Forbedring av diagnostisk nøyaktighet ved bruddidentifikasjon på muskuloskeletale røntgenbilder ved bruk av dyp læring: en retrospektiv studie med flere lesere
16. mars 2026 oppdatert av: Carebot s.r.o.
Denne retrospektive studien tar sikte på å evaluere effektiviteten til kunstig intelligens (AI) for å identifisere brudd på muskel- og skjelettrøntgen.
Ved å sammenligne ytelsen til en dyplærings-AI-modell med den til erfarne radiologer, søker vi å forstå hvordan AI kan bidra til å forbedre brudddeteksjonsnøyaktigheten i kliniske omgivelser.
Studien analyserte 600 røntgenbilder fra både pediatriske og voksne pasienter, med fokus på å identifisere brudd på tvers av forskjellige kroppsdeler, inkludert foten, ankelen, kneet, hånden, håndleddet og mer.
Funnene viser at integrering av AI kan øke radiologers følsomhet for å oppdage frakturer, og potensielt forbedre pasientresultatene ved å redusere antall tapte skader.
Studieoversikt
Status
Fullført
Forhold
Intervensjon / Behandling
Studietype
Observasjonsmessig
Registrering (Faktiske)
600
Kontakter og plasseringer
Denne delen inneholder kontaktinformasjon for de som utfører studien, og informasjon om hvor denne studien blir utført.
Studiesteder
-
-
Moravskoslezský kraj
-
Frýdek-Místek, Moravskoslezský kraj, Tsjekkia, 73801
- Nemocnice ve Frýdku-Místku, p.o.
-
-
Deltakelseskriterier
Forskere ser etter personer som passer til en bestemt beskrivelse, kalt kvalifikasjonskriterier. Noen eksempler på disse kriteriene er en persons generelle helsetilstand eller tidligere behandlinger.
Kvalifikasjonskriterier
Alder som er kvalifisert for studier
- Barn
- Voksen
- Eldre voksen
Tar imot friske frivillige
Nei
Prøvetakingsmetode
Ikke-sannsynlighetsprøve
Studiepopulasjon
Studien inkluderer en retrospektiv kohort av pediatriske og voksne pasienter som gjennomgikk muskuloskeletale røntgenbilder mellom 20. mars og 8. mai 2023, i et enkeltsentersykehus.
Beskrivelse
Inkluderingskriterier:
- Pasienter i alderen 1 år eller eldre.
- Muskuloskeletale røntgenbilder tilgjengelig i Digital Imaging and Communications in Medicine (DICOM) format.
- Minst ett digitalt vanlig røntgenbilde av en appendikulær kroppsdel, inkludert fot, ankel, kne, hånd, håndledd, albue, skulder eller bekken.
Ekskluderingskriterier:
- Dårlig radiografisk kvalitet som utelukker menneskelig tolkning.
- Røntgenbilder av lumbale, thorax og cervical ryggraden, eller ansikts-/nesebein.
- Røntgenbilder som ikke oppfyller inklusjonskriteriene for appendikulære kroppsdeler.
Studieplan
Denne delen gir detaljer om studieplanen, inkludert hvordan studien er utformet og hva studien måler.
Hvordan er studiet utformet?
Designdetaljer
Kohorter og intervensjoner
Gruppe / Kohort |
Intervensjon / Behandling |
|---|---|
|
Røntgenbilder analysert ved hjelp av AI og radiologgjennomgang
Denne kohorten består av 600 røntgenbilder samlet inn fra pediatriske og voksne pasienter, i alderen 1 til 99 år, som gjennomgikk røntgenbilder for muskel- og skjelettlidelser.
Røntgenbildene inkluderer ulike kroppsdeler som fot, ankel, kne, hånd, håndledd, albue, skulder og bekken.
Frakturer var tilstede i 95 tilfeller, mens 453 tilfeller viste ingen brudd.
|
Bruken av en dyp læringsbasert kunstig intelligens-programvare, Carebot AI Bones versjon 1.2.2, designet for å hjelpe til med påvisning av brudd på muskel- og skjelettrøntgenbilder.
AI-modellen analyserer digitale røntgenbilder for å identifisere brudd, og fremhever områder av interesse med avgrensende bokser.
|
Hva måler studien?
Primære resultatmål
Resultatmål |
Tiltaksbeskrivelse |
Tidsramme |
|---|---|---|
|
Følsomhet av AI-modell sammenlignet med radiologer i brudddeteksjon på muskel-skjelett-røntgenstråler
Tidsramme: Fra mars 2023 til mai 2023 (retrospektiv analyseperiode)
|
Dette utfallet måler sensitiviteten til AI-modellen (Carebot AI Bones 1.2.2) for å oppdage brudd på muskel-skjelettrøntgen, sammenlignet med følsomheten til radiologer med varierende erfaringsnivå.
Sensitiviteten beregnes som andelen sanne positive frakturtilfeller identifisert av AI-modellen og radiologer av alle bekreftede frakturtilfeller.
|
Fra mars 2023 til mai 2023 (retrospektiv analyseperiode)
|
Samarbeidspartnere og etterforskere
Det er her du vil finne personer og organisasjoner som er involvert i denne studien.
Sponsor
Studierekorddatoer
Disse datoene sporer fremdriften for innsending av studieposter og sammendragsresultater til ClinicalTrials.gov. Studieposter og rapporterte resultater gjennomgås av National Library of Medicine (NLM) for å sikre at de oppfyller spesifikke kvalitetskontrollstandarder før de legges ut på det offentlige nettstedet.
Studer hoveddatoer
Studiestart (Faktiske)
20. mars 2023
Primær fullføring (Faktiske)
15. juli 2024
Studiet fullført (Faktiske)
15. juli 2024
Datoer for studieregistrering
Først innsendt
14. oktober 2024
Først innsendt som oppfylte QC-kriteriene
14. oktober 2024
Først lagt ut (Faktiske)
16. oktober 2024
Oppdateringer av studieposter
Sist oppdatering lagt ut (Faktiske)
18. mars 2026
Siste oppdatering sendt inn som oppfylte QC-kriteriene
16. mars 2026
Sist bekreftet
1. mars 2026
Mer informasjon
Begreper knyttet til denne studien
Ytterligere relevante MeSH-vilkår
Andre studie-ID-numre
- CB-BONES-01-FM
Plan for individuelle deltakerdata (IPD)
Planlegger du å dele individuelle deltakerdata (IPD)?
NEI
IPD-planbeskrivelse
På grunn av personvernhensyn og den retrospektive karakteren til studien, vil ikke individuelle deltakerdata (IPD) bli delt.
Data som samles inn inneholder sensitiv medisinsk informasjon som er beskyttet under konfidensialitetsavtaler og GDPR-forskrifter.
Legemiddel- og utstyrsinformasjon, studiedokumenter
Studerer et amerikansk FDA-regulert medikamentprodukt
Nei
Studerer et amerikansk FDA-regulert enhetsprodukt
Nei
Denne informasjonen ble hentet direkte fra nettstedet clinicaltrials.gov uten noen endringer. Hvis du har noen forespørsler om å endre, fjerne eller oppdatere studiedetaljene dine, vennligst kontakt register@clinicaltrials.gov. Så snart en endring er implementert på clinicaltrials.gov, vil denne også bli oppdatert automatisk på nettstedet vårt. .