Kunstig intelligens-baserte modeller for ryggradsfeil auto-analyse

Denne retrospektive studien involverte innsamling av posteroanterior helryggsrøntgenbilder fra 2763 individer ved 5 anerkjente sykehus på fastlands-Kina og 2 sykehus i Hong Kong over en periode fra 1. januar 2012 til 4. april 2021. Røntgenbilder fra Queen Mary Hospital og Duchess of Kent Children's Hospital i Sandy Bay i Hong Kong, kjent som QMH&DKCH-kohorten, ble spesielt brukt til modellutvikling. Innenfor denne kohorten ble 86,5 % (1686 av 1950 pasienter) tilfeldig valgt som treningssett for modellutvikling, mens de resterende 13,5 % (264 pasienter) utgjorde det interne valideringssettet for å sikre at modellens ytelse ble uavhengig testet. I tillegg ble data fra fem fremtredende sykehus i fastlands-Kina samlet inn i eksterne valideringsdatasett for å vurdere modellens effektivitet. Disse sykehusene inkluderte Peking Union Medical College Hospital, Nanfang Hospital, Jishuitan Hospital, Ruijin Hospital og Huashan Hospital. Alle data ble avidentifisert før de ble brukt til modellutvikling og validering. Studien inkluderte deltakere i alderen 10 til 18 år med bekreftet tilstedeværelse eller fravær av ungdoms idiopatisk skoliose (AIS). Demografisk informasjon som alder, kjønn og BMI ble hentet fra medisinske journaler. Eksklusjonskriterier ble brukt for å sikre studiens spesifisitet, og ekskluderte individer med andre typer skoliose, hudsykdommer som kunne påvirke bildediagnostikk, de som ikke var i stand til å stå, og tilfeller der stående bildebehandling ikke var mulig. Studiedesignet, illustrert i figur 1, besto av to hovedfaser: modellutvikling og anvendelse i den virkelige verden. Modellen ble optimalisert og validert ved bruk av QMH&DKCH-kohortdata før den ble distribuert på AlignProCARE-plattformen for klinisk anvendelse på tvers av forskjellige sentre. I den virkelige applikasjonsfasen brukte fem medisinske sentre AlignProCARE-programvaren til å laste opp og analysere pasientrøntgenbilder for diagnostiske formål.