Wsparcie sztucznej inteligencji w podejmowaniu decyzji przez nowicjuszy w zakresie oceny ultradźwiękowej oceny masy płodu – badanie losowe (scan-AId)
Scan-AId: wsparcie sztucznej inteligencji w podejmowaniu decyzji przez nowicjuszy w zakresie oceny ultradźwiękowej oceny masy płodu – badanie losowe
Celem tego randomizowanego, kontrolowanego badania klinicznego jest poznanie, jaki rodzaj sztucznej inteligencji (AI) wpływa na dokładność diagnostyczną ultrasonograficznej oceny masy płodu (EFW) wykonywanej przez nowicjuszy, w tym badaniu reprezentowanym przez studentów medycyny. Główne pytanie, na które ma odpowiedzieć, brzmi:
- Który rodzaj sztucznej inteligencji sprawdza się dla nowicjuszy w poprawianiu dokładności ultrasonograficznej diagnostyki masy płodu?
- Czy sztuczna inteligencja poprawia jakość obrazu i czy system AI jest przydatny dla nowicjuszy? Uczestnicy zostaną poproszeni o wykonanie USG EFW za pomocą prostego systemu sprzężenia zwrotnego AI z czarną skrzynką lub bardziej skomplikowanego, wytłumaczalnego AI. Ma to na celu wsparcie ich w podejmowaniu decyzji. Naukowcy porównają to z grupą kontrolną, aby sprawdzić, czy istnieje efekt.
Przegląd badań
Status
Warunki
Szczegółowy opis
Celem tego randomizowanego, kontrolowanego badania klinicznego jest poznanie, jaki rodzaj sztucznej inteligencji (AI) wpływa na dokładność diagnostyczną ultrasonograficznej oceny masy płodu (EFW) wykonywanej przez nowicjuszy, w tym badaniu reprezentowanym przez studentów medycyny.
Cele badania to:
- Jaki rodzaj systemu wsparcia sztucznej inteligencji sprawdza się dla nowicjuszy w poprawianiu dokładności ultrasonograficznej diagnostyki masy płodu?
- Czy sztuczna inteligencja poprawia jakość obrazu, ocenia obciążenie poznawcze uczestników podczas korzystania ze wsparcia AI i czy system AI jest użyteczny dla nowicjuszy?
Uczestnicy otrzymają zadanie przeprowadzenia ultrasonograficznej szacunkowej masy płodu (EFW) przy użyciu prostej sztucznej inteligencji czarnej skrzynki lub szczegółowego, wytłumaczalnego systemu informacji zwrotnej opartej na sztucznej inteligencji. Systemy sztucznej inteligencji pomogą uczestnikom określić, czy uchwycili odpowiedni obraz dla EFW. Wyniki zostaną następnie porównane z wynikami grupy kontrolnej.
U kobiet w ciąży z płodami w wieku ciążowym 30-37 tygodni, które zostały wcześniej poddane badaniu USG przez specjalistę USG w klinice, tego samego dnia lub dzień wcześniej, wykonywane będą badania USG. Jedna uczestniczka każdego ramienia randomizacji przeprowadzi EFW u tej samej kobiety w ciąży.
Typ studiów
Zapisy (Szacowany)
Faza
- Nie dotyczy
Kontakty i lokalizacje
Lokalizacje studiów
-
-
-
Copenhagen, Dania, 2100
- Rigshospitalet
-
-
Kryteria uczestnictwa
Kryteria kwalifikacji
Wiek uprawniający do nauki
- Dorosły
- Starszy dorosły
Akceptuje zdrowych ochotników
Opis
Kryteria przyjęcia:
- Studenci medycyny bez wcześniejszego szkolenia w zakresie ultrasonografii płodu lub jamy brzusznej.
- Uczestnicy będą musieli rozumieć w mowie i piśmie język duński lub angielski.
Kryteria wyłączenia:
• Studenci medycyny, którzy przed włączeniem do tego badania przeszli formalne szkolenie w zakresie płodu lub jamy brzusznej.
Plan studiów
Jak projektuje się badanie?
Szczegóły projektu
- Główny cel: Diagnostyczny
- Przydział: Randomizowane
- Model interwencyjny: Przydział równoległy
- Maskowanie: Pojedynczy
Broń i interwencje
Grupa uczestników / Arm |
Interwencja / Leczenie |
|---|---|
|
Eksperymentalny: Grupa sprzężenia zwrotnego 1 (FG1)
Uczestnicy FG1 otrzymają podstawowe wsparcie sztucznej inteligencji czarnej skrzynki z prostymi wyjaśnieniami, takimi jak „samolot standardowy”, „samolot niestandardowy” lub „poza samolotem”.
|
Informacje zwrotne AI na dwóch poziomach, pomagające uczestnikom uzyskać odpowiednie obrazy płaszczyzny standardowej wykorzystywane w obliczaniu EFW płodu w USG.
|
|
Eksperymentalny: Grupa opinii 2 (FG2)
Uczestnicy FG2 otrzymają zrozumiałe wsparcie sztucznej inteligencji z bardziej szczegółowym opisem struktur anatomicznych i segmentacją anatomii.
|
Informacje zwrotne AI na dwóch poziomach, pomagające uczestnikom uzyskać odpowiednie obrazy płaszczyzny standardowej wykorzystywane w obliczaniu EFW płodu w USG.
|
|
Brak interwencji: Grupa kontrolna (CG)
Uczestnicy CG otrzymają standardowy plakat samolotu, który pomoże im znaleźć standardowe obrazy samolotu ultrasonograficznego EFW.
|
Co mierzy badanie?
Podstawowe miary wyniku
Miara wyniku |
Opis środka |
Ramy czasowe |
|---|---|---|
|
Dokładność diagnostyczna
Ramy czasowe: 15 minut
|
Dokładność w każdej grupie zdefiniowano jako procentową różnicę między szacowaną masą płodu a EFW eksperta ultrasonograficznego
|
15 minut
|
Miary wyników drugorzędnych
Miara wyniku |
Opis środka |
Ramy czasowe |
|---|---|---|
|
Jakość obrazu
Ramy czasowe: 5 minut pr. uczestnik
|
Do oceny jakości obrazu służy wynik kryteriów Salomona. Punkty przyznawane są w zależności od liczby obecnych punktów orientacyjnych, jakości optymalizacji obrazu i rozmieszczenia suwmiarki. Minimum: 1 Maksimum: 18. Wyższy wynik oznacza lepszą jakość obrazu. |
5 minut pr. uczestnik
|
Inne miary wyników
Miara wyniku |
Opis środka |
Ramy czasowe |
|---|---|---|
|
Użyteczność systemu AI
Ramy czasowe: 5 minut
|
Uczestnicy zostaną poproszeni o wypełnienie kwestionariusza: Skala Użyteczności Systemu (SUS), która służy do oceny systemu informacji zwrotnej AI. Min. 1 Maks. 100. Wyższy wynik oznacza lepszą użyteczność systemu. |
5 minut
|
|
Pomiar czasu reakcji
Ramy czasowe: 5 minut
|
Pomiary czasu reakcji uczestników będą miarą obciążenia poznawczego. Pomiar czasu reakcji będzie zadaniem dodatkowym podczas wykonywania przez uczestników badania USG. |
5 minut
|
Współpracownicy i badacze
Publikacje i pomocne linki
Publikacje ogólne
- 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.
Daty zapisu na studia
Główne daty studiów
Rozpoczęcie studiów (Rzeczywisty)
Zakończenie podstawowe (Szacowany)
Ukończenie studiów (Szacowany)
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
Inne numery identyfikacyjne badania
- F-24001576
Plan dla danych uczestnika indywidualnego (IPD)
Planujesz udostępniać dane poszczególnych uczestników (IPD)?
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 Ultradźwięk
-
China National Center for Cardiovascular DiseasesRekrutacyjnyPrzezskórna interwencja wieńcowa | Fizjologia wieńcowa | Intravenous UltrasoundChiny