- ICH GCP
- Реестр клинических исследований США
- Клиническое испытание NCT06232187
Поддержка искусственного интеллекта при принятии решений новичками по ультразвуковой оценке веса плода - рандомизированное исследование (scan-AId)
Scan-AId: поддержка искусственного интеллекта при принятии решений новичками при ультразвуковой оценке веса плода — рандомизированное исследование
Цель этого рандомизированного контролируемого клинического исследования — выяснить, какой тип искусственного интеллекта (ИИ) влияет на диагностическую точность ультразвуковой оценки веса плода (EFW), проводимой новичками, в этом исследовании, представленном студентами-медиками. Главный вопрос, на который он призван ответить:
- Какой тип искусственного интеллекта поможет новичкам повысить точность ультразвуковой диагностики веса плода?
- Улучшает ли искусственный интеллект качество изображения и может ли система искусственного интеллекта использоваться новичками? Участникам будет предложено провести ультразвуковое исследование EFW либо с помощью простой системы обратной связи с искусственным интеллектом «черный ящик», либо с более сложным объяснимым искусственным интеллектом. Это необходимо для поддержки принятия ими решений. Затем исследователи сравнит это с контрольной группой, чтобы увидеть, есть ли эффект.
Обзор исследования
Статус
Подробное описание
Цель этого рандомизированного контролируемого клинического исследования — выяснить, какой тип искусственного интеллекта (ИИ) влияет на диагностическую точность ультразвуковой оценки веса плода (EFW), проводимой новичками, в этом исследовании, представленном студентами-медиками.
Цели исследования:
- Какой тип системы поддержки искусственного интеллекта подойдет новичкам для повышения точности ультразвуковой диагностики веса плода?
- Улучшает ли искусственный интеллект качество изображения, оценивает ли когнитивная нагрузка на участников при использовании поддержки ИИ и пригодна ли система ИИ для новичков?
Участникам будет поручено провести ультразвуковой расчет предполагаемого веса плода (EFW) с использованием либо простого искусственного интеллекта «черный ящик», либо подробной объяснимой системы обратной связи с искусственным интеллектом. Системы искусственного интеллекта помогут участникам определить, сделали ли они подходящее изображение для EFW. Затем результаты будут сравниваться с результатами контрольной группы.
Ультразвуковые процедуры будут проводиться беременным женщинам со сроком беременности 30-37 недель, ранее прошедшим ЭФВ у специалиста-сонографиста в клинике либо в тот же день, либо накануне. Один участник каждой группы рандомизации будет проводить EFW на одной и той же беременной женщине.
Тип исследования
Регистрация (Оцененный)
Фаза
- Непригодный
Контакты и местонахождение
Контакты исследования
- Имя: Mary L Ngo, MD
- Номер телефона: +4520773779
- Электронная почта: mary.ngo@hotmail.com
Учебное резервное копирование контактов
- Имя: Martin Tolsgaard, MD, PhD proffessor
- Номер телефона: +4538664631
- Электронная почта: martin.groennebaek.tolsgaard@regionh.dk
Места учебы
-
-
-
Copenhagen, Дания, 2100
- Rigshospitalet
-
-
Критерии участия
Критерии приемлемости
Возраст, подходящий для обучения
- Взрослый
- Пожилой взрослый
Принимает здоровых добровольцев
Описание
Критерии включения:
- Студенты-медики, ранее не прошедшие подготовку по УЗИ плода или брюшной полости.
- Участники должны будут понимать устную и письменную речь на датском или английском языке.
Критерий исключения:
• Студенты-медики, прошедшие формальную подготовку по вопросам плода или брюшной полости до включения в это исследование.
Учебный план
Как устроено исследование?
Детали дизайна
- Основная цель: Диагностика
- Распределение: Рандомизированный
- Интервенционная модель: Параллельное назначение
- Маскировка: Одинокий
Оружие и интервенции
Группа участников / Армия |
Вмешательство/лечение |
---|---|
Экспериментальный: Группа обратной связи 1 (FG1)
Участники FG1 получат базовую поддержку искусственного интеллекта «черного ящика» с простыми объяснениями, такими как «стандартный самолет», «нестандартный самолет» или «неплановый».
|
Обратная связь с искусственным интеллектом на двух уровнях помогает участникам получать правильные изображения стандартной плоскости, используемые при расчете EFW при УЗИ плода.
|
Экспериментальный: Группа обратной связи 2 (FG2)
Участники FG2 получат объяснимую поддержку искусственного интеллекта с более подробным описанием анатомических структур и сегментацией анатомии.
|
Обратная связь с искусственным интеллектом на двух уровнях помогает участникам получать правильные изображения стандартной плоскости, используемые при расчете EFW при УЗИ плода.
|
Без вмешательства: Контрольная группа (КГ)
У участников CG будет плакат со стандартной плоскостью, который поможет им ориентироваться в изображениях стандартной плоскости УЗИ EFW.
|
Что измеряет исследование?
Первичные показатели результатов
Мера результата |
Мера Описание |
Временное ограничение |
---|---|---|
Точность диагностики
Временное ограничение: 15 минут
|
Точность в каждой группе определялась как процентная разница между расчетным весом плода и весом эксперта по сонографии EFW.
|
15 минут
|
Вторичные показатели результатов
Мера результата |
Мера Описание |
Временное ограничение |
---|---|---|
Качество изображения
Временное ограничение: 5 минут пр. участник
|
Оценка критериев Salomon используется для оценки качества изображения. Баллы начисляются в зависимости от количества присутствующих ориентиров, качества оптимизации изображения и количества размещений. Минимум: 1 Максимум: 18. Более высокий балл указывает на лучшее качество изображения. |
5 минут пр. участник
|
Другие показатели результатов
Мера результата |
Мера Описание |
Временное ограничение |
---|---|---|
Удобство использования системы искусственного интеллекта
Временное ограничение: 5 минут
|
Участникам будет предложено ответить на анкету: Шкала юзабилити системы (SUS), которая используется для оценки системы обратной связи ИИ. Мин 1 Максимум 100. Более высокий балл указывает на лучшее удобство использования системы. |
5 минут
|
Измерение времени реакции
Временное ограничение: 5 минут
|
Измерение времени реакции участников будет показателем когнитивной нагрузки. Время реакции будет измеряться как второстепенная задача, пока участники выполняют ультразвуковое сканирование. |
5 минут
|
Соавторы и исследователи
Публикации и полезные ссылки
Общие публикации
- 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.
Даты записи исследования
Изучение основных дат
Начало исследования (Действительный)
Первичное завершение (Оцененный)
Завершение исследования (Оцененный)
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
Другие идентификационные номера исследования
- F-24001576
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.
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. .