Esta página foi traduzida automaticamente e a precisão da tradução não é garantida. Por favor, consulte o versão em inglês para um texto fonte.

Automated Vetting and Protocolling of MRI Examinations (AutoProMpt)

2 de novembro de 2026 atualizado por: Edozie Iweka

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.

Visão geral do estudo

Status

Ainda não está recrutando

Tipo de estudo

Observacional

Inscrição (Estimado)

900000

Contactos e Locais

Esta seção fornece os detalhes de contato para aqueles que conduzem o estudo e informações sobre onde este estudo está sendo realizado.

Contato de estudo

  • Nome: Edozie Iweka, MSc (Dist)
  • Número de telefone: +441225386989
  • E-mail: eoi29@bath.ac.uk

Critérios de participação

Os pesquisadores procuram pessoas que se encaixem em uma determinada descrição, chamada de critérios de elegibilidade. Alguns exemplos desses critérios são a condição geral de saúde de uma pessoa ou tratamentos anteriores.

Critérios de elegibilidade

Idades elegíveis para estudo

  • Filho
  • Adulto
  • Adulto mais velho

Aceita Voluntários Saudáveis

Não

Gêneros Elegíveis para o Estudo

Tudo

Método de amostragem

Amostra Não Probabilística

População do estudo

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.

Descrição

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

Plano de estudo

Esta seção fornece detalhes do plano de estudo, incluindo como o estudo é projetado e o que o estudo está medindo.

Como o estudo é projetado?

Detalhes do projeto

  • Modelos de observação: COHORT
  • Perspectivas de Tempo: RETROSPECTIVE

Coortes e Intervenções

Grupo / Coorte
Intervenção / Tratamento
Group

Adult Patients undergoing MRI examinations

No Intervention as this is an experiment on retrospective collected referral data

O que o estudo está medindo?

Medidas de resultados primários

Medida de resultado
Descrição da medida
Prazo
Accuracy
Prazo: 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

Medidas de resultados secundários

Medida de resultado
Descrição da medida
Prazo
Clinical Usefulness
Prazo: 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

Colaboradores e Investigadores

É aqui que você encontrará pessoas e organizações envolvidas com este estudo.

Patrocinador

Colaboradores

Datas de registro do estudo

Essas datas acompanham o progresso do registro do estudo e os envios de resumo dos resultados para ClinicalTrials.gov. Os registros do estudo e os resultados relatados são revisados ​​pela National Library of Medicine (NLM) para garantir que atendam aos padrões específicos de controle de qualidade antes de serem publicados no site público.

Datas Principais do Estudo

Início do estudo (Estimado)

1 de fevereiro de 2027

Conclusão Primária (Estimado)

1 de abril de 2027

Conclusão do estudo (Estimado)

28 de setembro de 2029

Datas de inscrição no estudo

Enviado pela primeira vez

28 de outubro de 2026

Enviado pela primeira vez que atendeu aos critérios de CQ

2 de novembro de 2026

Primeira postagem (Real)

5 de novembro de 2026

Atualizações de registro de estudo

Última Atualização Postada (Real)

5 de novembro de 2026

Última atualização enviada que atendeu aos critérios de controle de qualidade

2 de novembro de 2026

Última verificação

1 de novembro de 2026

Mais Informações

Termos relacionados a este estudo

Plano para dados de participantes individuais (IPD)

Planeja compartilhar dados de participantes individuais (IPD)?

NÃO

Descrição do plano IPD

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.

Informações sobre medicamentos e dispositivos, documentos de estudo

Estuda um medicamento regulamentado pela FDA dos EUA

Não

Estuda um produto de dispositivo regulamentado pela FDA dos EUA

Não

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 .

Se inscrever