Verbetering van de diagnostische nauwkeurigheid bij de identificatie van fracturen op röntgenfoto's van het bewegingsapparaat met behulp van Deep Learning: een retrospectief onderzoek met meerdere lezers
16 maart 2026 bijgewerkt door: Carebot s.r.o.
Deze retrospectieve studie heeft tot doel de effectiviteit van kunstmatige intelligentie (AI) te evalueren bij het identificeren van fracturen op röntgenfoto's van het bewegingsapparaat.
Door de prestaties van een deep learning AI-model te vergelijken met die van ervaren radiologen, proberen we te begrijpen hoe AI de nauwkeurigheid van fractuurdetectie in klinische omgevingen kan helpen verbeteren.
De studie analyseerde 600 röntgenfoto's van zowel pediatrische als volwassen patiënten, waarbij de nadruk lag op het identificeren van fracturen in verschillende lichaamsdelen, waaronder de voet, enkel, knie, hand, pols en meer.
De bevindingen tonen aan dat de integratie van AI de gevoeligheid van radiologen bij het detecteren van fracturen kan vergroten, waardoor de patiëntresultaten mogelijk kunnen worden verbeterd door het aantal gemiste verwondingen te verminderen.
Studie Overzicht
Toestand
Voltooid
Conditie
Interventie / Behandeling
Studietype
Observationeel
Inschrijving (Werkelijk)
600
Contacten en locaties
In dit gedeelte vindt u de contactgegevens van degenen die het onderzoek uitvoeren en informatie over waar dit onderzoek wordt uitgevoerd.
Studie Locaties
-
-
Moravskoslezský kraj
-
Frýdek-Místek, Moravskoslezský kraj, Tsjechië, 73801
- Nemocnice ve Frýdku-Místku, p.o.
-
-
Deelname Criteria
Onderzoekers zoeken naar mensen die aan een bepaalde beschrijving voldoen, de zogenaamde geschiktheidscriteria. Enkele voorbeelden van deze criteria zijn iemands algemene gezondheidstoestand of eerdere behandelingen.
Geschiktheidscriteria
Leeftijden die in aanmerking komen voor studie
- Kind
- Volwassen
- Oudere volwassene
Accepteert gezonde vrijwilligers
Nee
Bemonsteringsmethode
Niet-waarschijnlijkheidssteekproef
Studie Bevolking
De studie omvat een retrospectief cohort van pediatrische en volwassen patiënten die tussen 20 maart en 8 mei 2023 röntgenfoto's van het bewegingsapparaat ondergingen in een ziekenhuisomgeving met één centrum.
Beschrijving
Inclusiecriteria:
- Patiënten van 1 jaar of ouder.
- Musculoskeletale röntgenfoto's beschikbaar in DICOM-formaat (Digital Imaging and Communications in Medicine).
- Ten minste één digitale gewone röntgenfoto van een appendiculair lichaamsdeel, inclusief de voet, enkel, knie, hand, pols, elleboog, schouder of bekken.
Uitsluitingscriteria:
- Slechte radiografische kwaliteit die menselijke interpretatie onmogelijk maakt.
- Röntgenfoto's van de lumbale, thoracale en cervicale wervelkolom, of gezichts-/neusbeenderen.
- Röntgenfoto's die niet voldoen aan de inclusiecriteria voor appendiculaire lichaamsdelen.
Studie plan
Dit gedeelte bevat details van het studieplan, inclusief hoe de studie is opgezet en wat de studie meet.
Hoe is de studie opgezet?
Ontwerpdetails
Cohorten en interventies
Groep / Cohort |
Interventie / Behandeling |
|---|---|
|
Röntgenfoto's geanalyseerd met behulp van AI en beoordeling door radiologen
Dit cohort bestaat uit 600 röntgenfoto's verzameld bij pediatrische en volwassen patiënten in de leeftijd van 1 tot 99 jaar, die röntgenfoto's ondergingen voor aandoeningen van het bewegingsapparaat.
Op de röntgenfoto's worden verschillende lichaamsdelen opgenomen, zoals de voet, enkel, knie, hand, pols, elleboog, schouder en bekken.
In 95 gevallen waren fracturen aanwezig, terwijl in 453 gevallen geen fracturen vertoonden.
|
Het gebruik van op deep learning gebaseerde kunstmatige intelligentiesoftware, Carebot AI Bones versie 1.2.2, ontworpen om te helpen bij de detectie van fracturen op röntgenfoto's van het bewegingsapparaat.
Het AI-model analyseert digitale röntgenbeelden om breuken te identificeren en interessegebieden te markeren met kaders.
|
Wat meet het onderzoek?
Primaire uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
|---|---|---|
|
Gevoeligheid van AI-model vergeleken met radiologen bij breukdetectie op röntgenfoto's van het bewegingsapparaat
Tijdsspanne: Van maart 2023 tot mei 2023 (analyseperiode met terugwerkende kracht)
|
Deze uitkomst meet de gevoeligheid van het AI-model (Carebot AI Bones 1.2.2) bij het detecteren van fracturen op röntgenfoto’s van het bewegingsapparaat, vergeleken met de gevoeligheid van radiologen met verschillende ervaringsniveaus.
De gevoeligheid wordt berekend als het percentage werkelijk positieve fractuurgevallen geïdentificeerd door het AI-model en radiologen onder alle bevestigde fractuurgevallen.
|
Van maart 2023 tot mei 2023 (analyseperiode met terugwerkende kracht)
|
Medewerkers en onderzoekers
Hier vindt u mensen en organisaties die betrokken zijn bij dit onderzoek.
Sponsor
Studie record data
Deze datums volgen de voortgang van het onderzoeksdossier en de samenvatting van de ingediende resultaten bij ClinicalTrials.gov. Studieverslagen en gerapporteerde resultaten worden beoordeeld door de National Library of Medicine (NLM) om er zeker van te zijn dat ze voldoen aan specifieke kwaliteitscontrolenormen voordat ze op de openbare website worden geplaatst.
Bestudeer belangrijke data
Studie start (Werkelijk)
20 maart 2023
Primaire voltooiing (Werkelijk)
15 juli 2024
Studie voltooiing (Werkelijk)
15 juli 2024
Studieregistratiedata
Eerst ingediend
14 oktober 2024
Eerst ingediend dat voldeed aan de QC-criteria
14 oktober 2024
Eerst geplaatst (Werkelijk)
16 oktober 2024
Updates van studierecords
Laatste update geplaatst (Werkelijk)
18 maart 2026
Laatste update ingediend die voldeed aan QC-criteria
16 maart 2026
Laatst geverifieerd
1 maart 2026
Meer informatie
Termen gerelateerd aan deze studie
Aanvullende relevante MeSH-voorwaarden
Andere studie-ID-nummers
- CB-BONES-01-FM
Plan Individuele Deelnemersgegevens (IPD)
Bent u van plan om gegevens van individuele deelnemers (IPD) te delen?
NEE
Beschrijving IPD-plan
Vanwege privacyoverwegingen en het retrospectieve karakter van het onderzoek worden individuele deelnemersgegevens (IPD) niet gedeeld.
De verzamelde gegevens bevatten gevoelige medische informatie die wordt beschermd op grond van vertrouwelijkheidsovereenkomsten en AVG-voorschriften.
Informatie over medicijnen en apparaten, studiedocumenten
Bestudeert een door de Amerikaanse FDA gereguleerd geneesmiddel
Nee
Bestudeert een door de Amerikaanse FDA gereguleerd apparaatproduct
Nee
Deze informatie is zonder wijzigingen rechtstreeks van de website clinicaltrials.gov gehaald. Als u verzoeken heeft om uw onderzoeksgegevens te wijzigen, te verwijderen of bij te werken, neem dan contact op met register@clinicaltrials.gov. Zodra er een wijziging wordt doorgevoerd op clinicaltrials.gov, wordt deze ook automatisch bijgewerkt op onze website .