Verbesserung der diagnostischen Genauigkeit bei der Frakturerkennung auf Röntgenaufnahmen des Bewegungsapparates mithilfe von Deep Learning: Eine retrospektive Multi-Reader-Studie
16. März 2026 aktualisiert von: Carebot s.r.o.
Diese retrospektive Studie zielt darauf ab, die Wirksamkeit künstlicher Intelligenz (KI) bei der Identifizierung von Frakturen auf Röntgenaufnahmen des Bewegungsapparates zu bewerten.
Durch den Vergleich der Leistung eines Deep-Learning-KI-Modells mit der Leistung erfahrener Radiologen wollen wir verstehen, wie KI dazu beitragen kann, die Genauigkeit der Frakturerkennung im klinischen Umfeld zu verbessern.
Die Studie analysierte 600 Röntgenaufnahmen von pädiatrischen und erwachsenen Patienten und konzentrierte sich auf die Identifizierung von Frakturen an verschiedenen Körperteilen, darunter Fuß, Knöchel, Knie, Hand, Handgelenk und mehr.
Die Ergebnisse zeigen, dass die Integration von KI die Sensibilität von Radiologen bei der Erkennung von Frakturen erhöhen und möglicherweise die Patientenergebnisse verbessern kann, indem die Anzahl übersehener Verletzungen verringert wird.
Studienübersicht
Status
Abgeschlossen
Bedingungen
Intervention / Behandlung
Studientyp
Beobachtungs
Einschreibung (Tatsächlich)
600
Kontakte und Standorte
Dieser Abschnitt enthält die Kontaktdaten derjenigen, die die Studie durchführen, und Informationen darüber, wo diese Studie durchgeführt wird.
Studienorte
-
-
Moravskoslezský kraj
-
Frýdek-Místek, Moravskoslezský kraj, Tschechien, 73801
- Nemocnice ve Frýdku-Místku, p.o.
-
-
Teilnahmekriterien
Forscher suchen nach Personen, die einer bestimmten Beschreibung entsprechen, die als Auswahlkriterien bezeichnet werden. Einige Beispiele für diese Kriterien sind der allgemeine Gesundheitszustand einer Person oder frühere Behandlungen.
Zulassungskriterien
Studienberechtigtes Alter
- Kind
- Erwachsene
- Älterer Erwachsener
Akzeptiert gesunde Freiwillige
Nein
Probenahmeverfahren
Nicht-Wahrscheinlichkeitsprobe
Studienpopulation
Die Studie umfasst eine retrospektive Kohorte pädiatrischer und erwachsener Patienten, die sich zwischen dem 20. März und dem 8. Mai 2023 einer Röntgenaufnahme des Bewegungsapparates in einem Krankenhaus mit einem einzigen Zentrum unterzogen haben.
Beschreibung
Einschlusskriterien:
- Patienten ab 1 Jahr.
- Röntgenaufnahmen des Bewegungsapparates sind im DICOM-Format (Digital Imaging and Communications in Medicine) verfügbar.
- Mindestens eine digitale Röntgenaufnahme eines appendikulären Körperteils, einschließlich Fuß, Knöchel, Knie, Hand, Handgelenk, Ellenbogen, Schulter oder Becken.
Ausschlusskriterien:
- Schlechte Röntgenqualität, die eine menschliche Interpretation unmöglich macht.
- Röntgenaufnahmen der Lenden-, Brust- und Halswirbelsäule oder der Gesichts-/Nasenknochen.
- Röntgenaufnahmen, die die Einschlusskriterien für appendikuläre Körperteile nicht erfüllen.
Studienplan
Dieser Abschnitt enthält Einzelheiten zum Studienplan, einschließlich des Studiendesigns und der Messung der Studieninhalte.
Wie ist die Studie aufgebaut?
Designdetails
Kohorten und Interventionen
Gruppe / Kohorte |
Intervention / Behandlung |
|---|---|
|
Mithilfe von KI und der Überprüfung durch einen Radiologen analysierte Röntgenbilder
Diese Kohorte besteht aus 600 Röntgenaufnahmen von pädiatrischen und erwachsenen Patienten im Alter von 1 bis 99 Jahren, die sich einer Röntgenuntersuchung wegen Erkrankungen des Bewegungsapparates unterzogen haben.
Die Röntgenaufnahmen umfassen verschiedene Körperteile wie Fuß, Knöchel, Knie, Hand, Handgelenk, Ellenbogen, Schulter und Becken.
In 95 Fällen lagen Frakturen vor, während in 453 Fällen keine Frakturen auftraten.
|
Der Einsatz einer auf Deep Learning basierenden Software für künstliche Intelligenz, Carebot AI Bones Version 1.2.2, die die Erkennung von Frakturen auf Röntgenaufnahmen des Bewegungsapparates unterstützen soll.
Das KI-Modell analysiert digitale Röntgenbilder, um Brüche zu identifizieren, und hebt interessante Bereiche mit Begrenzungsrahmen hervor.
|
Was misst die Studie?
Primäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Empfindlichkeit des KI-Modells im Vergleich zu Radiologen bei der Frakturerkennung auf Röntgenaufnahmen des Bewegungsapparates
Zeitfenster: Von März 2023 bis Mai 2023 (Retrospektiver Analysezeitraum)
|
Dieses Ergebnis misst die Empfindlichkeit des KI-Modells (Carebot AI Bones 1.2.2) bei der Erkennung von Frakturen auf Röntgenaufnahmen des Bewegungsapparates im Vergleich zur Empfindlichkeit von Radiologen mit unterschiedlichem Erfahrungsniveau.
Die Sensitivität wird als Anteil der vom KI-Modell und von Radiologen identifizierten wirklich positiven Frakturfälle an allen bestätigten Frakturfällen berechnet.
|
Von März 2023 bis Mai 2023 (Retrospektiver Analysezeitraum)
|
Mitarbeiter und Ermittler
Hier finden Sie Personen und Organisationen, die an dieser Studie beteiligt sind.
Sponsor
Studienaufzeichnungsdaten
Diese Daten verfolgen den Fortschritt der Übermittlung von Studienaufzeichnungen und zusammenfassenden Ergebnissen an ClinicalTrials.gov. Studienaufzeichnungen und gemeldete Ergebnisse werden von der National Library of Medicine (NLM) überprüft, um sicherzustellen, dass sie bestimmten Qualitätskontrollstandards entsprechen, bevor sie auf der öffentlichen Website veröffentlicht werden.
Haupttermine studieren
Studienbeginn (Tatsächlich)
20. März 2023
Primärer Abschluss (Tatsächlich)
15. Juli 2024
Studienabschluss (Tatsächlich)
15. Juli 2024
Studienanmeldedaten
Zuerst eingereicht
14. Oktober 2024
Zuerst eingereicht, das die QC-Kriterien erfüllt hat
14. Oktober 2024
Zuerst gepostet (Tatsächlich)
16. Oktober 2024
Studienaufzeichnungsaktualisierungen
Letztes Update gepostet (Tatsächlich)
18. März 2026
Letztes eingereichtes Update, das die QC-Kriterien erfüllt
16. März 2026
Zuletzt verifiziert
1. März 2026
Mehr Informationen
Begriffe im Zusammenhang mit dieser Studie
Zusätzliche relevante MeSH-Bedingungen
Andere Studien-ID-Nummern
- CB-BONES-01-FM
Plan für individuelle Teilnehmerdaten (IPD)
Planen Sie, individuelle Teilnehmerdaten (IPD) zu teilen?
NEIN
Beschreibung des IPD-Plans
Aufgrund von Datenschutzbedenken und dem retrospektiven Charakter der Studie werden individuelle Teilnehmerdaten (IPD) nicht weitergegeben.
Die erfassten Daten enthalten sensible medizinische Informationen, die durch Vertraulichkeitsvereinbarungen und DSGVO-Vorschriften geschützt sind.
Arzneimittel- und Geräteinformationen, Studienunterlagen
Studiert ein von der US-amerikanischen FDA reguliertes Arzneimittelprodukt
Nein
Studiert ein von der US-amerikanischen FDA reguliertes Geräteprodukt
Nein
Diese Informationen wurden ohne Änderungen direkt von der Website clinicaltrials.gov abgerufen. Wenn Sie Ihre Studiendaten ändern, entfernen oder aktualisieren möchten, wenden Sie sich bitte an register@clinicaltrials.gov. Sobald eine Änderung auf clinicaltrials.gov implementiert wird, wird diese automatisch auch auf unserer Website aktualisiert .