Обнаружение рентгенограмм грудной клетки с помощью искусственного интеллекта (AID-CXR)
Полезность инструмента интерпретации CXR на основе искусственного интеллекта для повышения точности, скорости и уверенности в диагностике медицинских работников: исследование с использованием 500 ретроспективно собранных CXR стационарных пациентов и отделений неотложной помощи из двух больничных трестов Великобритании
Это исследование было добавлено в качестве дополнительного исследования к исследованию «Имитационная тренировка для отделения неотложной помощи 2» (ClinicalTrials.gov). ID NCT05427838).
Lunit INSIGHT CXR — это проверочное исследование, целью которого является оценка полезности инструмента интерпретации рентгенограмм грудной клетки (CXR) на основе искусственного интеллекта (ИИ) для повышения точности, скорости и уверенности диагностики у различных групп медицинских работников. Исследование будет проводиться с использованием 500 ретроспективно собранных рентгеновских снимков стационарных пациентов и отделений неотложной помощи из двух больничных трестов Соединенного Королевства (Великобритания). Два торакальных рентгенолога, прошедших стажировку, будут независимо анализировать все исследования, чтобы установить базовый эталонный стандарт. Инструмент Lunit INSIGHT CXR будет использоваться для анализа каждого CXR, а его производительность будет сравниваться с экспертами-читателями. В ходе исследования будет оценена полезность алгоритма для повышения точности и уверенности читателей, измеряемая чувствительностью, специфичностью, положительной прогностической ценностью и отрицательной прогностической ценностью. В ходе исследования эффективность алгоритма будет оцениваться на основе десяти отклонений от нормы, включая легочные узелки/массы, консолидацию, пневмоторакс, ателектаз, кальцификацию, кардиомегалию, фиброз, расширение средостения, плевральный выпот и пневмоперитонеум. В исследовании примут участие читатели из различных клинических профессиональных групп как с помощью Lunit INSIGHT CXR, так и без нее. Исследование предоставит доказательства влияния алгоритмов искусственного интеллекта на оказание помощи медицинским работникам, например, врачам неотложной помощи и врачам общей медицины, которые регулярно просматривают изображения в своей повседневной практике.
Обзор исследования
Статус
Условия
Вмешательство/лечение
Тип исследования
Регистрация (Действительный)
Контакты и местонахождение
Места учебы
-
-
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
Описание
Критерии включения:
- Рентгенологи/рентгенологи/врачи общего профиля, проверяющие рентгеновские снимки в рамках своей повседневной клинической практики.
Критерий исключения:
- Торакальные рентгенологи
- Врачи-нерадиологи, прошедшие последипломную подготовку по составлению отчетов по CXR.
- Врачи-нерадиологи с предыдущей карьерой в области радиологии, респираторной медицины или торакальной хирургии до уровня регистратора или консультанта
Учебный план
Как устроено исследование?
Детали дизайна
Когорты и вмешательства
Группа / когорта |
Вмешательство/лечение |
|---|---|
|
Читатели/Участники
Выбор читателей: 30 читателей будут выбраны из следующих пяти групп клинических специальностей:
Каждая группа специальности состоит из 6 членов ранжированного стажа. Для врачей это:
Для рентгенологов это состоит из:
|
Чтение будет осуществляться удаленно через сайт контроля качества отчетов и изображений (www.RAIQC.com). онлайн-платформа, позволяющая просматривать медицинские изображения и составлять отчеты. Участники могут работать из любого места, но работа должна осуществляться с компьютера с доступом в Интернет. Во избежание сомнений, работу нельзя выполнить с телефона или планшета. Проект разделен на два этапа, и участники должны завершить оба этапа. Ориентировочная общая длительность участия в проекте до 20-24 часов. Этап 1: Отведенное время: 2 недели. - Просмотрите 500 рентгенограмм грудной клетки и выразите клиническое мнение с помощью структурированного шаблона отчета (множественный выбор, открытый текст не требуется). Период отдыха/вымывания 2 недели. Этап 2. Отведенное время: 2 недели. - Просмотрите 500 рентгенограмм грудной клетки вместе с отчетом AI для каждого случая и выразите свое клиническое мнение с помощью того же шаблона структурированного отчета, который использовался на этапе A. |
|
Наземные правители
Два консультанта торакального рентгенолога.
Третье мнение старшего торакального радиолога (с опытом работы более 20 лет) будет рассматриваться в арбитражном порядке.
|
Два консультанта-торакальных рентгенолога будут независимо просматривать изображения, чтобы установить достоверные результаты рентгеновских исследований, и, если будет достигнут консенсус, они будут затем использоваться в качестве эталонного стандарта.
В случае разногласий мнение третьего старшего торакального радиолога (с опытом работы более 20 лет) будет рассматриваться в арбитражном порядке.
Наземные специалисты присвоят каждому отклонению оценку сложности по 4-балльной шкале Лайкерта (1 — легко/очевидно, 4 — сложно/плохо визуализируется).
|
Что измеряет исследование?
Первичные показатели результатов
Мера результата |
Мера Описание |
Временное ограничение |
|---|---|---|
|
Производительность алгоритма ИИ: чувствительность
Временное ограничение: За 4 недели чтения
|
Оценка алгоритма Lunit INSIGHT CXR будет проводиться по сравнению с эталонным стандартом для определения чувствительности.
|
За 4 недели чтения
|
|
Производительность алгоритма ИИ: специфика
Временное ограничение: За 4 недели чтения
|
Оценка алгоритма Lunit INSIGHT CXR будет проводиться по сравнению с эталонным стандартом с целью определения специфичности.
|
За 4 недели чтения
|
|
Производительность алгоритма ИИ: площадь под кривой ROC (AU ROC)
Временное ограничение: За 4 недели чтения
|
Оценка алгоритма Lunit INSIGHT CXR будет проведена в сравнении с эталонным стандартом.
Непрерывная оценка вероятности из алгоритма будет использоваться для ROC-анализа, а результаты двоичной классификации с заранее определенным рабочим пороговым значением будут использоваться для оценки чувствительности, специфичности, положительной прогностической ценности и отрицательной прогностической ценности.
|
За 4 недели чтения
|
|
Производительность читателей с помощью ИИ и без нее: чувствительность
Временное ограничение: За 4 недели чтения
|
Исследование будет включать в себя два сеанса (с наложением искусственного интеллекта и без него), при этом все 30 читателей просматривают все 500 случаев CXR, каждый раз разделенных периодом вымывания, чтобы уменьшить систематическую ошибку при воспоминании.
Случаи будут рандомизированы между двумя чтениями и для каждого читателя.
|
За 4 недели чтения
|
|
Производительность читателей с помощью ИИ и без: Специфика
Временное ограничение: За 4 недели чтения
|
Исследование будет включать в себя два сеанса (с наложением искусственного интеллекта и без него), при этом все 30 читателей просматривают все 500 случаев CXR, каждый раз разделенных периодом вымывания, чтобы уменьшить систематическую ошибку при воспоминании.
Случаи будут рандомизированы между двумя чтениями и для каждого читателя.
|
За 4 недели чтения
|
|
Производительность читателей с помощью ИИ и без нее: площадь под кривой ROC (AU ROC)
Временное ограничение: За 4 недели чтения
|
Исследование будет включать в себя два сеанса (с наложением искусственного интеллекта и без него), при этом все 30 читателей просматривают все 500 случаев CXR, каждый раз разделенных периодом вымывания, чтобы уменьшить систематическую ошибку при воспоминании.
Случаи будут рандомизированы между двумя чтениями и для каждого читателя.
|
За 4 недели чтения
|
|
Скорость чтения с помощью и без помощи ИИ.
Временное ограничение: За 4 недели чтения
|
Среднее время, затраченное на просмотр сканирования с помощью искусственного интеллекта и без него.
|
За 4 недели чтения
|
Соавторы и исследователи
Публикации и полезные ссылки
Общие публикации
- 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.
- 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.
- Spiritoso R, Padley S, Singh S. Chest X-ray interpretation in UK intensive care units: A survey 2014. J Intensive Care Soc. 2015 Nov;16(4):339-344. doi: 10.1177/1751143715580141. Epub 2015 May 18.
- Wilson C. X-ray misinterpretation in urgent care: where does it occur, why does it occur, and does it matter? N Z Med J. 2022 Apr 1;135:49-65.
- Jones CM, Buchlak QD, Oakden-Rayner L, Milne M, Seah J, Esmaili N, Hachey B. Chest radiographs and machine learning - Past, present and future. J Med Imaging Radiat Oncol. 2021 Aug;65(5):538-544. doi: 10.1111/1754-9485.13274. Epub 2021 Jun 25.
- Ahmad HK, Milne MR, Buchlak QD, Ektas N, Sanderson G, Chamtie H, Karunasena S, Chiang J, Holt X, Tang CHM, Seah JCY, Bottrell G, Esmaili N, Brotchie P, Jones C. Machine Learning Augmented Interpretation of Chest X-rays: A Systematic Review. Diagnostics (Basel). 2023 Feb 15;13(4):743. doi: 10.3390/diagnostics13040743.
- van Beek EJR, Ahn JS, Kim MJ, Murchison JT. Validation study of machine-learning chest radiograph software in primary and emergency medicine. Clin Radiol. 2023 Jan;78(1):1-7. doi: 10.1016/j.crad.2022.08.129. Epub 2022 Sep 25.
- Kundu R, Das R, Geem ZW, Han GT, Sarkar R. Pneumonia detection in chest X-ray images using an ensemble of deep learning models. PLoS One. 2021 Sep 7;16(9):e0256630. doi: 10.1371/journal.pone.0256630. eCollection 2021.
- Hillis JM, Bizzo BC, Mercaldo S, Chin JK, Newbury-Chaet I, Digumarthy SR, Gilman MD, Muse VV, Bottrell G, Seah JCY, Jones CM, Kalra MK, Dreyer KJ. Evaluation of an Artificial Intelligence Model for Detection of Pneumothorax and Tension Pneumothorax in Chest Radiographs. JAMA Netw Open. 2022 Dec 1;5(12):e2247172. doi: 10.1001/jamanetworkopen.2022.47172.
- Homayounieh F, Digumarthy S, Ebrahimian S, Rueckel J, Hoppe BF, Sabel BO, Conjeti S, Ridder K, Sistermanns M, Wang L, Preuhs A, Ghesu F, Mansoor A, Moghbel M, Botwin A, Singh R, Cartmell S, Patti J, Huemmer C, Fieselmann A, Joerger C, Mirshahzadeh N, Muse V, Kalra M. An Artificial Intelligence-Based Chest X-ray Model on Human Nodule Detection Accuracy From a Multicenter Study. JAMA Netw Open. 2021 Dec 1;4(12):e2141096. doi: 10.1001/jamanetworkopen.2021.41096.
- Wu JT, Wong KCL, Gur Y, Ansari N, Karargyris A, Sharma A, Morris M, Saboury B, Ahmad H, Boyko O, Syed A, Jadhav A, Wang H, Pillai A, Kashyap S, Moradi M, Syeda-Mahmood T. Comparison of Chest Radiograph Interpretations by Artificial Intelligence Algorithm vs Radiology Residents. JAMA Netw Open. 2020 Oct 1;3(10):e2022779. doi: 10.1001/jamanetworkopen.2020.22779.
- Matsumoto T, Kodera S, Shinohara H, Ieki H, Yamaguchi T, Higashikuni Y, Kiyosue A, Ito K, Ando J, Takimoto E, Akazawa H, Morita H, Komuro I. Diagnosing Heart Failure from Chest X-Ray Images Using Deep Learning. Int Heart J. 2020 Jul 30;61(4):781-786. doi: 10.1536/ihj.19-714. Epub 2020 Jul 18.
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.
- www.nice.org.uk. (2022). Summary | Artificial intelligence for analysing chest X-ray images | Advice | NICE. [online] Available at:
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
- Организация пневмонии
- Сердечно-сосудистые заболевания
- Патологические процессы
- Новообразования по локализации
- Новообразования
- Патологические состояния, анатомические
- Сердечные заболевания
- Заболевания иммунной системы
- Заболевания дыхательных путей
- Заболевания пищеварительной системы
- Легочные заболевания
- Бронхиальные заболевания
- Заболевания легких, обструктивные
- Новообразования дыхательных путей
- Грудные новообразования
- Новообразования легких
- Заболевания легких, интерстициальные
- Перитонеальные заболевания
- Фиброз
- Облитерирующий бронхиолит
- Бронхиолит
- Бронхит
- Плевральные заболевания
- Гипертрофия
- Трансплантат против болезни хозяина
- Патологические состояния, признаки и симптомы
- Синдром облитерирующего бронхиолита
- Легочный фиброз
- Пневмоперитонеум
- Легочный ателектаз
- Плевральный выпот
- Множественные легочные узлы
- Пневмоторакс
- Кардиомегалия
- Одиночный легочный узел
Другие идентификационные номера исследования
- 310995 - B
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. .