Apoio de inteligência artificial na tomada de decisão de iniciantes para avaliação da estimativa de peso fetal por ultrassom - um ensaio randomizado (scan-AId)
Scan-AId: suporte de inteligência artificial na tomada de decisão de iniciantes para avaliação da estimativa de peso fetal por ultrassom - um ensaio randomizado
O objetivo deste ensaio clínico randomizado controlado é saber que tipo de inteligência artificial (IA) afeta a precisão diagnóstica da estimativa ultrassonográfica do peso fetal (PFE), quando realizada por novatos, neste estudo representados por estudantes de medicina. As principais questões que pretende responder são:
- Que tipo de inteligência artificial funciona para iniciantes na melhoria da precisão do diagnóstico de peso fetal por ultrassom?
- A inteligência artificial melhora a qualidade da imagem e o sistema de IA pode ser usado por novatos? Os participantes serão solicitados a realizar um EFW de ultrassom com um sistema de feedback de IA de caixa preta simples ou uma IA explicável mais elaborada. Isto é para apoiar a sua tomada de decisão. Os pesquisadores irão comparar isso com um grupo de controle para ver se há algum efeito.
Visão geral do estudo
Status
Condições
Intervenção / Tratamento
Descrição detalhada
O objetivo deste ensaio clínico randomizado controlado é saber que tipo de inteligência artificial (IA) afeta a precisão diagnóstica da estimativa ultrassonográfica do peso fetal (PFE), quando realizada por novatos, neste estudo representados por estudantes de medicina.
Os objetivos do estudo são:
- Que tipo de sistema de suporte de inteligência artificial funciona para iniciantes na melhoria da precisão do diagnóstico de peso fetal por ultrassom?
- A inteligência artificial melhora a qualidade da imagem, avalia a carga cognitiva colocada nos participantes ao utilizar o suporte de IA e o sistema de IA pode ser usado por novatos?
Os participantes terão a tarefa de conduzir um peso fetal estimado por ultrassom (EFW) usando uma IA de caixa preta simples ou um sistema de feedback de IA explicável e detalhado. Os sistemas de IA ajudarão os participantes a determinar se capturaram a imagem apropriada para EFW. Os resultados serão então comparados aos de um grupo de controle.
Os procedimentos de ultrassom serão realizados em mulheres grávidas com fetos com idade gestacional de 30-37 semanas, que já foram submetidas a um PFE por um ultrassonografista especialista na clínica, no mesmo dia ou no dia anterior. Um participante de cada braço de randomização realizará um PLE na mesma gestante.
Tipo de estudo
Inscrição (Estimado)
Estágio
- Não aplicável
Contactos e Locais
Locais de estudo
-
-
-
Copenhagen, Dinamarca, 2100
- Rigshospitalet
-
-
Critérios de participação
Critérios de elegibilidade
Idades elegíveis para estudo
- Adulto
- Adulto mais velho
Aceita Voluntários Saudáveis
Descrição
Critério de inclusão:
- Estudantes de medicina sem treinamento anterior em ultrassonografia fetal ou abdominal.
- Os participantes terão que compreender dinamarquês ou inglês falado e escrito.
Critério de exclusão:
• Estudantes de medicina que receberam treinamento fetal ou abdominal formal antes da inclusão neste estudo.
Plano de estudo
Como o estudo é projetado?
Detalhes do projeto
- Finalidade Principal: Diagnóstico
- Alocação: Randomizado
- Modelo Intervencional: Atribuição Paralela
- Mascaramento: Solteiro
Armas e Intervenções
Grupo de Participantes / Braço |
Intervenção / Tratamento |
|---|---|
|
Experimental: Grupo de Feedback 1 (FG1)
Os participantes do FG1 receberão suporte básico de IA de caixa preta, com explicações simples como “avião padrão”, “avião não padrão” ou “fora do avião”.
|
Feedback de IA em dois níveis, para auxiliar os participantes, para obter as imagens corretas do plano padrão usadas no cálculo EFW de ultrassom fetal.
|
|
Experimental: Grupo de Feedback 2 (GF2)
Os participantes do FG2 receberão suporte de IA explicável, com descrição mais elaborada das estruturas anatômicas e segmentação da anatomia.
|
Feedback de IA em dois níveis, para auxiliar os participantes, para obter as imagens corretas do plano padrão usadas no cálculo EFW de ultrassom fetal.
|
|
Sem intervenção: Grupo controle (GC)
Os participantes do CG terão um pôster de avião padrão para ajudar a orientá-los para as imagens de plano padrão de ultrassom EFW.
|
O que o estudo está medindo?
Medidas de resultados primários
Medida de resultado |
Descrição da medida |
Prazo |
|---|---|---|
|
Precisão diagnóstica
Prazo: 15 minutos
|
A acurácia em cada grupo foi definida como a diferença percentual entre o peso fetal estimado e o ultrassonografista especialista EFW
|
15 minutos
|
Medidas de resultados secundários
Medida de resultado |
Descrição da medida |
Prazo |
|---|---|---|
|
Qualidade da imagem
Prazo: 5 minutos pr. participante
|
A pontuação dos critérios Salomon é usada para avaliar a qualidade da imagem. Os pontos são atribuídos dependendo do número de pontos de referência presentes, da qualidade da otimização da imagem e da colocação do calibre. Mínimo: 1 Máximo: 18. Uma pontuação mais alta indica uma melhor qualidade de imagem. |
5 minutos pr. participante
|
Outras medidas de resultado
Medida de resultado |
Descrição da medida |
Prazo |
|---|---|---|
|
A usabilidade do sistema de IA
Prazo: 5 minutos
|
Os participantes serão solicitados a responder a um questionário: Escala de Usabilidade do Sistema (SUS), que é utilizado para avaliar o sistema de feedback de IA. Mínimo 1 Máximo 100. Uma pontuação mais alta indicando melhor usabilidade do sistema. |
5 minutos
|
|
Medição do tempo de reação
Prazo: 5 minutos
|
As medições do tempo de reação dos participantes serão uma medida da carga cognitiva. O tempo de reação será medido como tarefa secundária enquanto os participantes realizam a ultrassonografia. |
5 minutos
|
Colaboradores e Investigadores
Publicações e links úteis
Publicações Gerais
- 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.
Datas de registro do estudo
Datas Principais do Estudo
Início do estudo (Real)
Conclusão Primária (Estimado)
Conclusão do estudo (Estimado)
Datas de inscrição no estudo
Enviado pela primeira vez
Enviado pela primeira vez que atendeu aos critérios de CQ
Primeira postagem (Real)
Atualizações de registro de estudo
Última Atualização Postada (Real)
Última atualização enviada que atendeu aos critérios de controle de qualidade
Última verificação
Mais Informações
Termos relacionados a este estudo
Palavras-chave
Termos MeSH relevantes adicionais
Outros números de identificação do estudo
- F-24001576
Plano para dados de participantes individuais (IPD)
Planeja compartilhar dados de participantes individuais (IPD)?
Informações sobre medicamentos e dispositivos, documentos de estudo
Estuda um medicamento regulamentado pela FDA dos EUA
Estuda um produto de dispositivo regulamentado pela FDA dos EUA
Essas informações foram obtidas diretamente do site clinicaltrials.gov sem nenhuma alteração. Se você tiver alguma solicitação para alterar, remover ou atualizar os detalhes do seu estudo, entre em contato com register@clinicaltrials.gov. Assim que uma alteração for implementada em clinicaltrials.gov, ela também será atualizada automaticamente em nosso site .