- ICH GCP
- Реестр клинических исследований США
- Клиническое испытание NCT05489471
Исследование по оценке влияния системы искусственного интеллекта (ИИ) на отчеты о рентгенографии грудной клетки
Проспективное исследование для оценки влияния системы искусственного интеллекта на отчетность о рентгенограммах грудной клетки, оценка способности рабочих списков, управляемых ИИ, сокращать время отчетности и улучшать путь КТ в тот же день для подозрения на рак легких.
Исследование имеет первоначальный краткий ретроспективный компонент, но преимущественно является проспективным исследованием, состоящим из двух основных частей.
Первоначально в течение 1 месяца, пока репортеры знакомятся с программным обеспечением, две локальные базы данных будут проверены программным обеспечением ИИ:
- Учебный набор из 100 рентгенограмм грудной клетки (CXR), некоторые из которых содержат узлы и используются в качестве учебного пособия с ранее задокументированными результатами рентгенолога.
- Набор ранее опубликованных рентгеновских снимков пациентов, направленных репортером на КТ, основные факты, созданные на основе предыдущего отчета КТ и просмотренные двумя рентгенологами, если это необходимо.
Это позволит сравнить производительность автономного рентгенолога и ИИ.
Затем следует 6-месячный период с участием нескольких групп репортеров и примерно 20 000 случаев, изучающих влияние системы ИИ, которая оценивает 10 аномалий на рентгенограмме грудной клетки и сообщает о чувствительности обнаружения поражений и ее влиянии на уверенность репортера. В частности, следователи будут рассматривать:
- Пропущенный поиск ИИ, но обнаруженный репортером
- Корректно обнаруженная находка ИИ
- Пропущенная находка репортером, но обнаруженная ИИ
Находка обнаружена ИИ, но оспаривается репортером
■ Влияние ИИ на
- Радиологический отчет
- Дальнейшая рекомендуемая визуализация
- Изменение ведения пациента
- повышение достоверности отчета, как его воспринимает репортер
Последующий 3-месячный период изучения влияния ИИ составил рабочие списки на время обработки отчета и путь пациента от рентгенографии грудной клетки до КТ. следователи специально обращали внимание на:
- количество обнаруженных узелков
- количество рентгенограмм, рекомендованных для контрольной КТ
- время от CXR до CT
- количество случаев рака легких, выявленных после КТ[1]
- Время для отчета, измеренное, как и ранее, с помощью PACS и данных программного обеспечения для отчетов
Исследуемая популяция будет состоять из всех пациентов старше 16 лет, направленных их лечащим врачом в университетские больницы Халла NHS Trust для рентгенографии грудной клетки и любой рентгенографии грудной клетки, выполненной в радиологии неотложной помощи Королевской больницы Халла для пациентов старше 16 лет во время исследования. 6 месячный период обучения. Отделение неотложной помощи отображает пациентов из отделения неотложной помощи и стационарных пациентов в больнице.
Сначала все рентгенограммы будут просматриваться без просмотра информации AI, а затем с использованием дополнительных изображений. Репортеры отметят влияние ИИ на их решение. Все разногласия между репортером и ИИ будут рассмотрены старшими репортерами, и решение будет принято на основе консенсуса.
Обзор исследования
Статус
Условия
Вмешательство/лечение
Подробное описание
Проспективное исследование с одним центром, в котором данные будут собираться в учебных больницах Университета Халла NHS Trust (HUTH).
Рентгенография органов общей практики проводится в двух основных больницах Фонда, а также в вспомогательных отделениях в местном сообществе. Все они используют одну и ту же радиологическую информационную систему (RIS), а рентгенограммы грудной клетки автоматически сохраняются в системе архивирования и передачи изображений HUTH (PACS).
Отделение радиологии в отделении неотложной помощи Королевского лазарета Халла проводит рентгенографию грудной клетки для экстренных пациентов, а также для стационарных пациентов в больнице.
Все рентгенограммы грудной клетки будут зарегистрированы в RIS, выполнены и отправлены в систему PACS в обычном режиме. Любой рентген грудной клетки, выполненный пациенту в возрасте 16 лет и старше из любого из вышеуказанных наборов, будет автоматически передан на сервер ИИ, и после обработки отчет ИИ автоматически переместится в ту же папку PACS, что и исходный фильм.
Отчетность по рентгенограмме грудной клетки и просмотр информации об ИИ будут проводиться на обычных отчетных сессиях, проводимых в рентгенологическом отделении персоналом всех категорий.
В настоящее время отделение радиологии передает на аутсорсинг некоторые простые отчеты на пленке, однако на время исследования ни одно из вышеуказанных обследований не будет передано на аутсорсинг, и все отчеты будут выполняться членами рентгенологической группы HUTH.
Рентгенологическое исследование органов грудной клетки проводится рядом специалистов в области радиологии:
- Консультант радиологов
- Регистратор радиологов, проходящих подготовку до FRCR - член экзаменационного поста Королевского колледжа радиологии FRCR
- Подотчетные рентгенологи В отделении радиологии в настоящее время работают 46 консультантов, 26 специалистов-регистраторов и 8 подотчетных рентгенологов. Хотя не все консультанты или рентгенологи проводят рентгенографию грудной клетки.
В исследовании будут участвовать все группы репортеров, и исследователи будут оценивать ответы каждой группы, а также общую производительность. Участники будут определены по группам, а не индивидуально.
Исследование разделено на три этапа.
Фаза первая:
Это произойдет сразу после интеграции системы ИИ в HUTH PACS. В течение месяца журналисты приобретают опыт использования программного обеспечения.
За это время с помощью программного обеспечения будут проверены две локальные базы данных:
- обучающий набор из 100 случаев рентгенографии грудной клетки, в которых присутствуют некоторые легочные узлы с соответствующими КТ.
- Набор ранее зарегистрированных рентгенограмм грудной клетки, запрошенных врачами общей практики (GP), которые были направлены репортером для срочной КТ.
Их результаты будут рассмотрены небольшой группой журналистов. Причина таких отзывов двоякая:
- Предоставить обзор программного обеспечения, которое может служить основой для инструкций для второго этапа.
- Чтобы позволить сравнить ранее задокументированные характеристики репортера и производительность ИИ до начала проспективного исследования.
Второй этап:
Это продлится 6 месяцев и будет включать в себя все рентгенограммы грудной клетки для пациентов старше 16 лет, полученные либо по направлению врача общей практики, либо в отделении неотложной помощи (ED) больницы неотложной помощи, включая неотложную и неотложную помощь и стационарные исследования. Они будут отправлены на сервер AI для оценки, возвращаемые данные будут доступны в папке PACS с исходным изображением. Это произойдет до того, как фильм станет доступен для репортажа.
Предполагается, что на этом этапе будет примерно 20 000 экзаменов примерно в равных пропорциях. Календарный год 2019: 23 287 обследований общей практики и 22 042 обследования ED.
Были выбраны снимки GP, поскольку эти исследования часто являются первыми исследованиями, вызывающими озабоченность по поводу рака легких. Третий этап включает в себя внедрение сгенерированных ИИ рабочих списков для сообщения о подозрении на узелки / рак легких и оценку влияния на КТ в тот же день для этой группы.
Фильмы ED, поскольку считалось, что это будет лучший набор данных для оценки десяти результатов, обнаруженных программным обеспечением, а введение рабочих списков, сгенерированных ИИ, на этапе 3 может привести к более быстрому представлению отчетов об аномальных исследованиях.
Репортеры рассмотрят исходный рентген грудной клетки и составят отчет. Затем они просмотрят данные ИИ и решат, как это повлияет на их отчет, после чего это будет записано.[2] ИИ ищет десять различных аномалий на каждом рентгеновском снимке грудной клетки и создает тепловую карту и процент достоверности, если обнаруживает аномалию. Одно обследование может не иметь результатов ИИ или иметь несколько результатов ИИ.
Репортеры будут вводить свою оценку ИИ для каждого фильма, о котором сообщается, во время репортажа.
Для каждого вывода, присутствующего на рентгенограмме грудной клетки и/или выводе ИИ, читатели будут записывать:
- Пропущенный поиск ИИ, но обнаруженный репортером
- Корректно обнаруженная находка ИИ
- Пропущенная находка репортером, но обнаруженная ИИ
- Находка обнаружена ИИ, но оспаривается репортером
влияние ИИ на
Радиологический отчет
- полезный
- не полезно
- нейтральный
Дальнейшая рекомендуемая визуализация
- значительный
- незначительный
Изменение ведения пациента
- значительный
- незначительный
Исследователи также оценят, повысилась ли уверенность ИИ в сообщении об отклонении от нормы или в сообщении об исследовании как о нормальном.
Любой фильм, в котором репортер не согласен с ИИ, будет немедленно помещен в рабочий список PACS и рассмотрен старшим репортером/репортерами, после чего будет достигнут консенсус. Результат будет занесен в базу данных.
Если пациенту рекомендуется пройти последующую рентгенографию грудной клетки или КТ, это будет записано. Эти последующие обследования будут рассмотрены небольшой группой репортеров с повторным программным анализом любых выполненных рентгенограмм грудной клетки.
Программное обеспечение AI просматривает только текущее изображение, в то время как репортер имеет доступ к любым предыдущим исследованиям, которые могут быть важны для принятия решения об аномалии, это будет записано для оценки его последствий.
Репортер будет иметь электронную таблицу Excel, доступную на рабочей станции для отчетов PACS через ссылку на общий диск отдела с полями для их группы отчетности, типом направления, инвентарным номером экзамена, что позволяет просмотреть отдельный экзамен в случае разногласий или просмотреть с более поздними исследованиями, наличием более ранних пленок, отдельным полем для каждой аномалии ИИ и поля для контрольной рентгенографии грудной клетки или КТ. Это будет завершено во время отчетности.
В конце сеанса отчетности электронная таблица будет загружена на центральный сервер Trust, сохранена в папке отдела и интегрирована оттуда в отдельно хранимую центральную базу данных. Только сотрудники радиологического отделения будут иметь доступ к папке отделения, а центральная база данных будет храниться отдельно, доступной для менеджера данных и группы управления исследованиями. После загрузки в основную базу данных отдельные данные будут удалены из папки радиологии. Никакие данные не будут храниться на рабочих станциях PACS после завершения сеанса отчетности и передачи файла.
Данные будут храниться и обрабатываться исключительно в HUTH. Копия основной базы данных будет сделана с заменой инвентарного номера на анонимный идентификатор. Эта база данных будет использоваться для анализа.
Третий этап:
Это продлится 3 месяца и будет включать в себя разработку рабочих списков, созданных ИИ.
Рабочий список терапевта, в котором отмечены аномалии, которые могут указывать на злокачественное новообразование, позволит оперативно составить отчет и при необходимости провести КТ в тот же день. Изменения во времени задержки от рентгенографии грудной клетки до КТ будут сравниваться между текущей системой с сортировкой рентгеновских снимков рентгенологом и сортировкой ИИ.
Рабочий список неотложной помощи будет составлен для положительных исследований AI, и время отчетности для них будет сравниваться с текущей системой, в которой нет фильтрации рентгенограмм грудной клетки.
Обо всех отрицательных исследованиях AI будет сообщено. Отчетные оценки времени будут производиться на основе обычных данных в системах RIS и PACS, при этом в оценки не включаются данные, позволяющие идентифицировать пациента.
Данные будут собираться через PACS, а данные будут обрабатываться локально на выделенном сервере.
Тип исследования
Регистрация (Ожидаемый)
Контакты и местонахождение
Контакты исследования
- Имя: gerard avery, FRCR
- Номер телефона: +441482623205
- Электронная почта: ged.avery1@nhs.net
Учебное резервное копирование контактов
- Имя: Oliver Byass, FRCR
- Номер телефона: +441482623205
- Электронная почта: oliver.byass@nhs.net
Критерии участия
Критерии приемлемости
Возраст, подходящий для обучения
Принимает здоровых добровольцев
Полы, имеющие право на обучение
Метод выборки
Исследуемая популяция
Описание
Критерии включения:
- пациент 16 лет и старше
- Задне-передняя и передне-задняя рентгенограммы грудной клетки
- По запросу врачей общей практики или выполняется в отделении неотложной помощи радиологии
Критерий исключения:
- Пациенты младше 16 лет
- боковые пленки
- Рентгенограммы грудной клетки субоптимального качества до такой степени, что репортер считает их не интерпретируемыми.
Учебный план
Как устроено исследование?
Детали дизайна
- Наблюдательные модели: Только для случая
- Временные перспективы: Перспективный
Когорты и вмешательства
Группа / когорта |
Вмешательство/лечение |
---|---|
Рентгенограммы грудной клетки взрослых
Все рентгенограммы органов грудной клетки для пациентов старше 16 лет либо по направлению врача общей практики, либо в отделении неотложной помощи (ED) больницы неотложной помощи, включая приемы неотложной и неотложной помощи и стационарные исследования.
|
ИИ ищет десять различных аномалий на каждом рентгеновском снимке грудной клетки и создает тепловую карту и процент достоверности, если обнаруживает аномалию.
|
Что измеряет исследование?
Первичные показатели результатов
Мера результата |
Мера Описание |
Временное ограничение |
---|---|---|
Обзор работы рентгенолога
Временное ограничение: шесть месяцев
|
Продемонстрировать, что ИИ может помочь улучшить работу рентгенолога с точки зрения пропущенных рентгенологом результатов, обнаруженных с помощью ИИ (в процентном отношении к частоте ошибок).
|
шесть месяцев
|
Вторичные показатели результатов
Мера результата |
Мера Описание |
Временное ограничение |
---|---|---|
Обнаружение рака легких
Временное ограничение: шесть месяцев
|
Количество узелков и раковых образований, обнаруженных только с помощью ИИ (в процентах от общего числа обнаруженных узлов/опухолей).
|
шесть месяцев
|
Улучшение пути развития рака легких
Временное ограничение: три месяца
|
Время между рентгенографией грудной клетки и компьютерной томографией при подозрении на рак с использованием рабочих списков, созданных ИИ, будет сравниваться с историческими данными о времени, предшествовавшими программному обеспечению ИИ.
|
три месяца
|
Сообщить об улучшении времени обработки
Временное ограничение: три месяца
|
Время между выполнением аномальной рентгенограммы грудной клетки и записью в рабочий список, управляемый ИИ, будет сравниваться с историческими данными, полученными до системы ИИ.
|
три месяца
|
Соавторы и исследователи
Соавторы
Следователи
- Главный следователь: Gerard Avery, Hull University Teaching Hospitals NHS Trust
Публикации и полезные ссылки
Общие публикации
- Turkington PM, Kennan N, Greenstone MA. Misinterpretation of the chest x ray as a factor in the delayed diagnosis of lung cancer. Postgrad Med J. 2002 Mar;78(917):158-60. doi: 10.1136/pmj.78.917.158.
- Jang S, Song H, Shin YJ, Kim J, Kim J, Lee KW, Lee SS, Lee W, Lee S, Lee KH. Deep Learning-based Automatic Detection Algorithm for Reducing Overlooked Lung Cancers on Chest Radiographs. Radiology. 2020 Sep;296(3):652-661. doi: 10.1148/radiol.2020200165. Epub 2020 Jul 21. Erratum In: Radiology. 2022 Feb;302(2):E10.
- Nam JG, Park S, Hwang EJ, Lee JH, Jin KN, Lim KY, Vu TH, Sohn JH, Hwang S, Goo JM, Park CM. Development and Validation of Deep Learning-based Automatic Detection Algorithm for Malignant Pulmonary Nodules on Chest Radiographs. Radiology. 2019 Jan;290(1):218-228. doi: 10.1148/radiol.2018180237. Epub 2018 Sep 25.
- Hwang EJ, Park S, Jin KN, Kim JI, Choi SY, Lee JH, Goo JM, Aum J, Yim JJ, Cohen JG, Ferretti GR, Park CM; DLAD Development and Evaluation Group. Development and Validation of a Deep Learning-Based Automated Detection Algorithm for Major Thoracic Diseases on Chest Radiographs. JAMA Netw Open. 2019 Mar 1;2(3):e191095. doi: 10.1001/jamanetworkopen.2019.1095. Erratum In: JAMA Netw Open. 2019 Apr 5;2(4):e193260.
- Hwang EJ, Lee JH, Kim JH, Lim WH, Goo JM, Park CM. Deep learning computer-aided detection system for pneumonia in febrile neutropenia patients: a diagnostic cohort study. BMC Pulm Med. 2021 Dec 7;21(1):406. doi: 10.1186/s12890-021-01768-0.
- Jones CM, Danaher L, Milne MR, Tang C, Seah J, Oakden-Rayner L, Johnson A, Buchlak QD, Esmaili N. Assessment of the effect of a comprehensive chest radiograph deep learning model on radiologist reports and patient outcomes: a real-world observational study. BMJ Open. 2021 Dec 20;11(12):e052902. doi: 10.1136/bmjopen-2021-052902.
- Kim JH, Kim JY, Kim GH, Kang D, Kim IJ, Seo J, Andrews JR, Park CM. Clinical Validation of a Deep Learning Algorithm for Detection of Pneumonia on Chest Radiographs in Emergency Department Patients with Acute Febrile Respiratory Illness. J Clin Med. 2020 Jun 24;9(6):1981. doi: 10.3390/jcm9061981.
- Jang SB, Lee SH, Lee DE, Park SY, Kim JK, Cho JW, Cho J, Kim KB, Park B, Park J, Lim JK. Deep-learning algorithms for the interpretation of chest radiographs to aid in the triage of COVID-19 patients: A multicenter retrospective study. PLoS One. 2020 Nov 24;15(11):e0242759. doi: 10.1371/journal.pone.0242759. eCollection 2020.
- Hwang EJ, Kim KB, Kim JY, Lim JK, Nam JG, Choi H, Kim H, Yoon SH, Goo JM, Park CM. COVID-19 pneumonia on chest X-rays: Performance of a deep learning-based computer-aided detection system. PLoS One. 2021 Jun 7;16(6):e0252440. doi: 10.1371/journal.pone.0252440. eCollection 2021.
- Hwang EJ, Kim H, Yoon SH, Goo JM, Park CM. Implementation of a Deep Learning-Based Computer-Aided Detection System for the Interpretation of Chest Radiographs in Patients Suspected for COVID-19. Korean J Radiol. 2020 Oct;21(10):1150-1160. doi: 10.3348/kjr.2020.0536. Epub 2020 Jul 17.
- Kim JH, Han SG, Cho A, Shin HJ, Baek SE. Effect of deep learning-based assistive technology use on chest radiograph interpretation by emergency department physicians: a prospective interventional simulation-based study. BMC Med Inform Decis Mak. 2021 Nov 8;21(1):311. doi: 10.1186/s12911-021-01679-4.
- Yoo H, Kim KH, Singh R, Digumarthy SR, Kalra MK. Validation of a Deep Learning Algorithm for the Detection of Malignant Pulmonary Nodules in Chest Radiographs. JAMA Netw Open. 2020 Sep 1;3(9):e2017135. doi: 10.1001/jamanetworkopen.2020.17135.
- Nam JG, Hwang EJ, Kim DS, Yoo SJ, Choi H, Goo JM, Park CM. Undetected Lung Cancer at Posteroanterior Chest Radiography: Potential Role of a Deep Learning-based Detection Algorithm. Radiol Cardiothorac Imaging. 2020 Dec 10;2(6):e190222. doi: 10.1148/ryct.2020190222. eCollection 2020 Dec.
- Yoo H, Lee SH, Arru CD, Doda Khera R, Singh R, Siebert S, Kim D, Lee Y, Park JH, Eom HJ, Digumarthy SR, Kalra MK. AI-based improvement in lung cancer detection on chest radiographs: results of a multi-reader study in NLST dataset. Eur Radiol. 2021 Dec;31(12):9664-9674. doi: 10.1007/s00330-021-08074-7. Epub 2021 Jun 4.
- Lee JH, Sun HY, Park S, Kim H, Hwang EJ, Goo JM, Park CM. Performance of a Deep Learning Algorithm Compared with Radiologic Interpretation for Lung Cancer Detection on Chest Radiographs in a Health Screening Population. Radiology. 2020 Dec;297(3):687-696. doi: 10.1148/radiol.2020201240. Epub 2020 Sep 22.
- Koo YH, Shin KE, Park JS, Lee JW, Byun S, Lee H. Extravalidation and reproducibility results of a commercial deep learning-based automatic detection algorithm for pulmonary nodules on chest radiographs at tertiary hospital. J Med Imaging Radiat Oncol. 2021 Feb;65(1):15-22. doi: 10.1111/1754-9485.13105. Epub 2020 Oct 8.
- Nam JG, Kim M, Park J, Hwang EJ, Lee JH, Hong JH, Goo JM, Park CM. Development and validation of a deep learning algorithm detecting 10 common abnormalities on chest radiographs. Eur Respir J. 2021 May 20;57(5):2003061. doi: 10.1183/13993003.03061-2020. Print 2021 May.
- Kim EY, Kim YJ, Choi WJ, Lee GP, Choi YR, Jin KN, Cho YJ. Performance of a deep-learning algorithm for referable thoracic abnormalities on chest radiographs: A multicenter study of a health screening cohort. PLoS One. 2021 Feb 19;16(2):e0246472. doi: 10.1371/journal.pone.0246472. eCollection 2021. Erratum In: PLoS One. 2021 Apr 28;16(4):e0251045.
- Hwang EJ, Nam JG, Lim WH, Park SJ, Jeong YS, Kang JH, Hong EK, Kim TM, Goo JM, Park S, Kim KH, Park CM. Deep Learning for Chest Radiograph Diagnosis in the Emergency Department. Radiology. 2019 Dec;293(3):573-580. doi: 10.1148/radiol.2019191225. Epub 2019 Oct 22.
- Hwang EJ, Hong JH, Lee KH, Kim JI, Nam JG, Kim DS, Choi H, Yoo SJ, Goo JM, Park CM. Deep learning algorithm for surveillance of pneumothorax after lung biopsy: a multicenter diagnostic cohort study. Eur Radiol. 2020 Jul;30(7):3660-3671. doi: 10.1007/s00330-020-06771-3. Epub 2020 Mar 11.
- Jin KN, Kim EY, Kim YJ, Lee GP, Kim H, Oh S, Kim YS, Han JH, Cho YJ. Diagnostic effect of artificial intelligence solution for referable thoracic abnormalities on chest radiography: a multicenter respiratory outpatient diagnostic cohort study. Eur Radiol. 2022 May;32(5):3469-3479. doi: 10.1007/s00330-021-08397-5. Epub 2022 Jan 1.
Даты записи исследования
Изучение основных дат
Начало исследования (Ожидаемый)
Первичное завершение (Ожидаемый)
Завершение исследования (Ожидаемый)
Даты регистрации исследования
Первый отправленный
Впервые представлено, что соответствует критериям контроля качества
Первый опубликованный (Действительный)
Обновления учебных записей
Последнее опубликованное обновление (Действительный)
Последнее отправленное обновление, отвечающее критериям контроля качества
Последняя проверка
Дополнительная информация
Термины, связанные с этим исследованием
Ключевые слова
Другие идентификационные номера исследования
- R2757
Планирование данных отдельных участников (IPD)
Планируете делиться данными об отдельных участниках (IPD)?
Информация о лекарствах и устройствах, исследовательские документы
Изучает лекарственный продукт, регулируемый FDA США.
Изучает продукт устройства, регулируемый Управлением по санитарному надзору за качеством пищевых продуктов и медикаментов США.
продукт, произведенный в США и экспортированный из США.
Эта информация была получена непосредственно с веб-сайта clinicaltrials.gov без каких-либо изменений. Если у вас есть запросы на изменение, удаление или обновление сведений об исследовании, обращайтесь по адресу register@clinicaltrials.gov. Как только изменение будет реализовано на clinicaltrials.gov, оно будет автоматически обновлено и на нашем веб-сайте. .
Клинические исследования Обзор искусственного интеллекта
-
Northwell HealthПрекращеноПолная замена коленного суставаСоединенные Штаты
-
Rehabilitation Hospital of Overland ParkDiscovery StatisticsРекрутингНеврологическое расстройствоСоединенные Штаты
-
Norwegian University of Science and TechnologyLHL HelseЗавершенный