Vurdering av bidraget til et kunstig intelligensverktøy for å hjelpe diagnostisering av lembrudd i pediatriske nødsituasjoner (FRACPED)

Lembrudd er en vanlig patologi hos barn med traumer. Det representerer den første klagen innen traumatologi blant barn i utviklede land.

Unnlatelse av å diagnostisere et brudd på røntgen kan få alvorlige konsekvenser hos pediatriske pasienter, med voksende bein, som kan føre til forsinket behandling, smerte og dårlig funksjonell restitusjon (med risiko for bendeformitet og dårlig konsolidering).

Røntgen er det første verktøyet som brukes av leger for å diagnostisere et brudd. Diagnosen brudd på legevakten kan imidlertid være utfordrende. De fleste bildene tolkes og behandles av både beboere og barneleger før radiologene korrekturleser (oftest dagen etter).

Tidligere studier har rapportert frekvensen av feildiagnostisering ved brudd hos akuttleger fra 5 til 15 %.

Et verktøy for å undersøke ved diagnostisering av benbrudd kan være nyttig for enhver kliniker som er utsatt for denne tilstanden.

Kunstig intelligens (AI) i medisin blomstrer og har allerede bevist sin verdi når det gjelder forebygging, overvåking og diagnose.

AZMED har laget RAYVOLVE®, en dyp læringsalgoritme for å hjelpe leger med å diagnostisere brudd. RAYVOLVE®-verktøyet kobles til PACS (bildearkiverings- og kommunikasjonssystemet) til ethvert sykehus og indikerer, ved hjelp av en ramme, plasseringen av et potensielt brudd.

Verktøyet er ennå ikke validert hos pediatriske pasienter.

Formålet med dette forskningsprosjektet er å evaluere bidraget til dette kunstig intelligens-baserte verktøyet i diagnostisering av lembrudd i pediatrisk populasjon.

Etterforskerne vil studere samsvaret i diagnostisering av benbrudd mellom de yngre akuttlegene som bruker RAYVOLVE®-applikasjonen og seniorradiologer, som gullstandarden.