Modèle à grande échelle par ultrasons dans le domaine thyroïdien : Une étude multicentrique sur l'intégration médico-ingénierie

L'objectif de cette étude observationnelle est d'évaluer la précision diagnostique et l'intégration dans le flux de travail clinique d'un agent intelligent d'échographie (UIA) pour la prise en charge des maladies thyroïdiennes dans un contexte multicentrique en conditions réelles. La question de recherche principale est :

L'UIA peut-il améliorer la cohérence et l'efficacité diagnostiques pour les nodules thyroïdiens (TI-RADS 1-5), la thyroïdite de Hashimoto et les métastases ganglionnaires cervicales par rapport à l'interprétation échographique traditionnelle ? Les participants incluront des adultes (18-80 ans) subissant une échographie thyroïdienne dans 16 hôpitaux participants à travers la Chine. Les principaux critères d'inclusion couvrent les patients présentant des troubles thyroïdiens suspects nécessitant une imagerie, tandis que les critères d'exclusion concernent une mauvaise qualité d'image ou des essais cliniques concomitants. Plus de 2 000 cas (50 % de nodules thyroïdiens, 30 % de lésions diffuses, 12,5 % d'anomalies non nodulaires, 7,5 % de populations spécifiques) seront inclus prospectivement. La collecte de données intègre des images échographiques statiques/dynamiques, des résultats de laboratoire et des rapports générés par IA. Les critères d'évaluation principaux incluent les métriques de performance du modèle (AUC, sensibilité/spécificité, Kappa TI-RADS ≥0,8), l'efficacité du flux de travail (temps de génération de rapport ≤5 minutes) et les normes de référence spécifiques aux populations pédiatriques/enceintes. Les analyses secondaires évalueront la fiabilité inter-évaluateurs (Kappa de Cohen) et les résultats longitudinaux via un suivi de 6 à 12 mois. Cette étude vise à établir des directives fondées sur des preuves pour le diagnostic thyroïdien assisté par IA, en particulier dans les régions mal desservies, tout en comblant les lacunes des cadres de validation actuels de l'IA liées à la fusion de données multimodales et à l'adaptabilité aux populations spécifiques.