- ICH GCP
- Registro degli studi clinici negli Stati Uniti
- Sperimentazione clinica NCT06018545
Valutazione del lettore assistito dall'intelligenza artificiale nell'interpretazione della testa della tomografia computerizzata acuta (CT). (AI-REACT)
Valutazione del lettore assistita dall'intelligenza artificiale nell'interpretazione acuta della testa TC
Questo studio è stato aggiunto come studio secondario allo studio Simulation Training for Emergency Department Imaging 2 (ClinicalTrials.gov ID NCT05427838).
Lo scopo dello studio è valutare l'impatto di uno strumento di intelligenza artificiale (AI) chiamato qER 2.0 EU sulle prestazioni dei lettori, inclusi radiologi generali, medici di medicina d'urgenza e radiografi, nell'interpretazione delle scansioni TC della testa senza contrasto. Lo studio mira a valutare i cambiamenti in termini di accuratezza, tempo di revisione e affidabilità diagnostica quando si utilizza lo strumento AI. Cerca inoltre di fornire prove sulle prestazioni diagnostiche dello strumento di intelligenza artificiale e sul suo potenziale per migliorare l’efficienza e la cura dei pazienti nel contesto del Servizio sanitario nazionale (NHS). Lo studio utilizzerà un set di dati di 150 scansioni TC della testa, inclusi sia casi di controllo che casi anomali con anomalie specifiche. I risultati di questo studio forniranno informazioni su studi di follow-up più ampi in contesti reali di pronto soccorso (ED).
Panoramica dello studio
Stato
Condizioni
Intervento / Trattamento
Tipo di studio
Iscrizione (Effettivo)
Contatti e Sedi
Luoghi di studio
-
-
-
Glasgow, Regno Unito, G12 0XH
- NHS Greater Glasgow and Clyde
-
Newcastle upon Tyne, Regno Unito, NE27 0QJ
- Northumbria Healthcare NHS Foundation Trust
-
-
London
-
London, London, Regno Unito, SE1 7EH
- Guy's & St Thomas NHS Foundation Trust
-
-
Oxfordshire
-
Oxford, Oxfordshire, Regno Unito, OX3 9DU
- Oxford University Hospitals NHS Foundation Trust
-
-
Criteri di partecipazione
Criteri di ammissibilità
Età idonea allo studio
- Bambino
- Adulto
- Adulto più anziano
Accetta volontari sani
Metodo di campionamento
Popolazione di studio
Collocamento:
I lettori saranno reclutati dalle seguenti quattro aziende ospedaliere (livello secondario e terziario):
- Guy's & St Thomas NHS Foundation Trust
- Northumbria Healthcare NHS Foundation Trust
- NHS Greater Glasgow e Clyde
- Trust della Fondazione NHS degli ospedali dell'Università di Oxford
Partecipanti:
30 lettori partecipanti volontari saranno selezionati dai seguenti gruppi:
- Consulenti e cancellieri di medicina d'urgenza (5 consulenti, 5 cancelliere (ST3-6), 5 junior (F1-ST2)
- Consulenti e cancellieri del radiologo generale (5 consulenti, 5 cancelliere)
- 5 Radiografi CT
Descrizione
Criterio di inclusione:
- Radiologi/radiografi/medici di pronto soccorso che esaminano le scansioni TC della testa come parte della loro pratica clinica
Criteri di esclusione:
- Neuroradiologi.
- Gruppi di non radiologi: medici con precedente formazione formale post-laurea sulla refertazione TC
- Gruppo Medicina d'Urgenza: Medici con precedente carriera in radiologia/neurochirurgia a livello di registrar
Piano di studio
Come è strutturato lo studio?
Dettagli di progettazione
Coorti e interventi
Gruppo / Coorte |
Intervento / Trattamento |
|---|---|
|
Lettori
Verranno reclutati 30 lettori in quattro trust del NHS, tra cui dieci radiologi generali, quindici medici di medicina d'urgenza e cinque radiografi TC di varia anzianità.
I lettori interpreteranno prima ciascuna scansione senza, poi con l'assistenza dello strumento AI, con un periodo di washout intermedio di 4 settimane.
Utilizzando un gruppo di neuroradiologi come verità di base, verranno valutate le prestazioni autonome di qER e il suo impatto sulle prestazioni dei lettori sarà analizzato come cambiamento nell'accuratezza, tempo medio di revisione per scansione e confidenza diagnostica auto-riferita.
Le analisi dei sottogruppi saranno eseguite per gruppo professionale del lettore, anzianità del lettore, riscontro patologico e difficoltà valutata dal neuroradiologo.
|
Tutti i 30 lettori esamineranno tutti i 150 casi, in ciascuna delle due fasi di studio.
I lettori forniranno la loro opinione sulla presenza o assenza di alcune anomalie acute, tra cui emorragia intracranica, infarto, spostamento della linea mediana e frattura.
Forniranno una fiducia nella loro diagnosi (scala analogica visiva a 10 punti) e un singolo punto di clic per contrassegnare la posizione di ciascuna anomalia che considerano presente.
Il tempo impiegato per ciascuna scansione verrà registrato automaticamente.
|
|
Veritieri di terra
Due neuroradiologi consulenti esamineranno in modo indipendente le immagini per stabilire i risultati della "verità fondamentale" sulle scansioni TC che verranno utilizzate come standard di riferimento.
In caso di disaccordo, verrà richiesto il parere di un terzo neuroradiologo esperto per l'arbitrato.
Ad ogni scansione verrà assegnato un punteggio di difficoltà dagli addetti alla verifica a terra utilizzando una scala Likert a 5 punti.
|
Due neuroradiologi consulenti esamineranno in modo indipendente le immagini per stabilire i risultati della "verità fondamentale" sulle scansioni TC che verranno utilizzate come standard di riferimento.
In caso di disaccordo, verrà richiesto il parere di un terzo neuroradiologo esperto per l'arbitrato.
|
Cosa sta misurando lo studio?
Misure di risultato primarie
Misura del risultato |
Misura Descrizione |
Lasso di tempo |
|---|---|---|
|
Prestazioni del lettore: sensibilità, specificità, confronto tra con e senza assistenza AI.
Lasso di tempo: Durante 6 settimane, che è il periodo per leggere o rivedere i casi/scansioni.
|
Le prestazioni del lettore saranno valutate come sensibilità, specificità, con e senza assistenza AI.
|
Durante 6 settimane, che è il periodo per leggere o rivedere i casi/scansioni.
|
|
Prestazioni del lettore: valore predittivo positivo e negativo, comparativo tra con e senza assistenza AI.
Lasso di tempo: Durante 6 settimane, che è il periodo per leggere o rivedere i casi/scansioni.
|
Le prestazioni del lettore verranno valutate come valore predittivo positivo (PPV) e valore predittivo negativo (NPV), con e senza assistenza AI.
|
Durante 6 settimane, che è il periodo per leggere o rivedere i casi/scansioni.
|
|
Prestazioni del lettore: curva caratteristica operativa dell'area sotto il ricevitore (AUROC), comparativa tra con e senza assistenza AI.
Lasso di tempo: Durante 6 settimane, che è il periodo per leggere o rivedere i casi/scansioni.
|
Le prestazioni del lettore verranno valutate come curva caratteristica operativa dell'area sotto il ricevitore (AUROC), con e senza assistenza AI.
|
Durante 6 settimane, che è il periodo per leggere o rivedere i casi/scansioni.
|
|
Velocità del lettore: tempo medio impiegato per rivedere una scansione, con o senza assistenza AI.
Lasso di tempo: Durante 6 settimane, che è il periodo per leggere o rivedere i casi/scansioni.
|
La velocità del lettore verrà valutata come il tempo impiegato per rivedere una scansione, utilizzando l'unità di tempo in secondi.
|
Durante 6 settimane, che è il periodo per leggere o rivedere i casi/scansioni.
|
|
Fiducia del lettore: fiducia diagnostica auto-riferita su una scala analogica visiva a 10 punti, con o senza assistenza AI.
Lasso di tempo: Durante 6 settimane, che è il periodo per leggere o rivedere i casi/scansioni.
|
Sulla piattaforma di lettura (RAIQC), una delle domande chiede il livello di fiducia che il partecipante ha nella propria opinione diagnostica.
La domanda offre una scala da 1 a 10, dove 1 significa non sicuro e 10 molto sicuro.
|
Durante 6 settimane, che è il periodo per leggere o rivedere i casi/scansioni.
|
|
Prestazioni qER (algoritmo AI): sensibilità e specificità
Lasso di tempo: Durante 6 settimane, che è il periodo per leggere o rivedere i casi/scansioni.
|
Le prestazioni del qER saranno valutate come sensibilità e specificità.
|
Durante 6 settimane, che è il periodo per leggere o rivedere i casi/scansioni.
|
|
Prestazioni qER (algoritmo AI): valore predittivo positivo e negativo.
Lasso di tempo: Durante 6 settimane, che è il periodo per leggere o rivedere i casi/scansioni.
|
La prestazione qER sarà valutata come valore predittivo positivo (PPV) e valore predittivo negativo (NPV).
|
Durante 6 settimane, che è il periodo per leggere o rivedere i casi/scansioni.
|
|
Prestazioni qER (algoritmo AI): curva caratteristica operativa dell'area sotto il ricevitore (AUROC).
Lasso di tempo: Durante 6 settimane, che è il periodo per leggere o rivedere i casi/scansioni.
|
Le prestazioni qER verranno valutate come curva caratteristica operativa dell'area sotto il ricevitore (AUROC)
|
Durante 6 settimane, che è il periodo per leggere o rivedere i casi/scansioni.
|
Collaboratori e investigatori
Investigatori
- Investigatore principale: Alex Novak, MSc, National Health Services in the United Kingdom (NHS UK)
- Investigatore principale: Sarim Ather, PhD, National Health Services in the United Kingdom (NHS UK)
Pubblicazioni e link utili
Pubblicazioni generali
- Juszczyk K, Ireland K, Thomas B, Kroon HM, Hollington P. Reduction in hospital admissions with an early computed tomography scan: results of an outpatient management protocol for uncomplicated acute diverticulitis. ANZ J Surg. 2019 Sep;89(9):1085-1090. doi: 10.1111/ans.15285. Epub 2019 Jun 17.
- Chan J, Fan KS, Mak TLA, Loh SY, Ng SWY, Adapala R. Pre-Operative Imaging can Reduce Negative Appendectomy Rate in Acute Appendicitis. Ulster Med J. 2020 Jan;89(1):25-28. Epub 2020 Feb 18.
- 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.
- Lin E, Yuh EL. Computational Approaches for Acute Traumatic Brain Injury Image Recognition. Front Neurol. 2022 Mar 9;13:791816. doi: 10.3389/fneur.2022.791816. eCollection 2022.
- Sheth SA, Giancardo L, Colasurdo M, Srinivasan VM, Niktabe A, Kan P. Machine learning and acute stroke imaging. J Neurointerv Surg. 2023 Feb;15(2):195-199. doi: 10.1136/neurintsurg-2021-018142. Epub 2022 May 25.
- Yeo M, Tahayori B, Kok HK, Maingard J, Kutaiba N, Russell J, Thijs V, Jhamb A, Chandra RV, Brooks M, Barras CD, Asadi H. Review of deep learning algorithms for the automatic detection of intracranial hemorrhages on computed tomography head imaging. J Neurointerv Surg. 2021 Apr;13(4):369-378. doi: 10.1136/neurintsurg-2020-017099. Epub 2021 Jan 21.
- Chilamkurthy S, Ghosh R, Tanamala S, Biviji M, Campeau NG, Venugopal VK, Mahajan V, Rao P, Warier P. Deep learning algorithms for detection of critical findings in head CT scans: a retrospective study. Lancet. 2018 Dec 1;392(10162):2388-2396. doi: 10.1016/S0140-6736(18)31645-3. Epub 2018 Oct 11.
- Lee JY, Kim JS, Kim TY, Kim YS. Detection and classification of intracranial haemorrhage on CT images using a novel deep-learning algorithm. Sci Rep. 2020 Nov 25;10(1):20546. doi: 10.1038/s41598-020-77441-z.
- Arbabshirani MR, Fornwalt BK, Mongelluzzo GJ, Suever JD, Geise BD, Patel AA, Moore GJ. Advanced machine learning in action: identification of intracranial hemorrhage on computed tomography scans of the head with clinical workflow integration. NPJ Digit Med. 2018 Apr 4;1:9. doi: 10.1038/s41746-017-0015-z. eCollection 2018.
- Davis MA, Rao B, Cedeno PA, Saha A, Zohrabian VM. Machine Learning and Improved Quality Metrics in Acute Intracranial Hemorrhage by Noncontrast Computed Tomography. Curr Probl Diagn Radiol. 2022 Jul-Aug;51(4):556-561. doi: 10.1067/j.cpradiol.2020.10.007. Epub 2020 Nov 15.
- Wardlaw JM, Mair G, von Kummer R, Williams MC, Li W, Storkey AJ, Trucco E, Liebeskind DS, Farrall A, Bath PM, White P. Accuracy of Automated Computer-Aided Diagnosis for Stroke Imaging: A Critical Evaluation of Current Evidence. Stroke. 2022 Jul;53(7):2393-2403. doi: 10.1161/STROKEAHA.121.036204. Epub 2022 Apr 20.
- Finck T, Moosbauer J, Probst M, Schlaeger S, Schuberth M, Schinz D, Yigitsoy M, Byas S, Zimmer C, Pfister F, Wiestler B. Faster and Better: How Anomaly Detection Can Accelerate and Improve Reporting of Head Computed Tomography. Diagnostics (Basel). 2022 Feb 10;12(2):452. doi: 10.3390/diagnostics12020452.
- Warman R, Warman A, Warman P, Degnan A, Blickman J, Chowdhary V, Dash D, Sangal R, Vadhan J, Bueso T, Windisch T, Neves G. Deep Learning System Boosts Radiologist Detection of Intracranial Hemorrhage. Cureus. 2022 Oct 13;14(10):e30264. doi: 10.7759/cureus.30264. eCollection 2022 Oct.
- Dyer T, Chawda S, Alkilani R, Morgan TN, Hughes M, Rasalingham S. Validation of an artificial intelligence solution for acute triage and rule-out normal of non-contrast CT head scans. Neuroradiology. 2022 Apr;64(4):735-743. doi: 10.1007/s00234-021-02826-4. Epub 2021 Oct 8.
- Mallon DH, Taylor EJR, Vittay OI, Sheeka A, Doig D, Lobotesis K. Comparison of automated ASPECTS, large vessel occlusion detection and CTP analysis provided by Brainomix and RapidAI in patients with suspected ischaemic stroke. J Stroke Cerebrovasc Dis. 2022 Oct;31(10):106702. doi: 10.1016/j.jstrokecerebrovasdis.2022.106702. Epub 2022 Aug 19.
- Andralojc LE, Kim DH, Edwards AJ. Diagnostic accuracy of a decision-support software for the detection of intracranial large-vessel occlusion in CT angiography. Clin Radiol. 2023 Apr;78(4):e313-e318. doi: 10.1016/j.crad.2022.10.017. Epub 2023 Jan 11.
- 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.
- Huang SC, Pareek A, Jensen M, Lungren MP, Yeung S, Chaudhari AS. Self-supervised learning for medical image classification: a systematic review and implementation guidelines. NPJ Digit Med. 2023 Apr 26;6(1):74. doi: 10.1038/s41746-023-00811-0.
- Hillis SL, Obuchowski NA, Schartz KM, Berbaum KS. A comparison of the Dorfman-Berbaum-Metz and Obuchowski-Rockette methods for receiver operating characteristic (ROC) data. Stat Med. 2005 May 30;24(10):1579-607. doi: 10.1002/sim.2024.
- Obuchowski NA. Sample size tables for receiver operating characteristic studies. AJR Am J Roentgenol. 2000 Sep;175(3):603-8. doi: 10.2214/ajr.175.3.1750603.
- Guo Y, He Y, Lyu J, Zhou Z, Yang D, Ma L, Tan HT, Chen C, Zhang W, Hu J, Han D, Ding G, Liu S, Qiao H, Xu F, Lou X, Dai Q. Deep learning with weak annotation from diagnosis reports for detection of multiple head disorders: a prospective, multicentre study. Lancet Digit Health. 2022 Aug;4(8):e584-e593. doi: 10.1016/S2589-7500(22)00090-5. Epub 2022 Jun 17.
- Fu H, Novak A, Robert D, Kumar S, Tanamala S, Oke J, Bhatia K, Shah R, Romsauerova A, Das T, Espinosa A, Grzeda MT, Narbone M, Dharmadhikari R, Harrison M, Vimalesvaran K, Gooch J, Woznitza N, Salik N, Campbell A, Khan F, Lowe DJ, Shuaib H, Ather S. AI assisted reader evaluation in acute CT head interpretation (AI-REACT): protocol for a multireader multicase study. BMJ Open. 2024 Feb 12;14(2):e079824. doi: 10.1136/bmjopen-2023-079824.
Collegamenti utili
- 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.
- National Institute for Health and Care Excellence. Artificial intelligence for analysing CT brain scans. 2020.
Studiare le date dei record
Studia le date principali
Inizio studio (Effettivo)
Completamento primario (Effettivo)
Completamento dello studio (Effettivo)
Date di iscrizione allo studio
Primo inviato
Primo inviato che soddisfa i criteri di controllo qualità
Primo Inserito (Effettivo)
Aggiornamenti dei record di studio
Ultimo aggiornamento pubblicato (Effettivo)
Ultimo aggiornamento inviato che soddisfa i criteri QC
Ultimo verificato
Maggiori informazioni
Termini relativi a questo studio
Parole chiave
Termini MeSH pertinenti aggiuntivi
- Disturbi cerebrovascolari
- Malattie del cervello
- Malattie del sistema nervoso centrale
- Malattie del sistema nervoso
- Malattie vascolari
- Malattia cardiovascolare
- Ferite e lesioni
- Processi patologici
- Emorragia
- Infarto cerebrale
- Ischemia cerebrale
- Infarto
- Necrosi
- Trauma craniocerebrale
- Trauma, sistema nervoso
- Ischemia
- Ictus
- Condizioni patologiche, segni e sintomi
- Ictus ischemico
- Infarto cerebrale
- Lesioni cerebrali
- Edema cerebrale
- Idrocefalo
- Emorragie intracraniche
Altri numeri di identificazione dello studio
- 310995 - A
Informazioni su farmaci e dispositivi, documenti di studio
Studia un prodotto farmaceutico regolamentato dalla FDA degli Stati Uniti
Studia un dispositivo regolamentato dalla FDA degli Stati Uniti
Queste informazioni sono state recuperate direttamente dal sito web clinicaltrials.gov senza alcuna modifica. In caso di richieste di modifica, rimozione o aggiornamento dei dettagli dello studio, contattare register@clinicaltrials.gov. Non appena verrà implementata una modifica su clinicaltrials.gov, questa verrà aggiornata automaticamente anche sul nostro sito web .
Prove cliniche su Lettura
-
Opera CRO, a TIGERMED Group CompanyCompletato
-
Children's Hospital Medical Center, CincinnatiCompletatoRelazioni genitori-figli | Sviluppo del linguaggio | AlfabetizzazioneStati Uniti
-
Second Affiliated Hospital, School of Medicine,...Alibaba DAMO AcademyNon ancora reclutamentoDiagnosi precoce del cancro | Rilevazione del cancro al seno | IA (Intelligenza Artificiale)
-
National Cancer Institute (NCI)CompletatoNeoplasie prostatiche | Cancro alla prostata | Neoplasie della prostata | Cancro Della Prostata | Cancro alla prostata in stadio D0Stati Uniti
-
National Cancer Institute (NCI)TerminatoNeoplasie prostatiche | Cancro alla prostataStati Uniti
-
National Cancer Institute (NCI)CompletatoNeoplasie della prostata | Antigeni prostatici specificiStati Uniti
-
H. Lee Moffitt Cancer Center and Research InstituteKite, A Gilead CompanyCompletatoLinfoma diffuso a grandi cellule B | Linfoma trasformatoStati Uniti