急性コンピュータ断層撮影 (CT) 頭部読影における AI 支援読者評価 (AI-REACT)
2025年11月19日 更新者：Alex Novak、Oxford University Hospitals NHS Trust
急性CT頭部読影におけるAI支援読者評価
この研究は、救急部門画像処理シミュレーション トレーニング 2 研究 (ClinicalTrials.gov) のサブ研究として追加されました。 ID NCT05427838)。
この研究の目的は、qER 2.0 EUと呼ばれる人工知能（AI）ツールが、非造影CT頭部スキャンの読影における一般放射線科医、救急医、放射線技師を含む読者のパフォーマンスに及ぼす影響を評価することです。 この研究は、AI ツールを使用した場合の精度、レビュー時間、診断の信頼度の変化を評価することを目的としています。 また、AI ツールの診断性能と、国民保健サービス (NHS) の状況における効率と患者ケアを向上させる可能性に関する証拠の提供も目指しています。 この研究では、対照症例と特定の異常を伴う異常症例の両方を含む、150 件の頭部 CT スキャンのデータセットが使用されます。 この研究の結果は、実際の救急部 (ED) 環境における大規模な追跡調査に役立つでしょう。
調査の概要
研究の種類
観察的
入学 (実際)
33
連絡先と場所
このセクションには、調査を実施する担当者の連絡先の詳細と、この調査が実施されている場所に関する情報が記載されています。
研究場所
-
-
-
Glasgow、イギリス、G12 0XH
- NHS Greater Glasgow and Clyde
-
Newcastle upon Tyne、イギリス、NE27 0QJ
- Northumbria Healthcare NHS Foundation Trust
-
-
London
-
London、London、イギリス、SE1 7EH
- Guy's & St Thomas NHS Foundation Trust
-
-
Oxfordshire
-
Oxford、Oxfordshire、イギリス、OX3 9DU
- Oxford University Hospitals NHS Foundation Trust
-
-
参加基準
研究者は、適格基準と呼ばれる特定の説明に適合する人を探します。これらの基準のいくつかの例は、人の一般的な健康状態または以前の治療です。
適格基準
就学可能な年齢
- 子
- 大人
- 高齢者
健康ボランティアの受け入れ
はい
サンプリング方法
非確率サンプル
調査対象母集団
設定:
読者は、次の 4 つの病院トラスト (二次および三次レベル:
- ガイズ & セント トーマス NHS 財団トラスト
- ノーサンブリア ヘルスケア NHS 財団トラスト
- NHS グレーター・グラスゴー・アンド・クライド
- オックスフォード大学病院 NHS 財団トラスト
参加者：
ボランティア参加読者 30 名が以下のグループから選ばれます。
- 救急医療コンサルタントおよびレジストラ (コンサルタント 5 名、レジストラ 5 名 (ST3-6)、ジュニア (F1-ST2) 5 名)
- 一般放射線科医コンサルタントおよびレジストラ (コンサルタント 5 名、レジストラ 5 名)
- CT放射線技師5名
説明
包含基準:
- 臨床業務の一環として頭部 CT スキャンをレビューする放射線科医/放射線技師/ED 臨床医
除外基準:
- 神経放射線科医。
- 放射線科医以外のグループ: 大学院で CT 報告に関する正式なトレーニングを受けた臨床医
- 救急医療グループ: 放射線科/脳神経外科でレジストラレベルまでのキャリアを積んだ臨床医
研究計画
このセクションでは、研究がどのように設計され、研究が何を測定しているかなど、研究計画の詳細を提供します。
研究はどのように設計されていますか？
デザインの詳細
コホートと介入
グループ/コホート |
介入・治療 |
|---|---|
|
読者
4 つの NHS トラスト全体で 30 名の読者が募集されます。その内訳は、一般放射線科医 10 名、救急医学臨床医 15 名、さまざまな年功の CT 放射線技師 5 名です。
読者は、最初は AI ツールを使用せずに各スキャンを解釈し、次に 4 週間のウォッシュアウト期間を挟んで AI ツールを使用して解釈します。
神経放射線科医のパネルをグラウンドトゥルースとして使用して、qER の単独のパフォーマンスが評価され、読者のパフォーマンスに対するその影響が、精度、スキャンごとの平均レビュー時間、および自己報告の診断の信頼度の変化として分析されます。
サブグループ分析は、読者の専門家グループ、読者の年功序列、病理学的所見、および神経放射線科医が評価した難易度によって実行されます。
|
30 人の読者全員が、2 つの研究段階のそれぞれで、150 の症例すべてをレビューします。
読者は、頭蓋内出血、梗塞、正中線の移動、骨折などの急性異常の有無について意見を提供します。
彼らは、診断に対する信頼性 (10 ポイントの視覚的アナログ スケール) を提供し、存在すると考えられる各異常の位置にマークを付けるための 1 つのクリック ポイントを提供します。
各スキャンにかかる時間は自動的に記録されます。
|
|
グラウンドトゥルーサー
2 人のコンサルタントの神経放射線科医が独立して画像を検査し、参照標準として使用される CT スキャンの「グラウンド トゥルース」所見を確立します。
意見の相違がある場合には、仲裁のために 3 番目の上級神経放射線科医の意見が求められます。
難易度スコアは、地上調査員によって 5 ポイントのリッカート スケールを使用して各スキャンに割り当てられます。
|
2 人のコンサルタントの神経放射線科医が独立して画像を検査し、参照標準として使用される CT スキャンの「グラウンド トゥルース」所見を確立します。
意見の相違がある場合には、仲裁のために 3 番目の上級神経放射線科医の意見が求められます。
|
この研究は何を測定していますか？
主要な結果の測定
結果測定 |
メジャーの説明 |
時間枠 |
|---|---|---|
|
リーダーのパフォーマンス: 感度、特異度、AI 支援ありとなしの比較。
時間枠：6 週間は、症例/スキャンを読んだりレビューしたりする期間です。
|
リーダーのパフォーマンスは、AI 支援の有無にかかわらず、感度、特異度として評価されます。
|
6 週間は、症例/スキャンを読んだりレビューしたりする期間です。
|
|
リーダーのパフォーマンス: 陽性および陰性の的中率、AI 支援ありとなしの比較。
時間枠：6 週間は、症例/スキャンを読んだりレビューしたりする期間です。
|
リーダーのパフォーマンスは、AI 支援の有無にかかわらず、陽性的中率 (PPV) と陰性的中率 (NPV) として評価されます。
|
6 週間は、症例/スキャンを読んだりレビューしたりする期間です。
|
|
リーダーのパフォーマンス: 受信機動作特性曲線下面積 (AUROC)、AI 支援ありとなしの比較。
時間枠：6 週間は、症例/スキャンを読んだりレビューしたりする期間です。
|
リーダーのパフォーマンスは、AI 支援の有無にかかわらず、受信機動作特性曲線下面積 (AUROC) として評価されます。
|
6 週間は、症例/スキャンを読んだりレビューしたりする期間です。
|
|
リーダーの速度: AI 支援を使用した場合と使用しない場合の、スキャンのレビューにかかる平均時間。
時間枠：6 週間は、症例/スキャンを読んだりレビューしたりする期間です。
|
リーダーの速度は、秒単位の時間単位を使用して、スキャンのレビューにかかった人時間として評価されます。
|
6 週間は、症例/スキャンを読んだりレビューしたりする期間です。
|
|
読者の信頼度: AI 支援を使用した場合と使用しない場合の、10 ポイントの視覚的アナログ スケールでの自己報告の診断信頼度。
時間枠：6 週間は、症例/スキャンを読んだりレビューしたりする期間です。
|
リーディング プラットフォーム (RAIQC) では、参加者が自分の診断意見に対してどの程度の信頼を持っているかを尋ねる質問が 1 つあります。
質問には 1 から 10 のスケールがあり、1 は自信がなく、10 は非常に自信があります。
|
6 週間は、症例/スキャンを読んだりレビューしたりする期間です。
|
|
qER (AI アルゴリズム) のパフォーマンス: 感度と特異度
時間枠：6 週間は、症例/スキャンを読んだりレビューしたりする期間です。
|
qER のパフォーマンスは感度、特異度として評価されます。
|
6 週間は、症例/スキャンを読んだりレビューしたりする期間です。
|
|
qER (AI アルゴリズム) パフォーマンス: 陽性および陰性的中率。
時間枠：6 週間は、症例/スキャンを読んだりレビューしたりする期間です。
|
qER のパフォーマンスは、陽性的中率 (PPV) および陰性的中率 (NPV) として評価されます。
|
6 週間は、症例/スキャンを読んだりレビューしたりする期間です。
|
|
qER (AI アルゴリズム) パフォーマンス: 受信機動作特性曲線下面積 (AUROC)。
時間枠：6 週間は、症例/スキャンを読んだりレビューしたりする期間です。
|
qER パフォーマンスは、受信機動作特性曲線下面積 (AUROC) として評価されます。
|
6 週間は、症例/スキャンを読んだりレビューしたりする期間です。
|
協力者と研究者
ここでは、この調査に関係する人々や組織を見つけることができます。
捜査官
- 主任研究者：Alex Novak, MSc、National Health Services in the United Kingdom (NHS UK)
- 主任研究者：Sarim Ather, PhD、National Health Services in the United Kingdom (NHS UK)
出版物と役立つリンク
研究に関する情報を入力する責任者は、自発的にこれらの出版物を提供します。これらは、研究に関連するあらゆるものに関するものである可能性があります。
一般刊行物
- 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.
便利なリンク
- 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.
研究記録日
これらの日付は、ClinicalTrials.gov への研究記録と要約結果の提出の進捗状況を追跡します。研究記録と報告された結果は、国立医学図書館 (NLM) によって審査され、公開 Web サイトに掲載される前に、特定の品質管理基準を満たしていることが確認されます。
主要日程の研究
研究開始 (実際)
2023年6月1日
一次修了 (実際)
2023年9月1日
研究の完了 (実際)
2025年6月1日
試験登録日
最初に提出
2023年7月25日
QC基準を満たした最初の提出物
2023年8月25日
最初の投稿 (実際)
2023年8月30日
学習記録の更新
投稿された最後の更新 (実際)
2025年11月24日
QC基準を満たした最後の更新が送信されました
2025年11月19日
最終確認日
2025年11月1日
詳しくは
この情報は、Web サイト clinicaltrials.gov から変更なしで直接取得したものです。研究の詳細を変更、削除、または更新するリクエストがある場合は、register@clinicaltrials.gov。 までご連絡ください。 clinicaltrials.gov に変更が加えられるとすぐに、ウェブサイトでも自動的に更新されます。
読むの臨床試験
-
Children's Hospital Medical Center, Cincinnati完了