- ICH GCP
- Rejestr badań klinicznych w USA
- Badanie kliniczne NCT06018545
Ocena czytnika wspomaganego sztuczną inteligencją w interpretacji ostrej tomografii komputerowej (CT). (AI-REACT)
Ocena czytnika wspomaganego sztuczną inteligencją w ostrej interpretacji głowy CT
Badanie to dodano jako badanie cząstkowe do badania „Szkolenie symulacyjne dla obrazowania na oddziałach ratunkowych” 2 (ClinicalTrials.gov Identyfikator NCT05427838).
Celem badania jest ocena wpływu narzędzia sztucznej inteligencji (AI) o nazwie qER 2.0 EU na wydajność czytelników, w tym radiologów ogólnych, lekarzy medycyny ratunkowej i radiologów, w interpretacji tomografii komputerowej głowy bez kontrastu. Badanie ma na celu ocenę zmian w dokładności, czasie przeglądu i pewności diagnostycznej podczas korzystania z narzędzia AI. Ma również na celu przedstawienie dowodów na skuteczność diagnostyczną narzędzia AI i jego potencjał w zakresie poprawy wydajności i opieki nad pacjentem w kontekście krajowej służby zdrowia (NHS). W badaniu wykorzystany zostanie zbiór danych obejmujący 150 tomografii komputerowej głowy, obejmujący zarówno przypadki kontrolne, jak i przypadki nieprawidłowe ze specyficznymi nieprawidłowościami. Wyniki tego badania posłużą do dalszych badań w rzeczywistych warunkach oddziału ratunkowego (ED).
Przegląd badań
Status
Warunki
Interwencja / Leczenie
Typ studiów
Zapisy (Rzeczywisty)
Kontakty i lokalizacje
Lokalizacje studiów
-
-
-
Glasgow, Zjednoczone Królestwo, G12 0XH
- NHS Greater Glasgow and Clyde
-
Newcastle upon Tyne, Zjednoczone Królestwo, NE27 0QJ
- Northumbria Healthcare NHS Foundation Trust
-
-
London
-
London, London, Zjednoczone Królestwo, SE1 7EH
- Guy's & St Thomas NHS Foundation Trust
-
-
Oxfordshire
-
Oxford, Oxfordshire, Zjednoczone Królestwo, OX3 9DU
- Oxford University Hospitals NHS Foundation Trust
-
-
Kryteria uczestnictwa
Kryteria kwalifikacji
Wiek uprawniający do nauki
- Dziecko
- Dorosły
- Starszy dorosły
Akceptuje zdrowych ochotników
Metoda próbkowania
Badana populacja
Ustawienie:
Czytelnicy będą rekrutowani z następujących czterech trustów szpitalnych (poziom średni i wyższy):
- Fundusz Guy's & St Thomas NHS Foundation Trust
- Fundacja Northumbria Healthcare NHS Foundation Trust
- NHS Greater Glasgow i Clyde
- Szpitale uniwersyteckie w Oksfordzie NHS Foundation Trust
Uczestnicy:
Spośród następujących grup zostanie wybranych 30-stu czytelników-wolontariuszy:
- Konsultanci i rejestratorzy medycyny ratunkowej (5 konsultantów, 5 rejestratorów (ST3-6), 5 młodszych (F1-ST2)
- Konsultanci i rejestratorzy radiolodzy ogólni (5 konsultantów, 5 rejestratorów)
- 5 radiologów CT
Opis
Kryteria przyjęcia:
- Radiolodzy/radiolodzy/klinicyści SOR, którzy w ramach swojej praktyki klinicznej przeglądają tomografię komputerową głowy
Kryteria wyłączenia:
- Neuroradiolodzy.
- Grupy nieradiologów: klinicyści, którzy przeszli formalne szkolenie podyplomowe w zakresie raportowania CT
- Grupa medycyny ratunkowej: klinicyści z doświadczeniem w radiologii/neurochirurgii do poziomu rejestratora
Plan studiów
Jak projektuje się badanie?
Szczegóły projektu
Kohorty i interwencje
Grupa / Kohorta |
Interwencja / Leczenie |
|---|---|
|
Czytelnicy
Z czterech funduszy NHS zostanie zatrudnionych 30 czytelników, w tym dziesięciu radiologów ogólnych, piętnastu lekarzy medycyny ratunkowej i pięciu radiologów CT o różnym stażu pracy.
Czytelnicy będą najpierw interpretować każdy skan bez, a następnie z pomocą narzędzia AI, z przerwami wynoszącymi 4 tygodnie.
Wykorzystując panel neuroradiologów jako podstawową prawdę, oceniona zostanie samodzielna skuteczność qER, a jej wpływ na wyniki czytelników zostanie przeanalizowany jako zmiana dokładności, średni czas przeglądu na skan i samoocena pewności diagnostycznej.
Analizy podgrup zostaną przeprowadzone według grupy zawodowej czytelnika, stażu czytelnika, wyników badań patologicznych i stopnia trudności ocenionego przez neuroradiologa.
|
Wszystkich 30 czytelników dokona przeglądu wszystkich 150 przypadków w każdej z dwóch faz badania.
Czytelnicy przedstawią swoją opinię na temat obecności lub braku niektórych ostrych nieprawidłowości, w tym krwotoku śródczaszkowego, zawału, przesunięcia linii środkowej i złamania.
Dadzą pewność co do postawionej diagnozy (10-punktowa wizualna skala analogowa) oraz jedno kliknięcie, aby zaznaczyć lokalizację każdej nieprawidłowości, którą uznają za obecną.
Czas potrzebny na każde skanowanie zostanie automatycznie zarejestrowany.
|
|
Prawdziwi ziemiarze
Dwóch neuroradiologów-konsultantów niezależnie dokona przeglądu obrazów w celu ustalenia „podstawowych ustaleń” na podstawie tomografii komputerowej, które posłużą jako wzorzec odniesienia.
W przypadku braku porozumienia opinia trzeciego starszego neuroradiologa zostanie zwrócona do arbitrażu.
Poziom trudności zostanie przypisany do każdego skanu przez badaczy naziemnych w 5-punktowej skali Likerta.
|
Dwóch neuroradiologów-konsultantów niezależnie dokona przeglądu obrazów w celu ustalenia „podstawowych ustaleń” na podstawie tomografii komputerowej, które posłużą jako wzorzec odniesienia.
W przypadku braku porozumienia opinia trzeciego starszego neuroradiologa zostanie zwrócona do arbitrażu.
|
Co mierzy badanie?
Podstawowe miary wyniku
Miara wyniku |
Opis środka |
Ramy czasowe |
|---|---|---|
|
Wydajność czytnika: czułość, swoistość, porównanie z pomocą AI i bez niej.
Ramy czasowe: W ciągu 6 tygodni, czyli okresu przeznaczonego na zapoznanie się z przypadkami/skanami.
|
Wydajność czytnika zostanie oceniona pod kątem czułości, swoistości, z pomocą AI lub bez niej.
|
W ciągu 6 tygodni, czyli okresu przeznaczonego na zapoznanie się z przypadkami/skanami.
|
|
Wydajność czytelnika: dodatnia i ujemna wartość predykcyjna, porównawcza między korzystaniem z pomocy AI i bez niej.
Ramy czasowe: W ciągu 6 tygodni, czyli okresu przeznaczonego na zapoznanie się z przypadkami/skanami.
|
Wydajność czytnika będzie oceniana jako dodatnia wartość predykcyjna (PPV) i ujemna wartość predykcyjna (NPV), z pomocą AI lub bez niej.
|
W ciągu 6 tygodni, czyli okresu przeznaczonego na zapoznanie się z przypadkami/skanami.
|
|
Wydajność czytnika: obszar pod krzywą charakterystyki działania odbiornika (AUROC), porównanie z i bez pomocy AI.
Ramy czasowe: W ciągu 6 tygodni, czyli okresu przeznaczonego na zapoznanie się z przypadkami/skanami.
|
Wydajność czytnika zostanie oceniona jako obszar pod krzywą charakterystyki działania odbiornika (AUROC), z pomocą sztucznej inteligencji i bez niej.
|
W ciągu 6 tygodni, czyli okresu przeznaczonego na zapoznanie się z przypadkami/skanami.
|
|
Szybkość czytnika: średni czas potrzebny na przejrzenie skanu z pomocą sztucznej inteligencji i bez niej.
Ramy czasowe: W ciągu 6 tygodni, czyli okresu przeznaczonego na zapoznanie się z przypadkami/skanami.
|
Szybkość czytnika zostanie oszacowana jako czas potrzebny na przejrzenie skanu, przy użyciu czasu wyrażonego w sekundach.
|
W ciągu 6 tygodni, czyli okresu przeznaczonego na zapoznanie się z przypadkami/skanami.
|
|
Pewność czytelnika: Samodzielnie zgłaszana pewność diagnostyczna w 10-punktowej wizualnej skali analogowej, z vs bez pomocy AI.
Ramy czasowe: W ciągu 6 tygodni, czyli okresu przeznaczonego na zapoznanie się z przypadkami/skanami.
|
Na platformie czytelniczej (RAIQC) jedno z pytań dotyczy poziomu pewności, jaką uczestnik ma w swojej opinii diagnostycznej.
Pytanie zawiera skalę od 1 do 10, gdzie 1 oznacza brak pewności, a 10 oznacza dużą pewność.
|
W ciągu 6 tygodni, czyli okresu przeznaczonego na zapoznanie się z przypadkami/skanami.
|
|
Wydajność qER (algorytm AI): czułość i swoistość
Ramy czasowe: W ciągu 6 tygodni, czyli okresu przeznaczonego na zapoznanie się z przypadkami/skanami.
|
Wydajność qER zostanie oceniona jako czułość i swoistość.
|
W ciągu 6 tygodni, czyli okresu przeznaczonego na zapoznanie się z przypadkami/skanami.
|
|
Wydajność qER (algorytm AI): Dodatnia i ujemna wartość predykcyjna.
Ramy czasowe: W ciągu 6 tygodni, czyli okresu przeznaczonego na zapoznanie się z przypadkami/skanami.
|
Wydajność qER będzie oceniana jako dodatnia wartość predykcyjna (PPV) i ujemna wartość predykcyjna (NPV).
|
W ciągu 6 tygodni, czyli okresu przeznaczonego na zapoznanie się z przypadkami/skanami.
|
|
Wydajność qER (algorytm AI): obszar pod krzywą charakterystyki działania odbiornika (AUROC).
Ramy czasowe: W ciągu 6 tygodni, czyli okresu przeznaczonego na zapoznanie się z przypadkami/skanami.
|
Wydajność qER zostanie oceniona jako obszar pod krzywą charakterystyki działania odbiornika (AUROC)
|
W ciągu 6 tygodni, czyli okresu przeznaczonego na zapoznanie się z przypadkami/skanami.
|
Współpracownicy i badacze
Śledczy
- Główny śledczy: Alex Novak, MSc, National Health Services in the United Kingdom (NHS UK)
- Główny śledczy: Sarim Ather, PhD, National Health Services in the United Kingdom (NHS UK)
Publikacje i pomocne linki
Publikacje ogólne
- Juszczyk K, Ireland K, Thomas B, Kroon HM, Hollington P. Reduction in hospital admissions with an early computed tomography scan: results of an outpatient management protocol for uncomplicated acute diverticulitis. ANZ J Surg. 2019 Sep;89(9):1085-1090. doi: 10.1111/ans.15285. Epub 2019 Jun 17.
- Chan J, Fan KS, Mak TLA, Loh SY, Ng SWY, Adapala R. Pre-Operative Imaging can Reduce Negative Appendectomy Rate in Acute Appendicitis. Ulster Med J. 2020 Jan;89(1):25-28. Epub 2020 Feb 18.
- 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.
- Lin E, Yuh EL. Computational Approaches for Acute Traumatic Brain Injury Image Recognition. Front Neurol. 2022 Mar 9;13:791816. doi: 10.3389/fneur.2022.791816. eCollection 2022.
- Sheth SA, Giancardo L, Colasurdo M, Srinivasan VM, Niktabe A, Kan P. Machine learning and acute stroke imaging. J Neurointerv Surg. 2023 Feb;15(2):195-199. doi: 10.1136/neurintsurg-2021-018142. Epub 2022 May 25.
- Yeo M, Tahayori B, Kok HK, Maingard J, Kutaiba N, Russell J, Thijs V, Jhamb A, Chandra RV, Brooks M, Barras CD, Asadi H. Review of deep learning algorithms for the automatic detection of intracranial hemorrhages on computed tomography head imaging. J Neurointerv Surg. 2021 Apr;13(4):369-378. doi: 10.1136/neurintsurg-2020-017099. Epub 2021 Jan 21.
- Chilamkurthy S, Ghosh R, Tanamala S, Biviji M, Campeau NG, Venugopal VK, Mahajan V, Rao P, Warier P. Deep learning algorithms for detection of critical findings in head CT scans: a retrospective study. Lancet. 2018 Dec 1;392(10162):2388-2396. doi: 10.1016/S0140-6736(18)31645-3. Epub 2018 Oct 11.
- Lee JY, Kim JS, Kim TY, Kim YS. Detection and classification of intracranial haemorrhage on CT images using a novel deep-learning algorithm. Sci Rep. 2020 Nov 25;10(1):20546. doi: 10.1038/s41598-020-77441-z.
- Arbabshirani MR, Fornwalt BK, Mongelluzzo GJ, Suever JD, Geise BD, Patel AA, Moore GJ. Advanced machine learning in action: identification of intracranial hemorrhage on computed tomography scans of the head with clinical workflow integration. NPJ Digit Med. 2018 Apr 4;1:9. doi: 10.1038/s41746-017-0015-z. eCollection 2018.
- Davis MA, Rao B, Cedeno PA, Saha A, Zohrabian VM. Machine Learning and Improved Quality Metrics in Acute Intracranial Hemorrhage by Noncontrast Computed Tomography. Curr Probl Diagn Radiol. 2022 Jul-Aug;51(4):556-561. doi: 10.1067/j.cpradiol.2020.10.007. Epub 2020 Nov 15.
- Wardlaw JM, Mair G, von Kummer R, Williams MC, Li W, Storkey AJ, Trucco E, Liebeskind DS, Farrall A, Bath PM, White P. Accuracy of Automated Computer-Aided Diagnosis for Stroke Imaging: A Critical Evaluation of Current Evidence. Stroke. 2022 Jul;53(7):2393-2403. doi: 10.1161/STROKEAHA.121.036204. Epub 2022 Apr 20.
- Finck T, Moosbauer J, Probst M, Schlaeger S, Schuberth M, Schinz D, Yigitsoy M, Byas S, Zimmer C, Pfister F, Wiestler B. Faster and Better: How Anomaly Detection Can Accelerate and Improve Reporting of Head Computed Tomography. Diagnostics (Basel). 2022 Feb 10;12(2):452. doi: 10.3390/diagnostics12020452.
- Warman R, Warman A, Warman P, Degnan A, Blickman J, Chowdhary V, Dash D, Sangal R, Vadhan J, Bueso T, Windisch T, Neves G. Deep Learning System Boosts Radiologist Detection of Intracranial Hemorrhage. Cureus. 2022 Oct 13;14(10):e30264. doi: 10.7759/cureus.30264. eCollection 2022 Oct.
- Dyer T, Chawda S, Alkilani R, Morgan TN, Hughes M, Rasalingham S. Validation of an artificial intelligence solution for acute triage and rule-out normal of non-contrast CT head scans. Neuroradiology. 2022 Apr;64(4):735-743. doi: 10.1007/s00234-021-02826-4. Epub 2021 Oct 8.
- Mallon DH, Taylor EJR, Vittay OI, Sheeka A, Doig D, Lobotesis K. Comparison of automated ASPECTS, large vessel occlusion detection and CTP analysis provided by Brainomix and RapidAI in patients with suspected ischaemic stroke. J Stroke Cerebrovasc Dis. 2022 Oct;31(10):106702. doi: 10.1016/j.jstrokecerebrovasdis.2022.106702. Epub 2022 Aug 19.
- Andralojc LE, Kim DH, Edwards AJ. Diagnostic accuracy of a decision-support software for the detection of intracranial large-vessel occlusion in CT angiography. Clin Radiol. 2023 Apr;78(4):e313-e318. doi: 10.1016/j.crad.2022.10.017. Epub 2023 Jan 11.
- 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.
- Huang SC, Pareek A, Jensen M, Lungren MP, Yeung S, Chaudhari AS. Self-supervised learning for medical image classification: a systematic review and implementation guidelines. NPJ Digit Med. 2023 Apr 26;6(1):74. doi: 10.1038/s41746-023-00811-0.
- Hillis SL, Obuchowski NA, Schartz KM, Berbaum KS. A comparison of the Dorfman-Berbaum-Metz and Obuchowski-Rockette methods for receiver operating characteristic (ROC) data. Stat Med. 2005 May 30;24(10):1579-607. doi: 10.1002/sim.2024.
- Obuchowski NA. Sample size tables for receiver operating characteristic studies. AJR Am J Roentgenol. 2000 Sep;175(3):603-8. doi: 10.2214/ajr.175.3.1750603.
- Guo Y, He Y, Lyu J, Zhou Z, Yang D, Ma L, Tan HT, Chen C, Zhang W, Hu J, Han D, Ding G, Liu S, Qiao H, Xu F, Lou X, Dai Q. Deep learning with weak annotation from diagnosis reports for detection of multiple head disorders: a prospective, multicentre study. Lancet Digit Health. 2022 Aug;4(8):e584-e593. doi: 10.1016/S2589-7500(22)00090-5. Epub 2022 Jun 17.
- Fu H, Novak A, Robert D, Kumar S, Tanamala S, Oke J, Bhatia K, Shah R, Romsauerova A, Das T, Espinosa A, Grzeda MT, Narbone M, Dharmadhikari R, Harrison M, Vimalesvaran K, Gooch J, Woznitza N, Salik N, Campbell A, Khan F, Lowe DJ, Shuaib H, Ather S. AI assisted reader evaluation in acute CT head interpretation (AI-REACT): protocol for a multireader multicase study. BMJ Open. 2024 Feb 12;14(2):e079824. doi: 10.1136/bmjopen-2023-079824.
Przydatne linki
- 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.
- National Institute for Health and Care Excellence. Artificial intelligence for analysing CT brain scans. 2020.
Daty zapisu na studia
Główne daty studiów
Rozpoczęcie studiów (Rzeczywisty)
Zakończenie podstawowe (Rzeczywisty)
Ukończenie studiów (Rzeczywisty)
Daty rejestracji na studia
Pierwszy przesłany
Pierwszy przesłany, który spełnia kryteria kontroli jakości
Pierwszy wysłany (Rzeczywisty)
Aktualizacje rekordów badań
Ostatnia wysłana aktualizacja (Rzeczywisty)
Ostatnia przesłana aktualizacja, która spełniała kryteria kontroli jakości
Ostatnia weryfikacja
Więcej informacji
Terminy związane z tym badaniem
Słowa kluczowe
Dodatkowe istotne warunki MeSH
- Zaburzenia naczyniowo-mózgowe
- Choroby mózgu
- Choroby ośrodkowego układu nerwowego
- Choroby Układu Nerwowego
- Choroby naczyniowe
- Choroby układu krążenia
- Rany i urazy
- Procesy patologiczne
- Krwotok
- Zawał mózgu
- Niedokrwienie mózgu
- Zawał
- Martwica
- Uraz czaszkowo-mózgowy
- Uraz, układ nerwowy
- Niedokrwienie
- Uderzenie
- Stany patologiczne, oznaki i objawy
- Udar niedokrwienny
- Zawał mózgu
- Urazy mózgu
- Obrzęk mózgu
- Wodogłowie
- Krwotoki śródczaszkowe
Inne numery identyfikacyjne badania
- 310995 - A
Informacje o lekach i urządzeniach, dokumenty badawcze
Bada produkt leczniczy regulowany przez amerykańską FDA
Bada produkt urządzenia regulowany przez amerykańską FDA
Te informacje zostały pobrane bezpośrednio ze strony internetowej clinicaltrials.gov bez żadnych zmian. Jeśli chcesz zmienić, usunąć lub zaktualizować dane swojego badania, skontaktuj się z register@clinicaltrials.gov. Gdy tylko zmiana zostanie wprowadzona na stronie clinicaltrials.gov, zostanie ona automatycznie zaktualizowana również na naszej stronie internetowej .
Badania kliniczne na Czytanie
-
Università Vita-Salute San RaffaeleUniversity of Milano Bicocca; University of Urbino "Carlo Bo"Rejestracja na zaproszeniePrzedwczesny poród | Dysleksja rozwojowaWłochy
-
Children's Hospital Medical Center, CincinnatiZakończonyRelacje rodzic-dziecko | Rozwój języka | AlfabetyzacjaStany Zjednoczone