AI-ondersteunde detectie van fracturen op röntgenstralen (FRACT-AI) (FRACT-AI)

Dit onderzoek is als deelonderzoek toegevoegd aan het Simulation Training for Emergency Department Imaging 2-onderzoek (ClinicalTrials.gov ID NCT05427838). Dit werk heeft tot doel de impact te evalueren van een door kunstmatige intelligentie (AI) verbeterd algoritme genaamd Boneview op de diagnostische nauwkeurigheid van artsen bij de detectie van fracturen op gewone XR (röntgenfoto's). De studie zal een dataset creëren van 500 gewone röntgenfoto's met standaardbeelden van alle botten behalve de schedel en de cervicale wervelkolom, waarbij 50% normale gevallen en 50% fracturen bevatten. Een senior radioloogpanel zal voor elk beeld een referentie-'grondwaarheid' vaststellen om de aanwezigheid of afwezigheid van een fractuur te bevestigen. Deze dataset zal vervolgens worden afgeleid door het Gleamer Boneview-algoritme om fracturen te identificeren. De prestaties van het algoritme zullen worden vergeleken met de referentiestandaard. De studie zal vervolgens een Multiple-Reader Multiple-Case-studie uitvoeren waarin artsen alle beelden interpreteren zonder AI en vervolgens met toegang tot de output van het AI-algoritme. Er zullen 18 artsen als lezers worden gerekruteerd, met drie uit elk van de zes verschillende klinische groepen: Spoedeisende Geneeskunde, Trauma en Orthopedische Chirurgie, Spoedeisende Verpleegkundigen, Fysiotherapie, Radiologie en Radiografen, met drie niveaus van anciënniteit in elke groep. Veranderingen in de nauwkeurigheid van de rapportage (gevoeligheid, specificiteit), vertrouwen en snelheid van lezers in twee sessies zullen worden vergeleken. De resultaten zullen worden geanalyseerd in een gepoolde analyse voor alle lezers en voor de volgende subgroepen: klinische rol, anciënniteitsniveau, pathologische bevindingen, moeilijkheidsgraad van het beeld. Het onderzoek zal de impact van een AI-interpretatie aantonen in vergelijking met interpretatie door artsen, en in vergelijking met artsen die de AI gebruiken als aanvulling op hun interpretatie. De studie zal een scala aan professionele achtergronden en ervaringsniveaus binnen het klinische element vertegenwoordigen. Bij het onderzoek zal gebruik worden gemaakt van gewone filmröntgenfoto's die een reeks anatomische weergaven en pathologische presentaties zullen vertegenwoordigen. Röntgenfoto's zullen echter gelijke aantallen pathologische en niet-pathologische röntgenfoto's laten zien, waardoor een gelijk gewicht wordt toegekend aan de beoordeling van specificiteit en gevoeligheid. Er is al ethische goedkeuring verleend en het onderzoek zal worden verspreid via publicatie in peer-reviewed tijdschriften en presentatie op relevante conferenties.