Vurdere AI-støttet brudddeteksjon i akuttmottak

Denne kliniske studien tar sikte på å evaluere kostnadseffektiviteten og arbeidsflyteffekten av AI-assistert brudddeteksjon i en ortopedisk akuttavdeling. Studien er designet som en prospektiv, randomisert, kontrollert studie for å vurdere om integrering av AI-teknologi kan forbedre diagnostisk nøyaktighet, strømlinjeforme arbeidsflyten og redusere helsekostnader sammenlignet med den tradisjonelle diagnostiske tilnærmingen.

Studiemål

Primære mål:

For å vurdere den diagnostiske nøyaktigheten av AI-assistert frakturdeteksjon, målt ved sensitivitet, spesifisitet og arealet under mottakerens driftskarakteristiske kurve (AUC).

For å evaluere virkningen av AI på tiden det tar å etablere en diagnose. For å bestemme potensielle kostnadsbesparelser knyttet til bruk av kunstig intelligens i brudddeteksjon.

Sekundære mål:

Å analysere effekten av AI-støtte på legens tillit til diagnose. Å undersøke ytelsen til AI-systemet på tvers av forskjellige typer brudd og anatomiske steder.

Å vurdere pasientresultater og tilfredshet knyttet til den diagnostiske prosessen.

Studiedesign

Dette er en prospektiv, randomisert, kontrollert studie utført ved en enkeltsenter ortopedisk akuttmottak. Studien inkluderer to parallelle armer:

Kontrollgruppe: Standard diagnostiske prosedyrer uten AI-hjelp. Intervensjonsgruppe: AI-baserte diagnoseverktøy hjelper til med å tolke radiologiske bilder for brudddeteksjon.

Begge gruppene vil følge samme bildediagnostiske protokoll, inkludert standard røntgenavbildning i to plan. AI-programvaren, forhåndsvalidert for brudddeteksjon, vil bli integrert i sykehusets bildearkiverings- og kommunikasjonssystem (PACS).

Intervensjonsdetaljer

AI-systemet (Aidoc) er designet for å identifisere bruddmønstre på røntgenstråler og fremheve områder av potensiell bekymring for legevurdering. Programvaren fungerer i sanntid, og gir oppmerkede bilder til leger. AI-utgangen fungerer som et diagnostisk hjelpemiddel, med endelige diagnoser stilt av den behandlende legen.

Populasjon og prøvetaking

Populasjon: Voksne i alderen 18 år og eldre som møter til legevakten med mistanke om isolerte ekstremitetsbrudd.

Prøvestørrelse: Omtrent 1400 deltakere (700 per gruppe) for å sikre tilstrekkelig statistisk kraft for primære utfall.

Randomisering: Deltakerne vil bli tilfeldig tildelt kontroll- eller intervensjonsgruppen ved å bruke et tildelingsforhold på 1:1. Randomisering vil bli stratifisert etter den behandlende legens erfaringsnivå for å kontrollere for variasjon i diagnostisk nøyaktighet.

Resultatmål

Primære resultatmål:

Diagnostisk nøyaktighet: Sensitivitet, spesifisitet og AUC for AI-assistert versus tradisjonell diagnose.

Tid til diagnose: Total tid fra pasienttriage til endelig diagnose.

Sekundære resultatmål:

Kostnadsanalyse: En detaljert kostnadssammenligning av den diagnostiske prosessen i begge grupper.

Diagnostisk tillit: Vurdert ved hjelp av en Likert-skala fullført av leger etter gjennomgang av hvert enkelt tilfelle.

Pasienttilfredshet: Evaluert gjennom undersøkelser med fokus på den diagnostiske prosessen og tid til resultater.

Studieprosedyrer

Grunnlinjedatainnsamling: Demografi, klinisk historie og aktuelle symptomer vil bli registrert ved registrering. Standard radiologisk avbildning vil bli utført for alle deltakere.

AI-integrasjon (Intervention Group): Radiologiske bilder vil bli behandlet av AI-programvare, som gir kommenterte bilder til leger. AI-assisterte diagnostiske arbeidsflyter vil bli sammenlignet med standard arbeidsflyter.

Resultatvurdering: Alle diagnoser vil bli vurdert uavhengig av et panel av eksperter, inkludert en erfaren radiolog og ortopedisk kirurg, for å etablere en referansestandard for sammenligning.

Etiske betraktninger

Studien følger prinsippene i Helsinki-erklæringen og har fått godkjenning fra den lokale etiske komiteen. Skriftlig informert samtykke vil bli innhentet fra alle deltakere før påmelding. Data vil bli pseudonymisert for å opprettholde konfidensialitet.

Forventet innvirkning

Denne studien tar sikte på å gi robuste bevis angående effektiviteten til AI for å forbedre diagnostiske arbeidsflyter i akuttmottak. Funn kan informere om fremtidig integrering av AI-verktøy i klinisk praksis, forbedre pasientresultater og optimalisere ressursutnyttelsen i akuttomsorgsmiljøer med store volum.