人工智能反馈对不同专业水平超声生物测量准确性的影响
2026年8月4日 更新者：Mary Le Ngo、Copenhagen Academy for Medical Education and Simulation
评估AI反馈在超声生物测量中的变化敏感性：一项跨专业技能梯度的分层随机对照试验
目的：评估实时AI反馈对胎儿生物测量准确性的影响，并研究专业知识逆转效应——即AI的益处是否会随着用户经验增加而减弱。
设计：一项分层随机试验，共纳入75名参与者（25名新手、25名中级者、25名专家）。 用户按1:1比例随机分配至AI辅助组或手动测量组。
结局指标：
- 主要结局：与出生体重的实际值相比，胎儿估计体重（EFW）的准确性（平均绝对百分比误差，MAPE）。
- 次要结局：操作时间、图像质量、与基线扫描的误差，以及认知负荷（NASA-TLX）。
研究概览
详细说明
研究概述：本研究评估实时人工智能（AI）反馈如何影响产科超声中胎儿生物测量指标的准确性。 虽然AI工具旨在辅助临床医生，但其效果可能因用户的基础技能水平而异——这种现象被称为“专业知识反转效应”。
研究目标：主要目标是确定AI引导的反馈是否显著降低超声胎儿体重估计的测量误差，与传统手动方法相比。 该研究特别调查AI对新手用户、中级用户的益处是否大于对经验丰富的专家的益处。
研究设计：这是一项分层、随机对照试验，涉及75名参与者，分为三个专业层级：
新手（例如，扫描经验最少的学生或住院医师）。
中级用户（例如，处于中级培训阶段的医生）。
专家（例如，高级专家）。
每个层级内的参与者将以1:1的比例随机分配到AI辅助组（接收实时自动平面验证和测量工具）或对照组（执行标准手动生物测量）。
主要结局指标：估计胎儿体重（EFW）的准确性：EFW相对于实际出生体重的平均绝对百分比误差（MAPE），评估AI辅助对体重预测的临床影响。
次要结局指标：
- 程序效率：完成生物测量所需的总程序时间（探头接触皮肤时间）。
- 图像质量：基于标准化Salomon标准对捕获平面的客观评估。
- 相对测量误差：与标准（专家验证）超声扫描相比，估计胎儿体重的偏差。
- 主观工作量：使用NASA任务负荷指数（NASA-TLX）评估认知负荷和用户努力。
- 经验阈值确定：定义显著AI介导准确性增益的临床经验“截止点”（年限和总扫描次数）。
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。
学习联系方式
- 姓名：Mary Le Ngo, Medical Doctor (MD), PhD stude
- 电话号码：+45 20773779
- 邮箱：mary.van.anh.le.ngo.01@regionh.dk
学习地点
-
-
Capital Region
-
Hillerød、Capital Region、丹麦、3400
- 尚未招聘
- Nordsjællands Hospital
-
接触：
- Gitte Hedermann, Associate Professor
- 电话号码：+2520773779
- 邮箱：gitte.hedermann.christensen@regionh.dk
-
-
København Ø
-
Copenhagen、København Ø、丹麦、2100
- 招聘中
- Rigshospitalet
-
接触：
- Martin Tolsgaard, professor,, Medical doctor, Ph.D
- 电话号码：+4520773779
- 邮箱：martin.groennebaek.tolsgaard@regionh.dk
-
Copenhagen、København Ø、丹麦、2100
- 邀请报名
- 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
- 孩子
- 成人
- 年长者
接受健康志愿者
是的
描述
临床目标人群：医疗专业人士和学生，包括但不限于：
- 医学硕士生（正在攻读硕士学位）。
- 妇产科的住院医师和高级顾问。
排除标准：
- 如果参与者不懂或不讲丹麦语或英语
孕妇：
纳入标准：
- 孕前BMI < 40
- 单胎妊娠
- 引产时孕周 ≥ 37+0
- 胎膜完整（以确保羊水指数一致）
排除标准：
- 主要胎儿解剖结构异常
- 羊水过少（DVP < 2 cm）
- CPR比率 < 第2.5百分位数
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 |
|---|---|
|
无干预：对照组
对照组参与者使用标准手动技术进行胎儿生物测量，没有任何人工智能辅助。
|
|
|
实验性的：人工智能干预组
该软件提供实时“交通灯”或基于分数的反馈，以验证是否已达到正确的解剖平面（BPD、HC、AC或FL）。
|
干预组的参与者在实时人工智能（AI）反馈软件的辅助下进行胎儿生物测量。
|
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 |
|---|---|---|
|
评估使用AI反馈与标准扫描相比，在超声测量准确性方面对变化的敏感性
大体时间：这两次扫描将在14天的时间范围内完成。
|
平均绝对百分比误差（MAPE），定义为人工智能辅助和手动胎儿生物测量中，预估胎儿体重（EFW）与实际出生体重（ABW）之间的绝对差值除以实际出生体重，并以百分比表示。
|
这两次扫描将在14天的时间范围内完成。
|
次要结果测量
结果测量 |
措施说明 |
大体时间 |
|---|---|---|
|
操作效能
大体时间：扫描持续时间，最长30分钟
|
扫描持续时间（秒）将被建模为因变量，以评估人工智能反馈的时间影响。
|
扫描持续时间，最长30分钟
|
|
认知与生理负荷
大体时间：在超声检查程序（GSR）期间以及程序结束后立即（NASA-TLX），总共约30分钟。
|
NASA-TLX（主观）和 GSR（客观）数据都将被建模为因变量。
这些分析将确定 AI 干预是否显著改变手术过程中的心理努力或自主神经应激反应。
|
在超声检查程序（GSR）期间以及程序结束后立即（NASA-TLX），总共约30分钟。
|
|
测量偏差：
大体时间：从研究前扫描到研究扫描的持续时间。
|
参与者的EFW与经验丰富的临床医生进行的基线EFW之间的绝对差异将被建模，以评估AI是否减少了观察者间的变异性。
|
从研究前扫描到研究扫描的持续时间。
|
|
图像质量
大体时间：直至研究完成，平均为1年。
|
Salomon质量评分采用16点胎儿生物测量平面质量量表，对比AI辅助与人工超声采集。该量表范围从0到16，分数越高表示解剖平面质量越好。
|
直至研究完成，平均为1年。
|
|
AI介导的准确性提升的经验阈值
大体时间：直至研究完成，平均为期1年。
|
操作者经验（连续变量，经验水平）与干预方式（AI辅助 vs 手动）对平均绝对百分比误差（MAPE）的估计交互效应，以及调整后两组间MAPE差异不再具有统计学显著性时所对应的经验水平。
|
直至研究完成，平均为期1年。
|
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。
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)
2026年3月1日
初级完成 (估计的)
2027年3月1日
研究完成 (估计的)
2027年3月1日
研究注册日期
首次提交
2026年2月26日
首先提交符合 QC 标准的
2026年3月12日
首次发布 (实际的)
2026年3月17日
研究记录更新
最后更新发布 (实际的)
2026年8月6日
上次提交的符合 QC 标准的更新
2026年8月4日
最后验证
2026年8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.