Supporto dell'intelligenza artificiale nel processo decisionale dei principianti per la valutazione della stima del peso fetale mediante ecografia: uno studio randomizzato (scan-AId)
Scan-AId: supporto dell'intelligenza artificiale nel processo decisionale dei principianti per la valutazione della stima del peso fetale mediante ecografia - uno studio randomizzato
L'obiettivo di questo studio clinico randomizzato e controllato è quello di apprendere quale tipo di intelligenza artificiale (AI) influisce sull'accuratezza diagnostica della stima ecografica del peso fetale (EFW), quando eseguita da principianti, in questo studio rappresentato da studenti di medicina. Le principali domande a cui si intende rispondere sono:
- Quale tipo di intelligenza artificiale funziona per i principianti nel migliorare l'accuratezza diagnostica del peso fetale ecografico?
- L'intelligenza artificiale migliora la qualità dell'immagine e il sistema AI è utilizzabile dai principianti? Ai partecipanti verrà chiesto di eseguire un EFW ad ultrasuoni con un semplice sistema di feedback AI a scatola nera o con un'intelligenza artificiale spiegabile più elaborata. Questo per supportare il loro processo decisionale. I ricercatori confronteranno questo dato con un gruppo di controllo per vedere se c’è un effetto.
Panoramica dello studio
Stato
Condizioni
Descrizione dettagliata
L'obiettivo di questo studio clinico randomizzato e controllato è quello di apprendere quale tipo di intelligenza artificiale (AI) influisce sull'accuratezza diagnostica della stima ecografica del peso fetale (EFW), quando eseguita da principianti, in questo studio rappresentato da studenti di medicina.
Gli obiettivi dello studio sono:
- Quale tipo di sistema di supporto dell'intelligenza artificiale funziona per i principianti nel migliorare l'accuratezza diagnostica del peso fetale tramite ecografia?
- L’intelligenza artificiale migliora la qualità dell’immagine, valuta il carico cognitivo imposto ai partecipanti quando utilizzano il supporto dell’intelligenza artificiale e il sistema di intelligenza artificiale è utilizzabile dai principianti?
I partecipanti avranno il compito di condurre un'ecografia del peso fetale stimato (EFW) utilizzando una semplice intelligenza artificiale a scatola nera o un sistema di feedback AI dettagliato e spiegabile. I sistemi di intelligenza artificiale aiuteranno i partecipanti a determinare se hanno catturato l’immagine appropriata per EFW. I risultati verranno poi confrontati con quelli di un gruppo di controllo.
Le procedure ecografiche verranno eseguite su donne in gravidanza con feti di età gestazionale di 30-37 settimane, che sono state precedentemente sottoposte a EFW da un ecografista esperto presso la clinica lo stesso giorno o il giorno prima. Un partecipante di ciascun braccio di randomizzazione eseguirà un EFW sulla stessa donna incinta.
Tipo di studio
Iscrizione (Stimato)
Fase
- Non applicabile
Contatti e Sedi
Luoghi di studio
-
-
-
Copenhagen, Danimarca, 2100
- Rigshospitalet
-
-
Criteri di partecipazione
Criteri di ammissibilità
Età idonea allo studio
- Adulto
- Adulto più anziano
Accetta volontari sani
Descrizione
Criterio di inclusione:
- Studenti di medicina senza precedente formazione in ecografia fetale o addominale.
- I partecipanti dovranno comprendere il danese o l'inglese parlato e scritto.
Criteri di esclusione:
• Studenti di medicina che hanno ricevuto un addestramento formale fetale o addominale prima dell'inclusione in questo studio.
Piano di studio
Come è strutturato lo studio?
Dettagli di progettazione
- Scopo principale: Diagnostico
- Assegnazione: Randomizzato
- Modello interventistico: Assegnazione parallela
- Mascheramento: Separare
Armi e interventi
Gruppo di partecipanti / Arm |
Intervento / Trattamento |
|---|---|
|
Sperimentale: Gruppo di feedback 1 (FG1)
I partecipanti a FG1 riceveranno il supporto AI di base della scatola nera, con semplici spiegazioni come "aereo standard", "aereo non standard" o "fuori aereo".
|
Feedback AI su due livelli, in aiuto dei partecipanti, per ottenere le giuste immagini del piano standard utilizzate nel calcolo dell'EFW ecografico fetale.
|
|
Sperimentale: Gruppo di feedback 2 (FG2)
I partecipanti a FG2 riceveranno un supporto basato sull'intelligenza artificiale, con una descrizione più elaborata delle strutture anatomiche e della segmentazione dell'anatomia.
|
Feedback AI su due livelli, in aiuto dei partecipanti, per ottenere le giuste immagini del piano standard utilizzate nel calcolo dell'EFW ecografico fetale.
|
|
Nessun intervento: Gruppo di controllo (CG)
I partecipanti alla CG avranno un poster del piano standard per guidarli verso le immagini del piano standard ad ultrasuoni EFW.
|
Cosa sta misurando lo studio?
Misure di risultato primarie
Misura del risultato |
Misura Descrizione |
Lasso di tempo |
|---|---|---|
|
Accuratezza diagnostica
Lasso di tempo: 15 minuti
|
L'accuratezza in ciascun gruppo è stata definita come la differenza percentuale tra il peso fetale stimato e l'EFW esperto dell'ecografista
|
15 minuti
|
Misure di risultato secondarie
Misura del risultato |
Misura Descrizione |
Lasso di tempo |
|---|---|---|
|
Qualità dell'immagine
Lasso di tempo: 5 minuti prima partecipante
|
Il punteggio dei criteri Salomon viene utilizzato per valutare la qualità dell'immagine. I punti vengono assegnati in base al numero di punti di riferimento presenti, alla qualità dell'ottimizzazione dell'immagine e ai posizionamenti di caliper. Minimo: 1 Massimo: 18. Un punteggio più alto indica una migliore qualità dell'immagine. |
5 minuti prima partecipante
|
Altre misure di risultato
Misura del risultato |
Misura Descrizione |
Lasso di tempo |
|---|---|---|
|
L'usabilità del sistema AI
Lasso di tempo: 5 minuti
|
Ai partecipanti verrà chiesto di rispondere a un questionario: System Usability Scale (SUS), che viene utilizzato per valutare il sistema di feedback dell'intelligenza artificiale. Minimo 1 Massimo 100. Un punteggio più alto indica una migliore usabilità del sistema. |
5 minuti
|
|
Misurazione del tempo di reazione
Lasso di tempo: 5 minuti
|
Le misurazioni del tempo di reazione dei partecipanti serviranno a misurare il carico cognitivo. Il tempo di reazione verrà misurato come compito secondario mentre i partecipanti eseguono l'ecografia. |
5 minuti
|
Collaboratori e investigatori
Pubblicazioni e link utili
Pubblicazioni generali
- 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.
Studiare le date dei record
Studia le date principali
Inizio studio (Effettivo)
Completamento primario (Stimato)
Completamento dello studio (Stimato)
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
Altri numeri di identificazione dello studio
- F-24001576
Piano per i dati dei singoli partecipanti (IPD)
Hai intenzione di condividere i dati dei singoli partecipanti (IPD)?
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 .