- ICH GCP
- Реестр клинических исследований США
- Клиническое испытание NCT06018545
Оценка читателя при помощи искусственного интеллекта при острой компьютерной томографии (КТ) Интерпретация головы (AI-REACT)
Оценка читателя при помощи искусственного интеллекта при интерпретации острой КТ-головки
Это исследование было добавлено в качестве дополнительного исследования к исследованию «Имитационная тренировка для отделения неотложной помощи 2» (ClinicalTrials.gov). ID NCT05427838).
Цель исследования — оценить влияние инструмента искусственного интеллекта (ИИ) под названием qER 2.0 EU на работу читателей, в том числе врачей общей практики, врачей неотложной медицинской помощи и рентгенологов, при интерпретации неконтрастных КТ-сканирований головы. Целью исследования является оценка изменений точности, времени проверки и достоверности диагностики при использовании инструмента искусственного интеллекта. Целью исследования также является предоставить доказательства диагностических характеристик инструмента искусственного интеллекта и его потенциала для повышения эффективности и ухода за пациентами в контексте Национальной службы здравоохранения (NHS). В исследовании будет использоваться набор данных из 150 КТ-сканирований головы, включая как контрольные случаи, так и аномальные случаи со специфическими отклонениями. Результаты этого исследования послужат основой для более масштабных последующих исследований в реальных условиях отделения неотложной помощи (ED).
Обзор исследования
Статус
Условия
Вмешательство/лечение
Тип исследования
Регистрация (Действительный)
Контакты и местонахождение
Места учебы
-
-
-
Glasgow, Соединенное Королевство, G12 0XH
- NHS Greater Glasgow and Clyde
-
Newcastle upon Tyne, Соединенное Королевство, NE27 0QJ
- Northumbria Healthcare NHS Foundation Trust
-
-
London
-
London, London, Соединенное Королевство, SE1 7EH
- Guy's & St Thomas NHS Foundation Trust
-
-
Oxfordshire
-
Oxford, Oxfordshire, Соединенное Королевство, OX3 9DU
- Oxford University Hospitals NHS Foundation Trust
-
-
Критерии участия
Критерии приемлемости
Возраст, подходящий для обучения
- Ребенок
- Взрослый
- Пожилой взрослый
Принимает здоровых добровольцев
Метод выборки
Исследуемая популяция
Параметр:
Читатели будут набраны из следующих четырех больничных трестов (среднего и третичного уровня):
- Фонд Гая и Сент-Томаса NHS Foundation Trust
- Фонд здравоохранения Нортумбрии NHS Foundation Trust
- Национальная служба здравоохранения Большого Глазго и Клайда
- Больницы Оксфордского университета Фонд NHS Foundation Trust
Участники:
30 читателей-волонтеров будут выбраны из следующих групп:
- Консультанты и регистраторы неотложной медицинской помощи (5 консультантов, 5 регистраторов (ST3-6), 5 младших (F1-ST2)
- Общие консультанты-рентгенологи и регистраторы (5 консультантов, 5 регистраторов)
- 5 КТ-рентгенологов
Описание
Критерии включения:
- Радиологи/рентгенологи/клиницисты отделения неотложной помощи, которые проверяют результаты компьютерной томографии головы в рамках своей клинической практики.
Критерий исключения:
- Нейрорадиологи.
- Группы нерентгенологов: клиницисты, прошедшие последипломную подготовку по составлению отчетов по КТ.
- Группа неотложной медицины: врачи с предыдущей карьерой в радиологии/нейрохирургии до уровня регистратора.
Учебный план
Как устроено исследование?
Детали дизайна
Когорты и вмешательства
Группа / когорта |
Вмешательство/лечение |
|---|---|
|
Читатели
В четырех фондах Национальной службы здравоохранения будут набраны 30 читателей, в том числе десять врачей-рентгенологов общего профиля, пятнадцать врачей неотложной помощи и пять рентгенологов КТ различного стажа.
Читатели будут интерпретировать каждое сканирование сначала без, а затем с помощью инструмента искусственного интеллекта с промежуточным 4-недельным периодом промывки.
Используя группу нейрорадиологов в качестве основной истины, будет оценена отдельная эффективность qER, а ее влияние на работу читателей будет проанализировано как изменение точности, среднего времени просмотра на сканирование и уверенности в диагностике, о которой сообщают сами пользователи.
Анализ подгрупп будет проводиться с учетом профессиональной группы читателей, стажа чтения, патологоанатомических данных и сложности, оцененной нейрорадиологом.
|
Все 30 читателей рассмотрят все 150 случаев на каждом из двух этапов исследования.
Читатели выскажут свое мнение о наличии или отсутствии некоторых острых нарушений, включая внутричерепное кровоизлияние, инфаркт, смещение средней линии и перелом.
Они обеспечат уверенность в своем диагнозе (10-балльная визуальная аналоговая шкала) и одним щелчком мыши отметят местоположение каждой аномалии, которую они считают присутствующей.
Время, затраченное на каждое сканирование, будет автоматически записываться.
|
|
Наземные правители
Два консультанта-нейрорадиолога независимо проведут анализ изображений, чтобы установить достоверные результаты компьютерной томографии, которые будут использоваться в качестве эталонного стандарта.
В случае разногласий будет запрошено мнение третьего старшего нейрорадиолога для арбитражного разбирательства.
Наземные специалисты будут присваивать каждому скану оценку сложности с использованием 5-балльной шкалы Лайкерта.
|
Два консультанта-нейрорадиолога независимо проведут анализ изображений, чтобы установить достоверные результаты компьютерной томографии, которые будут использоваться в качестве эталонного стандарта.
В случае разногласий будет запрошено мнение третьего старшего нейрорадиолога для арбитражного разбирательства.
|
Что измеряет исследование?
Первичные показатели результатов
Мера результата |
Мера Описание |
Временное ограничение |
|---|---|---|
|
Производительность чтения: чувствительность, специфичность, сравнение с использованием искусственного интеллекта и без него.
Временное ограничение: В течение 6 недель, то есть периода для чтения или проверки случаев/сканирований.
|
Производительность считывателя будет оцениваться по чувствительности, специфичности, с помощью ИИ и без нее.
|
В течение 6 недель, то есть периода для чтения или проверки случаев/сканирований.
|
|
Производительность чтения: положительная и отрицательная прогностическая ценность, сравнительная при использовании искусственного интеллекта и без него.
Временное ограничение: В течение 6 недель, то есть периода для чтения или проверки случаев/сканирований.
|
Производительность чтения будет оцениваться как положительная прогностическая ценность (PPV) и отрицательная прогностическая ценность (NPV) с помощью ИИ и без нее.
|
В течение 6 недель, то есть периода для чтения или проверки случаев/сканирований.
|
|
Производительность считывателя: площадь под кривой рабочих характеристик приемника (AUROC), сравнение с использованием искусственного интеллекта и без него.
Временное ограничение: В течение 6 недель, то есть периода для чтения или проверки случаев/сканирований.
|
Производительность считывателя будет оцениваться по кривой рабочей характеристики приемника (AUROC) с помощью искусственного интеллекта или без нее.
|
В течение 6 недель, то есть периода для чтения или проверки случаев/сканирований.
|
|
Скорость чтения: среднее время, необходимое для просмотра отсканированного изображения с помощью искусственного интеллекта и без него.
Временное ограничение: В течение 6 недель, то есть периода для чтения или проверки случаев/сканирований.
|
Скорость считывателя будет оцениваться как время, затраченное человеком на просмотр отсканированного изображения, в единицах времени.
|
В течение 6 недель, то есть периода для чтения или проверки случаев/сканирований.
|
|
Уверенность читателя: самооценка диагностической достоверности по 10-балльной визуально-аналоговой шкале с использованием искусственного интеллекта или без него.
Временное ограничение: В течение 6 недель, то есть периода для чтения или проверки случаев/сканирований.
|
На платформе чтения (RAIQC) один из вопросов касается уровня уверенности участника в своем диагностическом мнении.
Вопрос предлагается по шкале от 1 до 10, где 1 – не уверен, а 10 – очень уверен.
|
В течение 6 недель, то есть периода для чтения или проверки случаев/сканирований.
|
|
Производительность qER (алгоритма искусственного интеллекта): чувствительность и специфичность
Временное ограничение: В течение 6 недель, то есть периода для чтения или проверки случаев/сканирований.
|
Эффективность qER будет оцениваться по чувствительности и специфичности.
|
В течение 6 недель, то есть периода для чтения или проверки случаев/сканирований.
|
|
Производительность qER (алгоритма искусственного интеллекта): положительная и отрицательная прогностическая ценность.
Временное ограничение: В течение 6 недель, то есть периода для чтения или проверки случаев/сканирований.
|
Эффективность qER будет оцениваться как положительная прогностическая ценность (PPV) и отрицательная прогностическая ценность (NPV).
|
В течение 6 недель, то есть периода для чтения или проверки случаев/сканирований.
|
|
Характеристики qER (алгоритма искусственного интеллекта): площадь под кривой рабочей характеристики приемника (AUROC).
Временное ограничение: В течение 6 недель, то есть периода для чтения или проверки случаев/сканирований.
|
Производительность qER будет оцениваться как площадь под кривой рабочей характеристики приемника (AUROC).
|
В течение 6 недель, то есть периода для чтения или проверки случаев/сканирований.
|
Соавторы и исследователи
Следователи
- Главный следователь: Alex Novak, MSc, National Health Services in the United Kingdom (NHS UK)
- Главный следователь: Sarim Ather, PhD, National Health Services in the United Kingdom (NHS UK)
Публикации и полезные ссылки
Общие публикации
- 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.
Полезные ссылки
- 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.
Даты записи исследования
Изучение основных дат
Начало исследования (Действительный)
Первичное завершение (Действительный)
Завершение исследования (Действительный)
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
Дополнительные соответствующие термины MeSH
- Цереброваскулярные расстройства
- Заболевания головного мозга
- Заболевания центральной нервной системы
- Заболевания нервной системы
- Сосудистые заболевания
- Сердечно-сосудистые заболевания
- Раны и травмы
- Патологические процессы
- Кровотечение
- Инфаркт головного мозга
- Ишемия головного мозга
- Инфаркт
- Некроз
- Черепно-мозговая травма
- Травма, нервная система
- Ишемия
- Инсульт
- Патологические состояния, признаки и симптомы
- Ишемический приступ
- Церебральный инфаркт
- Травмы головного мозга
- Отек мозга
- Гидроцефалия
- Внутричерепные кровоизлияния
Другие идентификационные номера исследования
- 310995 - A
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.
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. .