人工智能辅助读者评估急性计算机断层扫描 (CT) 头部解读 (AI-REACT)
2025年11月19日 更新者：Alex Novak、Oxford University Hospitals NHS Trust
人工智能辅助读卡器评估急性 CT 头颅判读
这项研究已作为子研究添加到急诊科成像模拟训练 2 研究 (ClinicalTrials.gov ID NCT05427838）。
该研究的目的是评估名为 qER 2.0 EU 的人工智能 (AI) 工具对读者（包括普通放射科医生、急诊医学临床医生和放射技师）解读非对比 CT 头部扫描的表现的影响。 该研究旨在评估使用人工智能工具时准确性、审查时间和诊断置信度的变化。 它还寻求提供有关人工智能工具的诊断性能及其在国家医疗服务体系（NHS）背景下提高效率和患者护理潜力的证据。 该研究将使用 150 个 CT 头部扫描数据集，包括对照病例和具有特定异常的异常病例。 这项研究的结果将为现实生活中急诊室 (ED) 环境中的更大规模的后续研究提供信息。
研究概览
研究类型
观察性的
注册 (实际的)
33
联系人和位置
本节提供了进行研究的人员的详细联系信息，以及有关进行该研究的地点的信息。
学习地点
-
-
-
Glasgow、英国、G12 0XH
- NHS Greater Glasgow and Clyde
-
Newcastle upon Tyne、英国、NE27 0QJ
- Northumbria Healthcare NHS Foundation Trust
-
-
London
-
London、London、英国、SE1 7EH
- Guy's & St Thomas NHS Foundation Trust
-
-
Oxfordshire
-
Oxford、Oxfordshire、英国、OX3 9DU
- Oxford University Hospitals NHS Foundation Trust
-
-
参与标准
研究人员寻找符合特定描述的人，称为资格标准。这些标准的一些例子是一个人的一般健康状况或先前的治疗。
资格标准
适合学习的年龄
- 孩子
- 成人
- 年长者
接受健康志愿者
是的
取样方法
非概率样本
研究人群
环境：
读者将从以下四个医院信托基金（二级和三级）中招募：
- 盖伊和圣托马斯 NHS 基金会信托
- 诺森比亚医疗保健 NHS 基金会信托
- NHS 大格拉斯哥和克莱德
- 牛津大学医院 NHS 基金会信托
参加者：
将从以下组中选出 30 名志愿者参与读者：
- 急诊医学顾问和注册员（5 名顾问、5 名注册员 (ST3-6)、5 名初级 (F1-ST2)
- 普通放射科医师顾问和注册员（5 名顾问、5 名注册员）
- 5名CT放射技师
描述
纳入标准：
- 作为临床实践一部分审查 CT 头部扫描的放射科医生/放射技师/急诊科临床医生
排除标准：
- 神经放射学家。
- 非放射科医生群体：接受过正式研究生 CT 报告培训的临床医生
- 急诊医学组：具有放射科/神经外科职业资格至注册医师级别的临床医生
学习计划
本节提供研究计划的详细信息，包括研究的设计方式和研究的衡量标准。
研究是如何设计的？
设计细节
队列和干预
团体/队列 |
干预/治疗 |
|---|---|
|
读者
四个 NHS 信托机构将招募 30 名读者，其中包括 10 名普通放射科医生、15 名急诊医学临床医生和 5 名不同资历的 CT 放射技师。
读者将首先在没有人工智能工具的帮助下解读每次扫描，然后在人工智能工具的帮助下进行解读，中间有 4 周的冲洗期。
使用神经放射学家小组作为基本事实，将评估 qER 的独立性能，并将其对读者性能的影响分析为准确性、每次扫描的平均审查时间和自我报告的诊断置信度的变化。
亚组分析将按读者专业组、读者资历、病理发现和神经放射科医生评定的难度进行。
|
所有 30 名读者将在两个研究阶段的每个阶段回顾全部 150 个案例。
读者将对一些急性异常的存在或不存在发表意见，包括颅内出血、梗塞、中线移位和骨折。
他们将提供对诊断的信心（10 点视觉模拟量表），并通过单击点来标记他们认为存在的每个异常的位置。
每次扫描所花费的时间将被自动记录。
|
|
地面真相者
两名顾问神经放射科医生将独立审查图像，以确定 CT 扫描的“真实”结果，并将其用作参考标准。
如有分歧，将寻求第三位资深神经放射科医生的意见进行仲裁。
地面真相人员将使用 5 点李克特量表为每次扫描分配难度分数。
|
两名顾问神经放射科医生将独立审查图像，以确定 CT 扫描的“真实”结果，并将其用作参考标准。
如有分歧，将寻求第三位资深神经放射科医生的意见进行仲裁。
|
研究衡量的是什么？
主要结果指标
结果测量 |
措施说明 |
大体时间 |
|---|---|---|
|
读者表现：灵敏度、特异性、有人工智能辅助和无人工智能辅助之间的比较。
大体时间：6 周内，这是阅读或审查病例/扫描的时间。
|
阅读器的表现将根据灵敏度、特异性、有或没有人工智能辅助进行评估。
|
6 周内，这是阅读或审查病例/扫描的时间。
|
|
读者表现：阳性和阴性预测值，有和没有人工智能辅助之间的比较。
大体时间：6 周内，这是阅读或审查病例/扫描的时间。
|
无论是否有人工智能辅助，读者的表现将被评估为阳性预测值（PPV）和阴性预测值（NPV）。
|
6 周内，这是阅读或审查病例/扫描的时间。
|
|
阅读器性能：接收器操作特征曲线下面积 (AUROC)，有和没有人工智能辅助之间的比较。
大体时间：6 周内，这是阅读或审查病例/扫描的时间。
|
无论是否有人工智能辅助，读取器性能都将根据接收器操作特性曲线下面积 (AUROC) 进行评估。
|
6 周内，这是阅读或审查病例/扫描的时间。
|
|
阅读器速度：在有人工智能辅助的情况下，检查扫描所需的平均时间。
大体时间：6 周内，这是阅读或审查病例/扫描的时间。
|
读取器速度将根据检查扫描所需的人工时间（以秒为单位）进行评估。
|
6 周内，这是阅读或审查病例/扫描的时间。
|
|
读者信心：在有人工智能辅助与没有人工智能辅助的情况下，以 10 点视觉模拟量表自我报告的诊断信心。
大体时间：6 周内，这是阅读或审查病例/扫描的时间。
|
在阅读平台（RAIQC）上，其中一个问题询问参与者对其诊断意见的信心程度。
该问题的评分范围为 1 到 10，其中 1 表示不自信，10 表示高度自信。
|
6 周内，这是阅读或审查病例/扫描的时间。
|
|
qER（AI算法）性能：灵敏度和特异性
大体时间：6 周内，这是阅读或审查病例/扫描的时间。
|
qER 性能将根据敏感性、特异性进行评估。
|
6 周内，这是阅读或审查病例/扫描的时间。
|
|
qER（AI 算法）性能：阳性和阴性预测值。
大体时间：6 周内，这是阅读或审查病例/扫描的时间。
|
qER 表现将被评估为阳性预测值 (PPV) 和阴性预测值 (NPV)。
|
6 周内，这是阅读或审查病例/扫描的时间。
|
|
qER（AI 算法）性能：接收器操作特性曲线下面积 (AUROC)。
大体时间：6 周内，这是阅读或审查病例/扫描的时间。
|
qER 性能将通过接受者操作特征曲线下面积 (AUROC) 进行评估
|
6 周内，这是阅读或审查病例/扫描的时间。
|
合作者和调查者
在这里您可以找到参与这项研究的人员和组织。
调查人员
- 首席研究员：Alex Novak, MSc、National Health Services in the United Kingdom (NHS UK)
- 首席研究员：Sarim Ather, PhD、National Health Services in the United Kingdom (NHS UK)
出版物和有用的链接
负责输入研究信息的人员自愿提供这些出版物。这些可能与研究有关。
一般刊物
- 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.
有用的网址
- 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.
研究记录日期
这些日期跟踪向 ClinicalTrials.gov 提交研究记录和摘要结果的进度。研究记录和报告的结果由国家医学图书馆 (NLM) 审查，以确保它们在发布到公共网站之前符合特定的质量控制标准。
研究主要日期
学习开始 (实际的)
2023年6月1日
初级完成 (实际的)
2023年9月1日
研究完成 (实际的)
2025年6月1日
研究注册日期
首次提交
2023年7月25日
首先提交符合 QC 标准的
2023年8月25日
首次发布 (实际的)
2023年8月30日
研究记录更新
最后更新发布 (实际的)
2025年11月24日
上次提交的符合 QC 标准的更新
2025年11月19日
最后验证
2025年11月1日
更多信息
此信息直接从 clinicaltrials.gov 网站检索，没有任何更改。如果您有任何更改、删除或更新研究详细信息的请求，请联系 register@clinicaltrials.gov. clinicaltrials.gov 上实施更改，我们的网站上也会自动更新.