초음파 태아 체중 추정 평가를 위한 초보자의 의사 결정에 인공 지능 지원 - 무작위 시험 (scan-AId)
2024년 5월 8일 업데이트: Mary Le Ngo, Copenhagen Academy for Medical Education and Simulation
Scan-AId: 초음파 태아 체중 추정 평가를 위한 초보자의 의사 결정에 인공 지능 지원 - 무작위 시험
이 무작위 대조 임상 시험의 목표는 의대생이 대표하는 이 연구에서 초보자가 수행할 때 어떤 유형의 인공 지능(AI)이 태아 체중 초음파 추정(EFW)의 진단 정확도에 영향을 미치는지 알아보는 것입니다. 대답하려는 주요 질문은 다음과 같습니다.
- 초음파 태아 체중 진단 정확도를 향상시키는 데 초보자에게 적합한 인공 지능 유형은 무엇입니까?
- 인공지능이 화질을 향상시키고, AI 시스템을 초보자도 사용할 수 있나요? 참가자는 간단한 블랙박스 AI 피드백 시스템 또는 보다 정교하게 설명 가능한 AI를 사용하여 초음파 EFW를 수행하라는 요청을 받습니다. 이는 그들의 의사결정을 지원하기 위한 것입니다. 연구자들은 이를 통제 그룹과 비교하여 효과가 있는지 확인할 것입니다.
연구 개요
상세 설명
이 무작위 대조 임상 시험의 목표는 의대생이 대표하는 이 연구에서 초보자가 수행할 때 어떤 유형의 인공 지능(AI)이 태아 체중 초음파 추정(EFW)의 진단 정확도에 영향을 미치는지 알아보는 것입니다.
연구의 목적은 다음과 같습니다.
- 초음파 태아 체중 진단 정확도를 향상시키는 데 있어 초보자에게 적합한 인공지능 지원 시스템 유형은 무엇입니까?
- 인공지능이 이미지 품질을 향상시키고, AI 지원을 활용할 때 참가자에게 가해지는 인지 부하를 평가하며, AI 시스템을 초보자도 사용할 수 있습니까?
참가자는 간단한 블랙박스 AI 또는 상세하게 설명 가능한 AI 피드백 시스템을 사용하여 초음파 추정 태아 체중(EFW)을 수행하는 임무를 맡게 됩니다. AI 시스템은 참가자가 EFW에 적합한 이미지를 캡처했는지 결정하는 데 도움을 줍니다. 그런 다음 결과를 대조군의 결과와 비교합니다.
초음파 시술은 임신 주수 30~37주의 태아가 있는 임산부에게 시행되며, 이전에 당일 또는 전날 병원에서 전문 초음파검사자의 EFW 검사를 받은 적이 있습니다. 각 무작위 부문의 참가자 한 명이 동일한 임산부에 대해 EFW를 수행합니다.
연구 유형
중재적
등록 (추정된)
75
단계
- 해당 없음
연락처 및 위치
이 섹션에서는 연구를 수행하는 사람들의 연락처 정보와 이 연구가 수행되는 장소에 대한 정보를 제공합니다.
연구 장소
-
-
-
Copenhagen, 덴마크, 2100
- Rigshospitalet
-
-
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
- 성인
- 고령자
건강한 자원 봉사자를 받아들입니다
예
설명
포함 기준:
- 이전에 태아 또는 복부 초음파 교육을 받은 적이 없는 의과대학생.
- 참가자는 덴마크어 또는 영어 말하기 및 쓰기를 이해해야 합니다.
제외 기준:
• 본 연구에 포함되기 전에 공식적인 태아 훈련이나 복부 훈련을 받은 의과대학생.
공부 계획
이 섹션에서는 연구 설계 방법과 연구가 측정하는 내용을 포함하여 연구 계획에 대한 세부 정보를 제공합니다.
연구는 어떻게 설계됩니까?
디자인 세부사항
- 주 목적: 특수 증상
- 할당: 무작위
- 중재 모델: 병렬 할당
- 마스킹: 하나의
무기와 개입
참가자 그룹 / 팔 |
개입 / 치료 |
|---|---|
|
실험적: 피드백 그룹 1(FG1)
FG1에 참여하면 "표준 비행기", "비표준 비행기" 또는 "오프 비행기"와 같은 간단한 설명과 함께 기본 블랙박스 AI 지원을 받게 됩니다.
|
태아 초음파 EFW 계산에 사용되는 올바른 표준 평면 이미지를 얻기 위해 참가자의 도움을 받는 두 가지 수준의 AI 피드백.
|
|
실험적: 피드백 그룹 2(FG2)
FG2 참가자는 해부학적 구조와 해부학적 분할에 대한 보다 정교한 설명과 함께 설명 가능한 AI 지원을 받게 됩니다.
|
태아 초음파 EFW 계산에 사용되는 올바른 표준 평면 이미지를 얻기 위해 참가자의 도움을 받는 두 가지 수준의 AI 피드백.
|
|
간섭 없음: 대조군(CG)
CG 참가자에게는 EFW 초음파 표준 평면 이미지를 안내하는 데 도움이 되는 표준 평면 포스터가 제공됩니다.
|
연구는 무엇을 측정합니까?
주요 결과 측정
결과 측정 |
측정값 설명 |
기간 |
|---|---|---|
|
진단 정확도
기간: 15 분
|
각 그룹의 정확도는 추정 태아 체중과 초음파검사 전문가 EFW 간의 백분율 차이로 정의되었습니다.
|
15 분
|
2차 결과 측정
결과 측정 |
측정값 설명 |
기간 |
|---|---|---|
|
이미지 품질
기간: 오후 5분 참가자
|
Salomon 기준 점수는 이미지 품질을 평가하는 데 사용됩니다. 존재하는 랜드마크 수, 이미지 최적화 품질 및 caliper.placements에 따라 포인트가 부여됩니다. 최소: 1 최대: 18. 점수가 높을수록 이미지 품질이 우수함을 나타냅니다. |
오후 5분 참가자
|
기타 결과 측정
결과 측정 |
측정값 설명 |
기간 |
|---|---|---|
|
AI 시스템 가용성
기간: 5 분
|
참가자들은 AI 피드백 시스템을 평가하는 데 사용되는 SUS(System Usability Scale) 설문지에 답해야 합니다. 최소 1 최대 100. 점수가 높을수록 시스템 사용성이 더 우수함을 나타냅니다. |
5 분
|
|
반응 시간 측정
기간: 5 분
|
참가자의 반응 시간을 측정하면 인지 부하가 측정됩니다. 참가자가 초음파 스캔을 수행하는 동안 반응 시간은 보조 작업으로 측정됩니다. |
5 분
|
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
- 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.
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)
2024년 2월 14일
기본 완료 (추정된)
2024년 6월 30일
연구 완료 (추정된)
2024년 9월 1일
연구 등록 날짜
최초 제출
2024년 1월 22일
QC 기준을 충족하는 최초 제출
2024년 1월 22일
처음 게시됨 (실제)
2024년 1월 30일
연구 기록 업데이트
마지막 업데이트 게시됨 (실제)
2024년 5월 10일
QC 기준을 충족하는 마지막 업데이트 제출
2024년 5월 8일
마지막으로 확인됨
2024년 4월 1일
추가 정보
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. .