Denne side blev automatisk oversat, og nøjagtigheden af ​​oversættelsen er ikke garanteret. Der henvises til engelsk version for en kildetekst.

Forbedring af diagnostisk nøjagtighed i frakturidentifikation på muskuloskeletale røntgenbilleder ved hjælp af dyb læring: En retrospektiv undersøgelse med flere læsere

16. marts 2026 opdateret af: Carebot s.r.o.
Denne retrospektive undersøgelse har til formål at evaluere effektiviteten af ​​kunstig intelligens (AI) til at identificere frakturer på muskuloskeletale røntgenstråler. Ved at sammenligne ydeevnen af ​​en deep learning AI-model med den for erfarne radiologer, søger vi at forstå, hvordan AI kan hjælpe med at forbedre frakturdetektionsnøjagtigheden i kliniske omgivelser. Undersøgelsen analyserede 600 røntgenbilleder fra både pædiatriske og voksne patienter med fokus på at identificere frakturer på tværs af forskellige kropsdele, herunder fod, ankel, knæ, hånd, håndled og mere. Resultaterne viser, at integration af kunstig intelligens kan øge radiologers følsomhed til at opdage frakturer, hvilket potentielt kan forbedre patientresultaterne ved at reducere antallet af mistede skader.

Studieoversigt

Status

Afsluttet

Betingelser

Intervention / Behandling

Undersøgelsestype

Observationel

Tilmelding (Faktiske)

600

Kontakter og lokationer

Dette afsnit indeholder kontaktoplysninger for dem, der udfører undersøgelsen, og oplysninger om, hvor denne undersøgelse udføres.

Studiesteder

  • Tjekkiet
    • Moravskoslezský kraj
      • Frýdek-Místek, Moravskoslezský kraj, Tjekkiet, 73801
        • Nemocnice ve Frýdku-Místku, p.o.

Deltagelseskriterier

Forskere leder efter personer, der passer til en bestemt beskrivelse, kaldet berettigelseskriterier. Nogle eksempler på disse kriterier er en persons generelle helbredstilstand eller tidligere behandlinger.

Berettigelseskriterier

Aldre berettiget til at studere

  • Barn
  • Voksen
  • Ældre voksen

Tager imod sunde frivillige

Ingen

Prøveudtagningsmetode

Ikke-sandsynlighedsprøve

Studiebefolkning

Undersøgelsen omfatter en retrospektiv kohorte af pædiatriske og voksne patienter, som har gennemgået muskuloskeletale røntgenbilleder mellem den 20. marts og den 8. maj 2023 på et enkelt-center hospital.

Beskrivelse

Inklusionskriterier:

  • Patienter i alderen 1 år eller ældre.
  • Muskuloskeletale røntgenbilleder tilgængelige i Digital Imaging and Communications in Medicine (DICOM) format.
  • Mindst et digitalt almindeligt røntgenbillede af en appendikulær kropsdel, inklusive fod, ankel, knæ, hånd, håndled, albue, skulder eller bækken.

Ekskluderingskriterier:

  • Dårlig røntgenkvalitet, der udelukker menneskelig fortolkning.
  • Røntgenbilleder af lænde-, thorax- og halshvirvelsøjlen eller ansigts-/næseknogler.
  • Røntgenbilleder, der ikke opfylder inklusionskriterierne for appendikulære kropsdele.

Studieplan

Dette afsnit indeholder detaljer om studieplanen, herunder hvordan undersøgelsen er designet, og hvad undersøgelsen måler.

Hvordan er undersøgelsen tilrettelagt?

Design detaljer

Kohorter og interventioner

Gruppe / kohorte
Intervention / Behandling
Røntgenbilleder analyseret ved hjælp af AI og radiologgennemgang
Denne kohorte består af 600 røntgenbilleder indsamlet fra pædiatriske og voksne patienter i alderen 1 til 99 år, som har gennemgået røntgenbilleder for muskuloskeletale tilstande. Røntgenbillederne omfatter forskellige kropsdele såsom fod, ankel, knæ, hånd, håndled, albue, skulder og bækken. Frakturer var til stede i 95 tilfælde, mens 453 tilfælde ikke viste nogen frakturer.
Diagnostisk test: Carebot AI Bones
Brugen af ​​en deep learning-baseret kunstig intelligens-software, Carebot AI Bones version 1.2.2, designet til at hjælpe med påvisning af brud på muskuloskeletale røntgenbilleder. AI-modellen analyserer digitale røntgenbilleder for at identificere brud og fremhæver interesseområder med afgrænsningsfelter.

Hvad måler undersøgelsen?

Primære resultatmål

Resultatmål
Foranstaltningsbeskrivelse
Tidsramme
Følsomhed af AI-model sammenlignet med radiologer i bruddetektion på muskuloskeletale røntgenstråler
Tidsramme: Fra marts 2023 til maj 2023 (retrospektiv analyseperiode)
Dette resultat måler følsomheden af ​​AI-modellen (Carebot AI Bones 1.2.2) ved påvisning af frakturer på muskuloskeletale røntgenstråler sammenlignet med følsomheden hos radiologer med varierende erfaringsniveau. Sensitiviteten beregnes som andelen af ​​sande positive frakturtilfælde identificeret af AI-modellen og radiologer ud af alle bekræftede frakturtilfælde.
Fra marts 2023 til maj 2023 (retrospektiv analyseperiode)

Samarbejdspartnere og efterforskere

Det er her, du vil finde personer og organisationer, der er involveret i denne undersøgelse.

Sponsor

Carebot s.r.o.

Datoer for undersøgelser

Disse datoer sporer fremskridtene for indsendelser af undersøgelsesrekord og resumeresultater til ClinicalTrials.gov. Studieregistreringer og rapporterede resultater gennemgås af National Library of Medicine (NLM) for at sikre, at de opfylder specifikke kvalitetskontrolstandarder, før de offentliggøres på den offentlige hjemmeside.

Studer store datoer

Studiestart (Faktiske)

20. marts 2023

Primær færdiggørelse (Faktiske)

15. juli 2024

Studieafslutning (Faktiske)

15. juli 2024

Datoer for studieregistrering

Først indsendt

14. oktober 2024

Først indsendt, der opfyldte QC-kriterier

14. oktober 2024

Først opslået (Faktiske)

16. oktober 2024

Opdateringer af undersøgelsesjournaler

Sidste opdatering sendt (Faktiske)

18. marts 2026

Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier

16. marts 2026

Sidst verificeret

1. marts 2026

Mere information

Begreber relateret til denne undersøgelse

Yderligere relevante MeSH-vilkår

Andre undersøgelses-id-numre

  • CB-BONES-01-FM

Plan for individuelle deltagerdata (IPD)

Planlægger du at dele individuelle deltagerdata (IPD)?

INGEN

IPD-planbeskrivelse

På grund af privatlivets fred og undersøgelsens retrospektive karakter vil individuelle deltagerdata (IPD) ikke blive delt. Data indsamlet indeholder følsomme medicinske oplysninger, der er beskyttet i henhold til fortrolighedsaftaler og GDPR-regler.

Lægemiddel- og udstyrsoplysninger, undersøgelsesdokumenter

Studerer et amerikansk FDA-reguleret lægemiddelprodukt

Ingen

Studerer et amerikansk FDA-reguleret enhedsprodukt

Ingen

Disse oplysninger blev hentet direkte fra webstedet clinicaltrials.gov uden ændringer. Hvis du har nogen anmodninger om at ændre, fjerne eller opdatere dine undersøgelsesoplysninger, bedes du kontakte register@clinicaltrials.gov. Så snart en ændring er implementeret på clinicaltrials.gov, vil denne også blive opdateret automatisk på vores hjemmeside .

Kliniske forsøg med Carebot AI Bones

Søg i lignende forsøg

Sponsorer og samarbejdspartnere

Medicinske tilstande

Narkotikainterventioner

CROs by country

CROs in Finland

Betingelser

Sjældne sygdomme

Narkotikainterventioner

Kosttilskud

Sponsor / samarbejdspartnere

Placeringer

Abonner