivialité du système d’IA
Délai: 5 minutes
|
Les participants seront invités à répondre à un questionnaire : System Usability Scale (SUS), qui est utilisé pour évaluer le système de feedback de l'IA. Min 1 Maximum 100. Un score plus élevé indiquant une meilleure convivialité du système. |
5 minutes
|
Mesure du temps de réaction
Délai: 5 minutes
|
Les mesures du temps de réaction des participants constitueront une mesure de la charge cognitive. Le temps de réaction sera mesuré comme tâche secondaire pendant que les participants effectuent l'échographie. |
5 minutes
|
Collaborateurs et enquêteurs
Publications et liens utiles
Publications générales
- 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.
Dates d'enregistrement des études
Dates principales de l'étude
Début de l'étude (Réel)
Achèvement primaire (Estimé)
Achèvement de l'étude (Estimé)
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
Autres numéros d'identification d'étude
- F-24001576
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
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 .