Mesterséges intelligencia támogatása az újoncok döntéshozatalában az ultrahangos magzati súlybecslés értékeléséhez – Randomizált próba (scan-AId)
2024. május 8. frissítette: Mary Le Ngo, Copenhagen Academy for Medical Education and Simulation
Scan-AId: Mesterséges intelligencia támogatása az újoncok döntéshozatalában az ultrahangos magzati súlybecslés értékeléséhez – Randomizált próba
Ennek a randomizált, kontrollált klinikai vizsgálatnak az a célja, hogy megtudja, milyen típusú mesterséges intelligencia (AI) befolyásolja a magzati súly ultrahangos becslésének diagnosztikai pontosságát, ha újoncok végzik, ebben a tanulmányban, amelyet orvostanhallgatók képviselnek. A fő kérdés, amelyre választ kíván adni:
- Milyen típusú mesterséges intelligencia működik az újoncok számára az ultrahangos magzatsúly-diagnosztikai pontosság javításában?
- A mesterséges intelligencia javítja-e a képminőséget, és használható-e az AI rendszer kezdők számára? A résztvevőket arra kérik, hogy végezzenek ultrahangos EFW-t egy egyszerű fekete doboz mesterséges intelligencia visszacsatoló rendszerrel vagy egy bonyolultabb, megmagyarázható AI-val. Ez azért van, hogy támogassák döntéseiket. A kutatók ezt összehasonlítják egy kontrollcsoporttal, hogy megnézzék, van-e hatás.
A tanulmány áttekintése
Állapot
Jelentkezés meghívóval
Körülmények
Részletes leírás
Ennek a randomizált, kontrollált klinikai vizsgálatnak az a célja, hogy megtudja, milyen típusú mesterséges intelligencia (AI) befolyásolja a magzati súly ultrahangos becslésének diagnosztikai pontosságát, ha újoncok végzik, ebben a tanulmányban, amelyet orvostanhallgatók képviselnek.
A tanulmány céljai a következők:
- Milyen típusú mesterséges intelligencia támogató rendszer működik újoncok számára az ultrahangos magzati súly diagnosztikai pontosságának javításában?
- Javítja-e a mesterséges intelligencia a képminőséget, értékeli-e a résztvevőkre nehezedő kognitív terhelést az AI-támogatás igénybevételekor, és használható-e az AI rendszer kezdők számára?
A résztvevők feladata egy ultrahangos becsült magzati súly (EFW) elvégzése egy egyszerű fekete doboz AI vagy egy részletesen megmagyarázható AI visszacsatoló rendszer segítségével. Az AI-rendszerek segítenek a résztvevőknek eldönteni, hogy a megfelelő képet rögzítették-e az EFW számára. Az eredményeket ezután összehasonlítják a kontrollcsoport eredményeivel.
Az ultrahangos beavatkozásokat 30-37 hetes terhességi korban magzattal rendelkező várandós nőkön végzik el, akiknél előzőleg a klinikán egy szakértő szonográfus végzett EFW-t akár aznap, akár előző napon. Mindegyik randomizációs kar egy résztvevője ugyanazon a terhes nőn végez EFW-t.
Tanulmány típusa
Beavatkozó
Beiratkozás (Becsült)
75
Fázis
- Nem alkalmazható
Kapcsolatok és helyek
Ez a rész a vizsgálatot végzők elérhetőségeit, valamint a vizsgálat lefolytatásának helyére vonatkozó információkat tartalmazza.
Tanulmányi helyek
-
-
-
Copenhagen, Dánia, 2100
- Rigshospitalet
-
-
Részvételi kritériumok
A kutatók olyan embereket keresnek, akik megfelelnek egy bizonyos leírásnak, az úgynevezett jogosultsági kritériumoknak. Néhány példa ezekre a kritériumokra a személy általános egészségi állapota vagy a korábbi kezelések.
Jogosultsági kritériumok
Tanulmányozható életkorok
- Felnőtt
- Idősebb felnőtt
Egészséges önkénteseket fogad
Igen
Leírás
Bevételi kritériumok:
- Orvostanhallgatók korábbi magzati vagy hasi ultrahangos képzettséggel.
- A résztvevőknek szóban és írásban kell érteniük dánul vagy angolul.
Kizárási kritériumok:
• Orvostanhallgatók, akik formális magzati vagy hasi képzésben részesültek a vizsgálatba való felvételük előtt.
Tanulási terv
Ez a rész a vizsgálati terv részleteit tartalmazza, beleértve a vizsgálat megtervezését és a vizsgálat mérését.
Hogyan készül a tanulmány?
Tervezési részletek
- Elsődleges cél: Diagnosztikai
- Kiosztás: Véletlenszerűsített
- Beavatkozó modell: Párhuzamos hozzárendelés
- Maszkolás: Egyetlen
Fegyverek és beavatkozások
Résztvevő csoport / kar |
Beavatkozás / kezelés |
|---|---|
|
Kísérleti: 1. visszajelzési csoport (FG1)
Az FG1 résztvevői alapvető fekete doboz AI-támogatásban részesülnek, olyan egyszerű magyarázattal, mint a "standard sík", "nem szabványos repülőgép" vagy "síkon kívül".
|
AI visszajelzés két szinten, a résztvevők segítségére a magzati ultrahang EFW számításánál használt megfelelő standardsík képek elkészítéséhez.
|
|
Kísérleti: 2. visszajelzési csoport (FG2)
Az FG2 résztvevői magyarázható mesterséges intelligencia támogatást kapnak, az anatómiai struktúrák részletesebb leírásával és az anatómia szegmentációjával.
|
AI visszajelzés két szinten, a résztvevők segítségére a magzati ultrahang EFW számításánál használt megfelelő standardsík képek elkészítéséhez.
|
|
Nincs beavatkozás: Kontroll csoport (CG)
A CG résztvevői kapnak egy szabványos sík plakátot, amely segít eligazodni az EFW ultrahang szabványos síkképeihez.
|
Mit mér a tanulmány?
Elsődleges eredményintézkedések
Eredménymérő |
Intézkedés leírása |
Időkeret |
|---|---|---|
|
Diagnosztikai pontosság
Időkeret: 15 perc
|
Az egyes csoportok pontosságát a becsült magzati súly és az EFW szonográfus szakértő közötti százalékos különbségként határozták meg.
|
15 perc
|
Másodlagos eredményintézkedések
Eredménymérő |
Intézkedés leírása |
Időkeret |
|---|---|---|
|
Képminőség
Időkeret: 5 perc pr. résztvevő
|
A Salomon kritériumok pontszáma a képminőség értékelésére szolgál. A pontok a jelenlévő tereptárgyak számától, a képoptimalizálás minőségétől és a caliper.placementstől függően járnak. Minimum: 1 Maximum: 18. A magasabb pontszám jobb képminőséget jelent. |
5 perc pr. résztvevő
|
Egyéb eredményintézkedések
Eredménymérő |
Intézkedés leírása |
Időkeret |
|---|---|---|
|
Az AI rendszer használhatósága
Időkeret: 5 perc
|
A résztvevőket egy kérdőív megválaszolására kérik: System Usability Scale (SUS), amely az AI visszajelzési rendszer értékelésére szolgál. Minimum 1 Maximum 100. A magasabb pontszám a rendszer jobb használhatóságát jelzi. |
5 perc
|
|
A reakcióidő mérése
Időkeret: 5 perc
|
A résztvevők reakcióidejének mérése a kognitív terhelés mérése lesz. A reakcióidő mérése másodlagos feladatként történik, miközben a résztvevők ultrahangvizsgálatot végeznek. |
5 perc
|
Együttműködők és nyomozók
Itt találhatja meg a tanulmányban érintett személyeket és szervezeteket.
Publikációk és hasznos linkek
A vizsgálattal kapcsolatos információk beviteléért felelős személy önkéntesen bocsátja rendelkezésre ezeket a kiadványokat. Ezek bármiről szólhatnak, ami a tanulmányhoz kapcsolódik.
Általános kiadványok
- 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.
Tanulmányi rekorddátumok
Ezek a dátumok nyomon követik a ClinicalTrials.gov webhelyre benyújtott vizsgálati rekordok és összefoglaló eredmények benyújtásának folyamatát. A vizsgálati feljegyzéseket és a jelentett eredményeket a Nemzeti Orvostudományi Könyvtár (NLM) felülvizsgálja, hogy megbizonyosodjon arról, hogy megfelelnek-e az adott minőség-ellenőrzési szabványoknak, mielőtt közzéteszik őket a nyilvános weboldalon.
Tanulmány főbb dátumok
Tanulmány kezdete (Tényleges)
2024. február 14.
Elsődleges befejezés (Becsült)
2024. június 30.
A tanulmány befejezése (Becsült)
2024. szeptember 1.
Tanulmányi regisztráció dátumai
Először benyújtva
2024. január 22.
Először nyújtották be, amely megfelel a minőségbiztosítási kritériumoknak
2024. január 22.
Első közzététel (Tényleges)
2024. január 30.
Tanulmányi rekordok frissítései
Utolsó frissítés közzétéve (Tényleges)
2024. május 10.
Az utolsó frissítés elküldve, amely megfelel a minőségbiztosítási kritériumoknak
2024. május 8.
Utolsó ellenőrzés
2024. április 1.
Több információ
A tanulmányhoz kapcsolódó kifejezések
Kulcsszavak
További vonatkozó MeSH feltételek
Egyéb vizsgálati azonosító számok
- F-24001576
Terv az egyéni résztvevői adatokhoz (IPD)
Tervezi megosztani az egyéni résztvevői adatokat (IPD)?
NEM
Gyógyszer- és eszközinformációk, tanulmányi dokumentumok
Egy amerikai FDA által szabályozott gyógyszerkészítményt tanulmányoz
Nem
Egy amerikai FDA által szabályozott eszközterméket tanulmányoz
Nem
Ezt az információt közvetlenül a clinicaltrials.gov webhelyről szereztük be, változtatás nélkül. Ha bármilyen kérése van vizsgálati adatainak módosítására, eltávolítására vagy frissítésére, kérjük, írjon a következő címre: register@clinicaltrials.gov. Amint a változás bevezetésre kerül a clinicaltrials.gov oldalon, ez a webhelyünkön is automatikusan frissül. .