人工智能对超声胎儿体重评估新手决策的支持——随机试验 (scan-AId)
2024年5月8日 更新者：Mary Le Ngo、Copenhagen Academy for Medical Education and Simulation
Scan-AId：人工智能支持新手评估超声胎儿体重估计的决策 - 随机试验
这项随机对照临床试验的目的是了解在以医学生为代表的这项研究中，哪种类型的人工智能 (AI) 会影响新手进行胎儿体重超声估计 (EFW) 的诊断准确性。 它旨在回答的主要问题是：
- 哪种人工智能适合新手提高超声胎儿体重诊断准确性？
- 人工智能是否能提高图像质量？AI系统是否适合新手使用？ 参与者将被要求使用简单的黑匣子人工智能反馈系统或更复杂的可解释人工智能来执行超声 EFW。 这是为了支持他们的决策。 研究人员会将其与对照组进行比较，看看是否有效果。
研究概览
详细说明
这项随机对照临床试验的目的是了解在以医学生为代表的这项研究中，哪种类型的人工智能 (AI) 会影响新手进行胎儿体重超声估计 (EFW) 的诊断准确性。
该研究的目标是：
- 哪种人工智能支持系统适合新手提高超声胎儿体重诊断准确性？
- 人工智能是否可以提高图像质量，评估参与者在利用人工智能支持时的认知负荷，以及人工智能系统是否适合新手使用？
参与者的任务是使用简单的黑匣子人工智能或详细的可解释人工智能反馈系统进行超声估计胎儿体重 (EFW)。 人工智能系统将帮助参与者确定他们是否为 EFW 拍摄了合适的图像。 然后将结果与对照组的结果进行比较。
超声检查将对胎龄为 30-37 周的胎儿进行，这些孕妇之前曾在诊所的专家超声检查师于当天或前一天接受过 EFW。 每个随机分组的一名参与者将对同一名孕妇进行 EFW。
研究类型
介入性
注册 (估计的)
75
阶段
- 不适用
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
-
-
-
Copenhagen、丹麦、2100
- Rigshospitalet
-
-
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
- 成人
- 年长者
接受健康志愿者
是的
描述
纳入标准：
- 以前没有接受过胎儿或腹部超声培训的医学生。
- 参与者必须理解丹麦语或英语的口语和书面语。
排除标准：
• 在纳入本研究之前接受过正式胎儿或腹部训练的医学生。
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
- 主要用途：诊断
- 分配：随机化
- 介入模型：并行分配
- 屏蔽：单身的
武器和干预
参与者组/臂 |
干预/治疗 |
|---|---|
|
实验性的：反馈组 1 (FG1)
FG1的参与者将获得基本的黑匣子人工智能支持，并提供简单的解释，如“标准平面”、“非标准平面”或“非平面”。
|
两个级别的人工智能反馈，帮助参与者获得用于胎儿超声 EFW 计算的正确标准平面图像。
|
|
实验性的：反馈组 2 (FG2)
FG2 的参与者将获得可解释的人工智能支持，并对解剖结构和解剖分割进行更详细的描述。
|
两个级别的人工智能反馈，帮助参与者获得用于胎儿超声 EFW 计算的正确标准平面图像。
|
|
无干预：对照组（CG）
CG 的参与者将获得一张标准平面海报，以帮助引导他们了解 EFW 超声标准平面图像。
|
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 |
|---|---|---|
|
诊断准确率
大体时间：15分钟
|
每组的准确度定义为估计的胎儿体重与超声检查专家 EFW 之间的百分比差异
|
15分钟
|
次要结果测量
结果测量 |
措施说明 |
大体时间 |
|---|---|---|
|
画面质量
大体时间：每天 5 分钟参与者
|
Salomon 标准分数用于评价图像质量。 根据存在的地标数量、图像优化的质量和卡尺放置来给出分数。 最小值：1 最大值：18。 分数越高表示图像质量越好。 |
每天 5 分钟参与者
|
其他结果措施
结果测量 |
措施说明 |
大体时间 |
|---|---|---|
|
AI系统可用性
大体时间：5分钟
|
参与者将被要求回答一份问卷：系统可用性量表（SUS），用于评估人工智能反馈系统。 最少 1 最多 100。 分数越高表明系统可用性越好。 |
5分钟
|
|
反应时间的测量
大体时间：5分钟
|
对参与者反应时间的测量将是对认知负荷的测量。 当参与者进行超声波扫描时，反应时间将作为次要任务进行测量。 |
5分钟
|
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。
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
- 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.
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)
2024年2月14日
初级完成 (估计的)
2024年6月30日
研究完成 (估计的)
2024年9月1日
研究注册日期
首次提交
2024年1月22日
首先提交符合 QC 标准的
2024年1月22日
首次发布 (实际的)
2024年1月30日
研究记录更新
最后更新发布 (实际的)
2024年5月10日
上次提交的符合 QC 标准的更新
2024年5月8日
最后验证
2024年4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.