AI 지원 흉부 엑스레이 감지 (AID-CXR)
2025년 11월 19일 업데이트: Alex Novak, Oxford University Hospitals NHS Trust
의료 전문가의 진단 정확도, 속도 및 신뢰도를 지원하는 AI 기반 CXR 해석 도구의 유용성: 두 개의 영국 병원 신탁에서 소급 수집된 입원 환자 및 응급실 CXR 500개를 사용한 연구
이 연구는 응급실 영상 시뮬레이션 훈련 2 연구(ClinicalTrials.gov)의 하위 연구로 추가되었습니다. ID NCT05427838).
루닛 인사이트 CXR은 다양한 의료 전문가 그룹의 진단 정확성, 속도, 신뢰도를 지원하는 인공지능 기반 흉부 엑스레이(CXR) 해석 도구의 유용성을 평가하는 것을 목표로 하는 검증 연구입니다. 이 연구는 두 개의 영국(UK) 병원 신탁에서 후향적으로 수집된 입원환자 및 응급실 CXR 500명을 사용하여 수행됩니다. 훈련을 받은 두 명의 흉부 방사선 전문의가 모든 연구를 독립적으로 검토하여 실제 참조 표준을 확립합니다. Lunit INSIGHT CXR 도구를 사용하여 각 CXR을 분석하고, 전문가 독자를 대상으로 성능을 측정합니다. 이 연구에서는 민감도, 특이성, 양성 예측 값 및 음성 예측 값으로 측정하여 독자의 정확성과 신뢰도를 향상시키는 알고리즘의 유용성을 평가합니다. 이 연구에서는 폐결절/종괴, 경화, 기흉, 무기폐, 석회화, 심비대증, 섬유증, 종격동 확장, 흉막삼출, 기복막 등을 포함한 10가지 이상 소견에 대해 알고리즘의 성능을 측정할 예정입니다. 이 연구에는 Lunit INSIGHT CXR의 도움 여부에 관계없이 다양한 임상 전문가 그룹의 독자가 참여할 것입니다. 이 연구는 일상 업무에서 정기적으로 이미지를 검토하는 응급 의학 및 일반 의학 의사와 같은 의료 전문가를 지원하는 데 AI 알고리즘이 미치는 영향에 대한 증거를 제공할 것입니다.
연구 개요
상태
완전한
개입 / 치료
연구 유형
관찰
등록 (실제)
33
연락처 및 위치
이 섹션에서는 연구를 수행하는 사람들의 연락처 정보와 이 연구가 수행되는 장소에 대한 정보를 제공합니다.
연구 장소
-
-
Oxfordshire
-
Oxford, Oxfordshire, 영국, OX3 9DU
- Oxford University Hospitals NHS Foundation Trust
-
-
참여기준
연구원은 적격성 기준이라는 특정 설명에 맞는 사람을 찾습니다. 이러한 기준의 몇 가지 예는 개인의 일반적인 건강 상태 또는 이전 치료입니다.
자격 기준
공부할 수 있는 나이
- 어린이
- 성인
- 고령자
건강한 자원 봉사자를 받아들입니다
예
샘플링 방법
비확률 샘플
연구 인구
현재 NHS(National Health Service)에서 근무하며 일상적인 임상 실습의 일환으로 흉부 엑스레이를 검토하는 일반 방사선사/방사선사/의사.
설명
포함 기준:
- 일상적인 임상 실습의 일부로 CXR을 검토하는 일반 방사선사/방사선사/의사
제외 기준:
- 흉부 방사선 전문의
- 이전에 공식 대학원 CXR 보고 교육을 받은 비방사선 의사.
- 이전에 방사선학, 호흡기 의학 또는 흉부외과 분야에서 등록자 또는 컨설턴트 수준의 경력을 보유한 비방사선과 의사
공부 계획
이 섹션에서는 연구 설계 방법과 연구가 측정하는 내용을 포함하여 연구 계획에 대한 세부 정보를 제공합니다.
연구는 어떻게 설계됩니까?
디자인 세부사항
코호트 및 개입
그룹/코호트 |
개입 / 치료 |
|---|---|
|
독자/참가자
독자 선정: 다음 5개 임상 전문 그룹에서 30명의 독자가 선정됩니다.
각 전문 그룹은 순위가 높은 6명의 구성원으로 구성됩니다. 의사의 경우 이는 다음으로 구성됩니다.
방사선기사의 경우 이는 다음으로 구성됩니다.
|
판독은 보고서 및 이미지 품질 관리 사이트(www.RAIQC.com)를 통해 원격으로 수행됩니다. 의료 영상 보기 및 보고가 가능한 온라인 플랫폼입니다. 참가자는 어느 위치에서나 작업할 수 있지만 작업은 인터넷 접속이 가능한 컴퓨터에서 수행되어야 합니다. 의심의 여지를 없애기 위해 휴대폰이나 태블릿에서는 작업을 수행할 수 없습니다. 프로젝트는 두 단계로 나누어지며 참가자는 두 단계를 모두 완료해야 합니다. 프로젝트에 예상되는 총 참여 시간은 최대 20~24시간입니다. 1단계: 허용된 시간: 2주 - 500개의 흉부 엑스레이를 검토하고 구조화된 보고 템플릿을 통해 임상 의견을 표명합니다(객관식, 공개 텍스트 필요 없음). 2주간의 휴식/세척 기간. 2단계 - 허용 시간: 2주 - 사례별 AI 보고서와 함께 500장의 흉부 엑스레이를 검토하고 A단계에서 사용된 것과 동일한 구조화된 보고 템플릿을 통해 임상 의견을 표현합니다. |
|
지상 진실
두 명의 컨설턴트 흉부 방사선 전문의.
세 번째 선임 흉부 방사선 전문의의 의견(20년 이상의 경험)이 중재를 맡게 됩니다.
|
두 명의 컨설턴트 흉부 방사선 전문의가 독립적으로 이미지를 검토하여 CXR에 대한 '실측 진실' 결과를 확립하고 합의에 도달한 후 이를 참조 표준으로 사용합니다.
의견이 일치하지 않는 경우 세 번째 흉부 방사선 전문의의 의견(20년 이상의 경험)이 중재를 맡게 됩니다.
4점 리커트 척도(1은 쉬움/명백함, 4는 단단함/잘 보이지 않음)를 사용하여 지상 조사자가 각 이상 현상에 난이도 점수를 할당합니다.
|
연구는 무엇을 측정합니까?
주요 결과 측정
결과 측정 |
측정값 설명 |
기간 |
|---|---|---|
|
AI 알고리즘 성능: 민감도
기간: 4주간의 독서시간 동안
|
Lunit INSIGHT CXR 알고리즘의 평가는 민감도를 결정하기 위해 기준 표준과 비교하여 수행됩니다.
|
4주간의 독서시간 동안
|
|
AI 알고리즘의 성능: 특이성
기간: 4주간의 독서시간 동안
|
루닛 INSIGHT CXR 알고리즘에 대한 평가는 특이성을 판단하기 위해 참조 표준과 비교하여 수행됩니다.
|
4주간의 독서시간 동안
|
|
AI 알고리즘의 성능: ROC 곡선 아래 영역(AU ROC)
기간: 4주간의 독서시간 동안
|
Lunit INSIGHT CXR 알고리즘의 평가는 참조 표준과 비교하여 수행됩니다.
알고리즘의 연속 확률 점수는 ROC 분석에 활용되는 반면 사전 정의된 작업 구분이 있는 이진 분류 결과는 민감도, 특이성, 양성 예측 값 및 음성 예측 값 평가에 사용됩니다.
|
4주간의 독서시간 동안
|
|
AI 지원 유무에 따른 리더 성능: 민감도
기간: 4주간의 독서시간 동안
|
이 연구에는 두 개의 세션(AI 오버레이 포함 및 제외)이 포함되며, 30명의 독자 모두가 회상 편향을 완화하기 위해 휴약 기간을 두고 매번 500개의 CXR 사례를 모두 검토합니다.
사례는 두 읽기 사이와 모든 독자에 대해 무작위로 지정됩니다.
|
4주간의 독서시간 동안
|
|
AI 지원 유무에 따른 독자의 성능: 특이성
기간: 4주간의 독서시간 동안
|
이 연구에는 두 개의 세션(AI 오버레이 포함 및 제외)이 포함되며, 30명의 독자 모두가 회상 편향을 완화하기 위해 휴약 기간을 두고 매번 500개의 CXR 사례를 모두 검토합니다.
사례는 두 읽기 사이와 모든 독자에 대해 무작위로 지정됩니다.
|
4주간의 독서시간 동안
|
|
AI 지원 유무에 따른 독자의 성능: ROC 곡선 아래 영역(AU ROC)
기간: 4주간의 독서시간 동안
|
이 연구에는 두 개의 세션(AI 오버레이 포함 및 제외)이 포함되며, 30명의 독자 모두가 회상 편향을 완화하기 위해 휴약 기간을 두고 매번 500개의 CXR 사례를 모두 검토합니다.
사례는 두 읽기 사이와 모든 독자에 대해 무작위로 지정됩니다.
|
4주간의 독서시간 동안
|
|
AI 지원이 있을 때와 없을 때의 리더 속도.
기간: 4주간의 독서시간 동안
|
AI 지원이 있을 때와 없을 때 스캔을 검토하는 데 소요되는 평균 시간입니다.
|
4주간의 독서시간 동안
|
공동 작업자 및 조사자
여기에서 이 연구와 관련된 사람과 조직을 찾을 수 있습니다.
간행물 및 유용한 링크
연구에 대한 정보 입력을 담당하는 사람이 자발적으로 이러한 간행물을 제공합니다. 이것은 연구와 관련된 모든 것에 관한 것일 수 있습니다.
일반 간행물
- 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.
- 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.
- 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.
유용한 링크
- 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:
연구 기록 날짜
이 날짜는 ClinicalTrials.gov에 대한 연구 기록 및 요약 결과 제출의 진행 상황을 추적합니다. 연구 기록 및 보고된 결과는 공개 웹사이트에 게시되기 전에 특정 품질 관리 기준을 충족하는지 확인하기 위해 국립 의학 도서관(NLM)에서 검토합니다.
연구 주요 날짜
연구 시작 (실제)
2023년 10월 31일
기본 완료 (실제)
2024년 10월 31일
연구 완료 (실제)
2025년 6월 1일
연구 등록 날짜
최초 제출
2023년 10월 4일
QC 기준을 충족하는 최초 제출
2023년 10월 9일
처음 게시됨 (실제)
2023년 10월 10일
연구 기록 업데이트
마지막 업데이트 게시됨 (실제)
2025년 11월 24일
QC 기준을 충족하는 마지막 업데이트 제출
2025년 11월 19일
마지막으로 확인됨
2025년 11월 1일
추가 정보
이 연구와 관련된 용어
추가 관련 MeSH 약관
기타 연구 ID 번호
- 310995 - B
약물 및 장치 정보, 연구 문서
미국 FDA 규제 의약품 연구
아니
미국 FDA 규제 기기 제품 연구
아니
미국에서 제조되어 미국에서 수출되는 제품
아니
이 정보는 변경 없이 clinicaltrials.gov 웹사이트에서 직접 가져온 것입니다. 귀하의 연구 세부 정보를 변경, 제거 또는 업데이트하도록 요청하는 경우 register@clinicaltrials.gov. 문의하십시오. 변경 사항이 clinicaltrials.gov에 구현되는 즉시 저희 웹사이트에도 자동으로 업데이트됩니다. .