Bedömning av bidraget från ett verktyg för artificiell intelligens för att hjälpa diagnosen av extremitetsfrakturer i nödsituationer hos barn (FRACPED)

Extremitetsfraktur är en vanlig patologi hos barn med trauma. Det representerar det första klagomålet inom traumatologi bland barn i utvecklade länder.

Underlåtenhet att diagnostisera en fraktur på en röntgen kan få allvarliga konsekvenser hos pediatriska patienter, med växande ben, vilket kan leda till försenad behandling, smärta och dålig funktionell återhämtning (med risk för bendeformitet och dålig konsolidering).

Röntgen är det första verktyget som läkare använder för att diagnostisera en fraktur. Däremot kan diagnosen fraktur på akuten vara utmanande. De flesta bilder tolkas och bearbetas av både boende och barnläkare innan radiologerna korrekturläser (oftast dagen efter).

Tidigare studier har rapporterat frekvensen av feldiagnostik vid fraktur av akutläkare från 5 till 15 %.

Ett verktyg för att undersöka vid diagnos av benfrakturer kan vara till hjälp för alla läkare som utsätts för detta tillstånd.

Artificiell intelligens (AI) inom medicinen blomstrar och har redan visat sitt värde när det gäller förebyggande, övervakning och diagnos.

AZMED har skapat RAYVOLVE®, en djupinlärningsalgoritm för att hjälpa läkare att diagnostisera frakturer. RAYVOLVE®-verktyget ansluter till PACS (bildarkiverings- och kommunikationssystem) på alla sjukhus och indikerar, med hjälp av en ram, platsen för en potentiell fraktur.

Verktyget har ännu inte validerats hos pediatriska patienter.

Syftet med detta forskningsprojekt är att utvärdera bidraget från detta artificiella intelligens-baserade verktyg vid diagnos av extremitetsfraktur i pediatrisk population.

Utredarna kommer att studera överensstämmelsen vid diagnos av benfraktur mellan yngre akutläkare som använder RAYVOLVE®-applikationen och seniora radiologer, som guldstandard.