Mejora de la precisión diagnóstica en la identificación de fracturas en radiografías musculoesqueléticas mediante el aprendizaje profundo: un estudio retrospectivo de múltiples lectores
16 de marzo de 2026 actualizado por: Carebot s.r.o.
Este estudio retrospectivo tiene como objetivo evaluar la eficacia de la inteligencia artificial (IA) en la identificación de fracturas en radiografías musculoesqueléticas.
Al comparar el rendimiento de un modelo de IA de aprendizaje profundo con el de radiólogos experimentados, buscamos comprender cómo la IA puede ayudar a mejorar la precisión de la detección de fracturas en entornos clínicos.
El estudio analizó 600 radiografías de pacientes pediátricos y adultos, centrándose en identificar fracturas en diferentes partes del cuerpo, incluidos el pie, el tobillo, la rodilla, la mano, la muñeca y más.
Los hallazgos muestran que la integración de la IA puede aumentar la sensibilidad de los radiólogos a la hora de detectar fracturas, lo que podría mejorar los resultados de los pacientes al reducir el número de lesiones pasadas por alto.
Descripción general del estudio
Estado
Terminado
Condiciones
Intervención / Tratamiento
Tipo de estudio
De observación
Inscripción (Actual)
600
Contactos y Ubicaciones
Esta sección proporciona los datos de contacto de quienes realizan el estudio e información sobre dónde se lleva a cabo este estudio.
Ubicaciones de estudio
-
-
Moravskoslezský kraj
-
Frýdek-Místek, Moravskoslezský kraj, Chequia, 73801
- Nemocnice ve Frýdku-Místku, p.o.
-
-
Criterios de participación
Los investigadores buscan personas que se ajusten a una determinada descripción, denominada criterio de elegibilidad. Algunos ejemplos de estos criterios son el estado de salud general de una persona o tratamientos previos.
Criterio de elegibilidad
Edades elegibles para estudiar
- Niño
- Adulto
- Adulto Mayor
Acepta Voluntarios Saludables
No
Método de muestreo
Muestra no probabilística
Población de estudio
El estudio incluye una cohorte retrospectiva de pacientes pediátricos y adultos que se sometieron a radiografías musculoesqueléticas entre el 20 de marzo y el 8 de mayo de 2023, en un entorno hospitalario de un solo centro.
Descripción
Criterios de inclusión:
- Pacientes de 1 año o más.
- Radiografías musculoesqueléticas disponibles en formato Digital Imaging and Communications in Medicine (DICOM).
- Al menos una radiografía simple digital de una parte apendicular del cuerpo, incluido el pie, el tobillo, la rodilla, la mano, la muñeca, el codo, el hombro o la pelvis.
Criterios de exclusión:
- Mala calidad radiográfica que impide la interpretación humana.
- Radiografías de la columna lumbar, torácica y cervical, o de los huesos faciales/nasales.
- Radiografías que no cumplen con los criterios de inclusión para partes del cuerpo apendiculares.
Plan de estudios
Esta sección proporciona detalles del plan de estudio, incluido cómo está diseñado el estudio y qué mide el estudio.
¿Cómo está diseñado el estudio?
Detalles de diseño
Cohortes e Intervenciones
Grupo / Cohorte |
Intervención / Tratamiento |
|---|---|
|
Radiografías analizadas mediante inteligencia artificial y revisión por radiólogos
Esta cohorte consta de 600 radiografías recopiladas de pacientes pediátricos y adultos, de 1 a 99 años, que se sometieron a imágenes de rayos X por afecciones musculoesqueléticas.
Las radiografías incluyen varias partes del cuerpo como el pie, el tobillo, la rodilla, la mano, la muñeca, el codo, el hombro y la pelvis.
Hubo fracturas en 95 casos, mientras que 453 casos no mostraron fracturas.
|
El uso de un software de inteligencia artificial basado en aprendizaje profundo, Carebot AI Bones versión 1.2.2, diseñado para ayudar en la detección de fracturas en radiografías musculoesqueléticas.
El modelo de IA analiza imágenes de rayos X digitales para identificar fracturas y resalta áreas de interés con cuadros delimitadores.
|
¿Qué mide el estudio?
Medidas de resultado primarias
Medida de resultado |
Medida Descripción |
Periodo de tiempo |
|---|---|---|
|
Sensibilidad del modelo de IA en comparación con los radiólogos en la detección de fracturas en radiografías musculoesqueléticas
Periodo de tiempo: De marzo de 2023 a mayo de 2023 (Periodo de análisis retrospectivo)
|
Este resultado mide la sensibilidad del modelo de IA (Carebot AI Bones 1.2.2) para detectar fracturas en radiografías musculoesqueléticas, en comparación con la sensibilidad de radiólogos con distintos niveles de experiencia.
La sensibilidad se calcula como la proporción de casos de fracturas verdaderamente positivas identificadas por el modelo de IA y los radiólogos de todos los casos de fracturas confirmadas.
|
De marzo de 2023 a mayo de 2023 (Periodo de análisis retrospectivo)
|
Colaboradores e Investigadores
Aquí es donde encontrará personas y organizaciones involucradas en este estudio.
Patrocinador
Fechas de registro del estudio
Estas fechas rastrean el progreso del registro del estudio y los envíos de resultados resumidos a ClinicalTrials.gov. Los registros del estudio y los resultados informados son revisados por la Biblioteca Nacional de Medicina (NLM) para asegurarse de que cumplan con los estándares de control de calidad específicos antes de publicarlos en el sitio web público.
Fechas importantes del estudio
Inicio del estudio (Actual)
20 de marzo de 2023
Finalización primaria (Actual)
15 de julio de 2024
Finalización del estudio (Actual)
15 de julio de 2024
Fechas de registro del estudio
Enviado por primera vez
14 de octubre de 2024
Primero enviado que cumplió con los criterios de control de calidad
14 de octubre de 2024
Publicado por primera vez (Actual)
16 de octubre de 2024
Actualizaciones de registros de estudio
Última actualización publicada (Actual)
18 de marzo de 2026
Última actualización enviada que cumplió con los criterios de control de calidad
16 de marzo de 2026
Última verificación
1 de marzo de 2026
Más información
Términos relacionados con este estudio
Términos MeSH relevantes adicionales
Otros números de identificación del estudio
- CB-BONES-01-FM
Plan de datos de participantes individuales (IPD)
¿Planea compartir datos de participantes individuales (IPD)?
NO
Descripción del plan IPD
Debido a preocupaciones de privacidad y la naturaleza retrospectiva del estudio, no se compartirán los datos de los participantes individuales (IPD).
Los datos recopilados contienen información médica confidencial que está protegida bajo acuerdos de confidencialidad y regulaciones GDPR.
Información sobre medicamentos y dispositivos, documentos del estudio
Estudia un producto farmacéutico regulado por la FDA de EE. UU.
No
Estudia un producto de dispositivo regulado por la FDA de EE. UU.
No
Esta información se obtuvo directamente del sitio web clinicaltrials.gov sin cambios. Si tiene alguna solicitud para cambiar, eliminar o actualizar los detalles de su estudio, comuníquese con register@clinicaltrials.gov. Tan pronto como se implemente un cambio en clinicaltrials.gov, también se actualizará automáticamente en nuestro sitio web. .