胸部 X 線の AI 支援検出 (AID-CXR)
医療専門家の診断の正確さ、スピード、自信を支援するための AI ベースの CXR 解釈ツールの有用性: 英国の 2 つの病院トラストから遡及的に収集された 500 件の入院患者および救急部門の CXR を使用した研究
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)。
Lunit INSIGHT CXR は、さまざまな医療専門家グループの診断精度、速度、信頼性を支援する人工知能ベース (AI) 胸部 X 線 (CXR) 読影ツールの有用性を評価することを目的とした検証研究です。 この研究は、英国の2つの病院トラストから遡及的に収集された500人の入院患者および救急部門のCXRを使用して実施される。 フェローシップで訓練を受けた胸部放射線科医 2 名が独立してすべての研究をレビューし、真実の参照基準を確立します。 Lunit INSIGHT CXR ツールは各 CXR の分析に使用され、そのパフォーマンスは専門読者と比較して測定されます。 この研究では、感度、特異度、陽性的中率、陰性的中率によって測定されるリーダーの精度と信頼性の向上におけるアルゴリズムの有用性を評価します。 この研究では、肺結節/肺腫瘤、固結、気胸、無気肺、石灰化、心肥大、線維症、縦隔拡張、胸水、気腹を含む10の異常所見に対するアルゴリズムのパフォーマンスを測定する。 この研究には、Lunit INSIGHT CXR の支援の有無にかかわらず、さまざまな臨床専門家グループの読者が参加します。 この研究は、日常診療で定期的に画像を確認する救急医や一般内科の医師などの医療従事者を支援する際の AI アルゴリズムの影響に関する証拠を提供します。
調査の概要
状態
介入・治療
研究の種類
入学 (推定)
連絡先と場所
研究場所
-
-
Oxfordshire
-
Oxford、Oxfordshire、イギリス、OX3 9DU
- Oxford University Hospitals NHS Foundation Trust
-
-
参加基準
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
サンプリング方法
調査対象母集団
説明
包含基準:
- 日常の臨床診療の一環として CXR を検査する一般の放射線科医/放射線技師/医師
除外基準:
- 胸部放射線科医
- 過去に正式な大学院CXRレポートトレーニングを受けた放射線科以外の医師。
- 放射線科、呼吸器内科、胸部外科でレジストラまたはコンサルタントレベルまでのキャリアを持つ放射線科以外の医師
研究計画
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・参加者
読者の選択: 以下の 5 つの臨床専門分野から 30 名の読者が選ばれます。
各専門グループは、ランク付けされた年功序列の 6 人のメンバーで構成されます。 医師の場合、これは次の内容で構成されます。
放射線技師にとって、これは次の内容で構成されます。
|
読み取りは、レポートおよび画像品質管理サイト (www.RAIQC.com) を介してリモートで行われます。 医療画像の表示とレポートを可能にするオンライン プラットフォーム。 参加者はどこからでも作業できますが、作業はインターネットにアクセスできるコンピュータから行う必要があります。 誤解を避けるために記載しておきますが、この作業は携帯電話やタブレットからは実行できません。 プロジェクトは 2 つのフェーズに分かれており、参加者は両方のフェーズを完了する必要があります。 プロジェクトへの総関与時間は最大 20 ~ 24 時間と推定されます。 フェーズ 1: 許容時間: 2 週間 - 500 枚の胸部 X 線写真を確認し、構造化された報告テンプレート (複数選択、自由記述は不要) を通じて臨床意見を表明します。 2週間の休息/休薬期間。 フェーズ 2 - 許容時間: 2 週間 - 500 枚の胸部 X 線写真と各症例の AI レポートを確認し、フェーズ A で使用したのと同じ構造化されたレポート テンプレートを通じて臨床意見を表明します。 |
グラウンドトゥルーサー
コンサルタントの胸部放射線科医 2 名。
3 番目の上級胸部放射線科医 (経験 20 年以上) の意見により、仲裁が行われます。
|
コンサルタントの胸部放射線科医 2 名が独立して画像をレビューして、CXR の「グラウンド トゥルース」所見を確立します。コンセンサスが得られた場合、これが参照標準として使用されます。
意見の相違がある場合には、3 番目の上級胸部放射線科医 (20 年以上の経験) の意見が仲裁を引き受けます。
難易度スコアは、グラウンドトゥルーサーによって 4 段階のリッカート スケールを使用して各異常に割り当てられます (1 は簡単/明白、4 は難しい/不十分に視覚化されます)。
|
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 |
---|---|---|
AIアルゴリズムの性能:感度
時間枠:4週間の読書時間中に
|
Lunit INSIGHT CXR アルゴリズムの評価は、感度を決定するために参照標準と比較して実行されます。
|
4週間の読書時間中に
|
AIアルゴリズムの性能:特異性
時間枠:4週間の読書時間中に
|
Lunit INSIGHT CXR アルゴリズムの評価は、特異性を判断するために参照標準と比較して実行されます。
|
4週間の読書時間中に
|
AI アルゴリズムのパフォーマンス: ROC 曲線下面積 (AU ROC)
時間枠:4週間の読書時間中に
|
Lunit INSIGHT CXR アルゴリズムの評価は、参照標準と比較して実行されます。
アルゴリズムからの連続確率スコアは ROC 分析に利用され、事前定義された操作カットオフを持つバイナリ分類結果は感度、特異度、陽性的中率、および陰性的中率の評価に使用されます。
|
4週間の読書時間中に
|
AI 支援ありとなしのリーダーのパフォーマンス: 感度
時間枠:4週間の読書時間中に
|
この研究には 2 つのセッション (AI オーバーレイの有無) が含まれ、30 人の読者全員が毎回 500 件の CXR 症例すべてをレビューし、想起バイアスを軽減するウォッシュアウト期間を設けます。
ケースは 2 つの読み取りの間で、およびすべての読み取り者に対してランダム化されます。
|
4週間の読書時間中に
|
AI 支援ありとなしのリーダーのパフォーマンス: 特異性
時間枠:4週間の読書時間中に
|
この研究には 2 つのセッション (AI オーバーレイの有無) が含まれ、30 人の読者全員が毎回 500 件の CXR 症例すべてをレビューし、想起バイアスを軽減するウォッシュアウト期間を設けます。
ケースは 2 つの読み取りの間で、およびすべての読み取り者に対してランダム化されます。
|
4週間の読書時間中に
|
AI 支援ありとなしのリーダーのパフォーマンス: ROC 曲線下面積 (AU ROC)
時間枠:4週間の読書時間中に
|
この研究には 2 つのセッション (AI オーバーレイの有無) が含まれ、30 人の読者全員が毎回 500 件の CXR 症例すべてをレビューし、想起バイアスを軽減するウォッシュアウト期間を設けます。
ケースは 2 つの読み取りの間で、およびすべての読み取り者に対してランダム化されます。
|
4週間の読書時間中に
|
AI 支援を使用した場合と使用しない場合の読者速度。
時間枠:4週間の読書時間中に
|
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った平均時間。
|
4週間の読書時間中に
|
協力者と研究者
出版物と役立つリンク
一般刊行物
- 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.
- 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.
- Spiritoso R, Padley S, Singh S. Chest X-ray interpretation in UK intensive care units: A survey 2014. J Intensive Care Soc. 2015 Nov;16(4):339-344. doi: 10.1177/1751143715580141. Epub 2015 May 18.
- Wilson C. X-ray misinterpretation in urgent care: where does it occur, why does it occur, and does it matter? N Z Med J. 2022 Apr 1;135:49-65.
- Jones CM, Buchlak QD, Oakden-Rayner L, Milne M, Seah J, Esmaili N, Hachey B. Chest radiographs and machine learning - Past, present and future. J Med Imaging Radiat Oncol. 2021 Aug;65(5):538-544. doi: 10.1111/1754-9485.13274. Epub 2021 Jun 25.
- Ahmad HK, Milne MR, Buchlak QD, Ektas N, Sanderson G, Chamtie H, Karunasena S, Chiang J, Holt X, Tang CHM, Seah JCY, Bottrell G, Esmaili N, Brotchie P, Jones C. Machine Learning Augmented Interpretation of Chest X-rays: A Systematic Review. Diagnostics (Basel). 2023 Feb 15;13(4):743. doi: 10.3390/diagnostics13040743.
- van Beek EJR, Ahn JS, Kim MJ, Murchison JT. Validation study of machine-learning chest radiograph software in primary and emergency medicine. Clin Radiol. 2023 Jan;78(1):1-7. doi: 10.1016/j.crad.2022.08.129. Epub 2022 Sep 25.
- Kundu R, Das R, Geem ZW, Han GT, Sarkar R. Pneumonia detection in chest X-ray images using an ensemble of deep learning models. PLoS One. 2021 Sep 7;16(9):e0256630. doi: 10.1371/journal.pone.0256630. eCollection 2021.
- Matsumoto T, Kodera S, Shinohara H, Ieki H, Yamaguchi T, Higashikuni Y, Kiyosue A, Ito K, Ando J, Takimoto E, Akazawa H, Morita H, Komuro I. Diagnosing Heart Failure from Chest X-Ray Images Using Deep Learning. Int Heart J. 2020 Jul 30;61(4):781-786. doi: 10.1536/ihj.19-714. Epub 2020 Jul 18. Erratum In: Int Heart J. 2020;61(5):1088.
- Hillis JM, Bizzo BC, Mercaldo S, Chin JK, Newbury-Chaet I, Digumarthy SR, Gilman MD, Muse VV, Bottrell G, Seah JCY, Jones CM, Kalra MK, Dreyer KJ. Evaluation of an Artificial Intelligence Model for Detection of Pneumothorax and Tension Pneumothorax in Chest Radiographs. JAMA Netw Open. 2022 Dec 1;5(12):e2247172. doi: 10.1001/jamanetworkopen.2022.47172.
- Homayounieh F, Digumarthy S, Ebrahimian S, Rueckel J, Hoppe BF, Sabel BO, Conjeti S, Ridder K, Sistermanns M, Wang L, Preuhs A, Ghesu F, Mansoor A, Moghbel M, Botwin A, Singh R, Cartmell S, Patti J, Huemmer C, Fieselmann A, Joerger C, Mirshahzadeh N, Muse V, Kalra M. An Artificial Intelligence-Based Chest X-ray Model on Human Nodule Detection Accuracy From a Multicenter Study. JAMA Netw Open. 2021 Dec 1;4(12):e2141096. doi: 10.1001/jamanetworkopen.2021.41096.
- Wu JT, Wong KCL, Gur Y, Ansari N, Karargyris A, Sharma A, Morris M, Saboury B, Ahmad H, Boyko O, Syed A, Jadhav A, Wang H, Pillai A, Kashyap S, Moradi M, Syeda-Mahmood T. Comparison of Chest Radiograph Interpretations by Artificial Intelligence Algorithm vs Radiology Residents. JAMA Netw Open. 2020 Oct 1;3(10):e2022779. doi: 10.1001/jamanetworkopen.2020.22779.
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.
- www.nice.org.uk. (2022). Summary | Artificial intelligence for analysing chest X-ray images | Advice | NICE. [online] Available at:
研究記録日
主要日程の研究
研究開始 (実際)
一次修了 (推定)
研究の完了 (推定)
試験登録日
最初に提出
QC基準を満たした最初の提出物
最初の投稿 (実際)
学習記録の更新
投稿された最後の更新 (実際)
QC基準を満たした最後の更新が送信されました
最終確認日
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。
症例の閲覧の臨床試験
-
Children's Hospital Medical Center, Cincinnati積極的、募集していない