AI-assistent tolkning av hjerte-CT på akuttmottaket

"Denne studien er et prospektivt, pragmatisk, randomisert kontrollert forsøg designet for å evaluere virkningen av et kunstig intelligens (AI)-basert tolkningsverktøy for koronar CT-angiografi (CCTA) (Angiomics) på diagnostisk nøyaktighet, tillit og beslutningstaking hos legevaktsleger ved pasienter som presenterer med akutt brystsmerte.<\/p>

Bakgrunn og begrunnelse CCTA er mye brukt på akuttmottaket (AM) for pasienter som presenterer med akutt brystsmerte eller mistenkt akutt koronarsyndrom (AKS).\nDet gir rask og presis visualisering av kransårene og hjelper legevaktsleger med å ta tidsfølsomme kliniske beslutninger.\nTolkning av CCTA krever imidlertid spesialisert trening og erfaring, som ikke alltid er tilgjengelig, spesielt om natten eller i ressursbegrensede omgivelser.\nDenne begrensningen kan forsinke diagnose og behandling, noe som potensielt kan føre til uønskede pasientutfall.<\/p>

Nylige fremskritt innen AI-teknologi har muliggjort utviklingen av automatiserte verktøy som kan analysere CCTA-bilder og identifisere klinisk signifikante funn som kransåreforsnevring og myokardiskemi.\nDisse verktøyene har potensiale til å støtte legevaktsleger ved å forbedre diagnostisk nøyaktighet, redusere tolkningstid, øke legers tillit og optimalisere bruken av helseressurser.\nTil tross for disse fordelene er innvirkningen av AI-basert tolkning på virkelige kliniske arbeidsflyter på AM og legers beslutningstaking fortsatt utilstrekkelig studert.<\/p>

Nåværende forsøg er designet for å adressere dette kunnskapshullet ved å evaluere om integrering av et AI-basert CCTA-tolkningsverktøy forbedrer legevaktslegers diagnostiske ytelse og kliniske tillit, og om slike forbedringer oversettes til mer pålitelig beslutningstaking på AM.<\/p>

Studiedesign<\/p>

Denne studien vil benytte et prospektivt, pragmatisk, randomisert kontrollert design.\nEligible deltakere vil være voksne i alderen 18 år eller eldre som presenterer på AM med brystsmerte og klassifisert som middels risiko i henhold til HEART-skåren (4-6 poeng).\nEtter innhentet informert samtykke vil deltakerne bli randomisert i to grupper:<\/p>

1. AI-assistert gruppe (eksperimentell arm): Legevaktsleger tolker CCTA-skanninger med tilgang til AI-resultater levert av Angiomics-programvaren.<\/li>
2. Standard tolkning gruppe (aktiv komparator arm): Legevaktsleger tolker CCTA-skanninger uten tilgang til AI-resultater.<\/li><\/ol>

   Alle leger vil evaluere forsnevring i de fire store kransårene (venstre hovedstamme, venstre anteriore descendens [LAD], venstre circumflex [LCX] og høyre koronararterie [RCA]) og registrere sine funn ved hjelp av et standardisert format (Ja\/Nei\/Ikke-diagnostisk\/Andre funn).\nI tillegg vil leger vurdere sin diagnostiske tillit på en 5-punkts Likert-skala fra 1 (ingen tillit) til 5 (svært høy tillit).<\/p>

   Referansestandard Referansestandarden for diagnostisk ytelse vil være den blindede konsensus-tolkningen av spesialiserte radiologer med spesialisering i thorakal bildeforming.\nTidligere studier har demonstrert en konkordans på 98-99% mellom ekspertradiologkonsensus og invasiv koronarangiografi, noe som støtter validiteten til denne tilnærmingen.<\/p>

   Utfall Primært utfall er den negative prediktive verdien (NPV) av CCTA-tolkning på pasientnivå, som sammenligner AI-assistert versus standard tolkninger.\nUtfall på pasientnivå vil bli avledet ved å aggregere funn over de fire store kransårene.<\/p>

   Sekundære utfall inkluderer:<\/p>

   • Sensitivitet, spesifisitet, positiv prediktiv verdi (PPV) og total diagnostisk nøyaktighet<\/li>
   • Legers diagnostiske tillit (Likert-skala)<\/li>
   • Diagnostisk ytelse på karenivå for LM, LAD, LCX og RCA<\/li>
   • Avtale med radiologkonsensus målt ved hjelp av Cohens Kappa-statistikk<\/li><\/ul>

     Utvalgsstørrelse og statistisk analyse Utvalgsstørrelseberegning ble utført ved hjelp av PASS-programvare basert på publiserte data og lokal prevalens.\nMed en prevalens på 18% er den beregnede utvalgsstørrelsen som kreves 181 pasienter med negative diagnoser i hver gruppe.\nDette tilsvarer 248 deltakere i kontrollarmen og 228 i intervensjonsarmen.\nForutsatt en frafallsrate på 10% er det endelige innrulleringsmålet 530 deltakere (276 i kontrollarmen og 254 i intervensjonsarmen).<\/p>

     En interimanalyse vil bli utført etter 50% innrullering, med alfa-spending justert ved hjelp av O'Brien-Fleming-metoden.\nEndelig analyse vil bli utført med en to-sidig alfa på 0,049.<\/p>

     Diagnostisk ytelse (sensitivitet, spesifisitet, PPV, NPV, nøyaktighet) vil bli sammenlignet ved hjelp av chi-kvadrat eller Fishers eksakte tester etter behov.\nAvtale mellom lege og radiologkonsensusavlesninger vil bli vurdert ved hjelp av Cohens Kappa.\nAlle statistiske tester vil være to-sidige, og signifikans vil bli satt til p < 0,05.<\/p>

     Datainnsamling og konfidensialitet Data vil bli samlet inn innenfor den rutinemessige kliniske arbeidsflyten og lagret i et sikkert, avidentifisert format i henhold til institusjonelle retningslinjer og nasjonale personvernregler.\nKun autoriserte forskere vil ha tilgang til dataene.\nData vil bli lagret i tre år etter studiens fullføring før sikker avhending.<\/p>

     Sikkerhet og overvåking Dette forsøket utgjør minimal risiko for deltakerne, da det ikke involverer prosedyrer utenfor rutinemessig klinisk omsorg.\nIngen ekstra stråling, medisiner eller invasive inngrep introduseres ved studiedeltakelse.\nStudiens hovedforsker vil overvåke protokolloverholdelse og datakvalitet på årlig basis.<\/p>

     Betydning Denne studien vil gi bevis vedrørende den kliniske nytten av et AI-basert CCTA-tolkningsverktøy på AM.\nFunn forventes å avklare om AI-støtte forbedrer diagnostisk nøyaktighet og legers tillit, og om den kan integreres effektivt i virkelig nødhjelp.\nResultatene kan informere beste praksis for implementering av AI-verktøy for å optimalisere pasientutfall og ressursutnyttelse i akuttomsorgsinnstillinger.<\/p>