Künstliche Intelligenz zur Verbesserung der ärztlichen Interpretation von Röntgenaufnahmen des Brustkorbs bei atemlosen Patienten (XRAI)

Hintergrund:

Akute Dyspnoe ist ein häufiges Symptom in der Notaufnahme, es gibt jedoch zahlreiche mögliche Differenzialdiagnosen. Die Röntgenaufnahme des Brustkorbs (CXR) ist für die Unterscheidung dieser Diagnosen und die Einleitung einer geeigneten Behandlung von großer Bedeutung, für nicht-radiologische Ärzte ist die Interpretation jedoch schwierig. Radiologische Abteilungen sind mit dem Bedarf konfrontiert, eine ständig steigende Anzahl akut durchgeführter CXRs zu begutachten, was die erforderlichen Ressourcen übersteigt. Daher müssen Notärzte im Akutfall häufig allein den CXR lesen und diagnostizieren. Insgesamt besteht ein ungedeckter Bedarf an Hilfe bei der CXR-Interpretation in der Notaufnahme.

Für die Erkennung pathologischer Befunde wurde eine Software mit künstlicher Intelligenz (KI) zur Interpretation von CXR entwickelt. In dieser Studie besteht das Hauptziel darin, zu untersuchen, ob KI die Diagnose von CXR durch nicht-radiologische Ärzte bei aufeinanderfolgenden dyspnoischen Patienten in der Notaufnahme verbessert.

Die Forscher gehen davon aus, dass KI, die auf Röntgenaufnahmen des Brustkorbs angewendet wird, die diagnostische Genauigkeit der Notärzte bei Patienten mit akuter Dyspnoe verbessert. Die Studie hat das Potenzial, die Implementierung von KI in der klinischen Praxis zu beeinflussen.

Methode:

In einer randomisierten, kontrollierten Cross-Over-Studie und Multi-Reader-Multi-Case-Studie werden insgesamt 33 Notärzte CXRs von 231 prospektiv gesammelten Patienten einschließlich wichtiger Patienteninformationen überprüfen. Jeder Arzt wird die Daten von 46 Patienten überprüfen. In zufälliger Reihenfolge und an zwei verschiedenen Tagen wird jeder CXR einmal mit und einmal ohne KI-Unterstützung überprüft. Jeder Arzt wird gebeten, die Diagnose einer Herzinsuffizienz und einer Lungenentzündung zu beurteilen und zu beurteilen, ob die CXR mit oder ohne akut auffällige Befunde vorliegt. Der Referenzstandard sind die radiologischen Diagnosen, die von zwei unabhängigen Thoraxradiologen erstellt wurden, die für alle klinischen Daten blind waren.

Die Ärzte melden ihre Diagnosen in einem Online-Fragebogen auf Basis von REDCap®. Es werden auch Informationen erfasst, die sich auf die diagnostische Genauigkeit auswirken können, etwa der Bildungsstand und die Erfahrung mit der CXR-Befundung sowie Fragen dazu, wie sicher sich der Arzt seiner vorläufigen Diagnose fühlt. Die Ärzte werden zu ihrem Interesse an, ihren bisherigen Erfahrungen mit und ihren Erwartungen an KI befragt und anschließend eine Bewertung dieser Eigenschaften vorgenommen.