Automated Vetting and Protocolling of MRI Examinations (AutoProMpt)
Automated Vetting and Protocoling of MRI Examination Referrals Using Explainable Large Language Models (LLM) With Retrieval Augmented Generation (RAG) (XLLM) Techniques- A Multi-stage Study
Background Vetting and assigning of protocols to MRI scan requests are usually carried out by radiologists and radiographers. This way is both time-consuming and prone to error. Recent improvements in Artificial Intelligence (Al) like Large Language Models (LLMs) are better at processing human language. It could be used to improve tasks like image reporting and assigning protocols in radiology.
Approach Firstly, I will find out about the delays in the way this is currently done. I will use a survey to find out the perceptions of radiologists to both the current process and the proposed Al intervention.
I will then use an LLM to undertake referral and protocol tasks. I will compare its performance to the performance of clinical specialists and established guidelines.
I will present the explanation reports to radiologists and ask them if they can be understood and whether they can be trusted as clinically reliable.
Impact My research could help reduce the workload and time radiologists spend dealing with scan requests. The findings will help design future research to consider application in real clinical settings.
연구 개요
상태
연구 유형
등록 (추정된)
연락처 및 위치
연구 연락처
- 이름: Edozie Iweka, MSc (Dist)
- 전화번호: +441225386989
- 이메일: eoi29@bath.ac.uk
참여기준
자격 기준
공부할 수 있는 나이
- 어린이
- 성인
- 고령자
건강한 자원 봉사자를 받아들입니다
연구 대상 성별
샘플링 방법
연구 인구
This study is multi-stage multi-center research involving retrospective MRI referral data of patients and collected across three NHS Foundation Trusts in the United Kingdom.
설명
Inclusion Criteria:
- Patients who have had MRI examinations in the study sites
- Patients with MRI referrals submitted through electronic referral systems
- Patients whose MRI referrals were vetted and protocolled prior to examination
Exclusion Criteria:
- Patients who have had other imaging examination outside the MRI
- Patients with paper referrals scanned in electronic referral systems
- Patients for MRI examinations without vetting and protocolling
공부 계획
연구는 어떻게 설계됩니까?
디자인 세부사항
- 관찰 모델: COHORT
- 시간 관점: RETROSPECTIVE
코호트 및 개입
그룹/코호트 |
개입 / 치료 |
|---|---|
|
Group
Adult Patients undergoing MRI examinations |
No Intervention as this is an experiment on retrospective collected referral data |
연구는 무엇을 측정합니까?
주요 결과 측정
결과 측정 |
측정값 설명 |
기간 |
|---|---|---|
|
Accuracy
기간: Through study completion, an average of 2 years
|
Accuracy of pretrained LLMs+RAG in automating vetting and protocolling of MRI examination referrals. |
Through study completion, an average of 2 years
|
2차 결과 측정
결과 측정 |
측정값 설명 |
기간 |
|---|---|---|
|
Clinical Usefulness
기간: Through study completion, an average of 2 years
|
Clinical usefulness of explainability reports on the performance of pretrained LLMs+RAG in automating vetting and protocolling of MRI examination referrals. |
Through study completion, an average of 2 years
|
공동 작업자 및 조사자
스폰서
연구 기록 날짜
연구 주요 날짜
연구 시작 (추정된)
기본 완료 (추정된)
연구 완료 (추정된)
연구 등록 날짜
최초 제출
QC 기준을 충족하는 최초 제출
처음 게시됨 (실제)
연구 기록 업데이트
마지막 업데이트 게시됨 (실제)
QC 기준을 충족하는 마지막 업데이트 제출
마지막으로 확인됨
추가 정보
이 연구와 관련된 용어
기타 연구 ID 번호
- 18376
개별 참가자 데이터(IPD) 계획
개별 참가자 데이터(IPD)를 공유할 계획입니까?
IPD 계획 설명
No patient identifiable data will be collected from this study. All collected data will be held by the sponsor institution, University of Bath as per local research data policy.
약물 및 장치 정보, 연구 문서
미국 FDA 규제 의약품 연구
미국 FDA 규제 기기 제품 연구
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. .