Förbättra diagnostisk noggrannhet vid frakturidentifiering på muskuloskeletala röntgenbilder med djupinlärning: en retrospektiv studie med flera läsare
16 mars 2026 uppdaterad av: Carebot s.r.o.
Denna retrospektiva studie syftar till att utvärdera effektiviteten av artificiell intelligens (AI) för att identifiera frakturer på muskuloskeletala röntgenstrålar.
Genom att jämföra prestandan för en djupinlärnings-AI-modell med den hos erfarna radiologer försöker vi förstå hur AI kan bidra till att förbättra frakturdetekteringsnoggrannheten i kliniska miljöer.
Studien analyserade 600 röntgenbilder från både pediatriska och vuxna patienter, med fokus på att identifiera frakturer över olika kroppsdelar, inklusive fot, fotled, knä, hand, handled och mer.
Resultaten visar att integrering av AI kan öka radiologernas känslighet för att upptäcka frakturer, vilket potentiellt kan förbättra patientresultaten genom att minska antalet missade skador.
Studieöversikt
Status
Avslutad
Betingelser
Intervention / Behandling
Studietyp
Observationell
Inskrivning (Faktisk)
600
Kontakter och platser
Det här avsnittet innehåller kontaktuppgifter för dem som genomför studien och information om var denna studie genomförs.
Studieorter
-
-
Moravskoslezský kraj
-
Frýdek-Místek, Moravskoslezský kraj, Tjeckien, 73801
- Nemocnice ve Frýdku-Místku, p.o.
-
-
Deltagandekriterier
Forskare letar efter personer som passar en viss beskrivning, så kallade behörighetskriterier. Några exempel på dessa kriterier är en persons allmänna hälsotillstånd eller tidigare behandlingar.
Urvalskriterier
Åldrar som är berättigade till studier
- Barn
- Vuxen
- Äldre vuxen
Tar emot friska volontärer
Nej
Testmetod
Icke-sannolikhetsprov
Studera befolkning
Studien inkluderar en retrospektiv kohort av pediatriska och vuxna patienter som genomgick muskuloskeletala röntgenbilder mellan den 20 mars och den 8 maj 2023, i en sjukhusmiljö.
Beskrivning
Inklusionskriterier:
- Patienter som är 1 år eller äldre.
- Muskuloskeletala röntgenstrålar tillgängliga i formatet Digital Imaging and Communications in Medicine (DICOM).
- Minst en digital vanlig röntgenbild av en appendikulär kroppsdel, inklusive fot, fotled, knä, hand, handled, armbåge, axel eller bäcken.
Uteslutningskriterier:
- Dålig röntgenkvalitet som utesluter mänsklig tolkning.
- Röntgenbilder av länd-, bröst- och halsryggraden eller ansikts-/näsben.
- Röntgenbilder som inte uppfyller inklusionskriterierna för appendikulära kroppsdelar.
Studieplan
Det här avsnittet ger detaljer om studieplanen, inklusive hur studien är utformad och vad studien mäter.
Hur är studien utformad?
Designdetaljer
Kohorter och interventioner
Grupp / Kohort |
Intervention / Behandling |
|---|---|
|
Röntgenbilder analyserade med hjälp av AI och radiologgranskning
Denna kohort består av 600 röntgenbilder insamlade från pediatriska och vuxna patienter, i åldern 1 till 99 år, som genomgick röntgenundersökningar för muskuloskeletala tillstånd.
Röntgenbilderna inkluderar olika kroppsdelar som fot, fotled, knä, hand, handled, armbåge, axel och bäcken.
Frakturer förekom i 95 fall, medan 453 fall inte visade några frakturer.
|
Användningen av en djupinlärningsbaserad programvara för artificiell intelligens, Carebot AI Bones version 1.2.2, utformad för att hjälpa till att upptäcka frakturer på muskuloskeletala röntgenbilder.
AI-modellen analyserar digitala röntgenbilder för att identifiera frakturer och framhäver områden av intresse med avgränsande rutor.
|
Vad mäter studien?
Primära resultatmått
Resultatmått |
Åtgärdsbeskrivning |
Tidsram |
|---|---|---|
|
Känslighet hos AI-modell jämfört med radiologer vid frakturdetektering på muskuloskeletala röntgenstrålar
Tidsram: Från mars 2023 till maj 2023 (retrospektiv analysperiod)
|
Detta utfall mäter känsligheten hos AI-modellen (Carebot AI Bones 1.2.2) för att upptäcka frakturer på muskuloskeletala röntgenstrålar, jämfört med känsligheten hos radiologer med varierande erfarenhetsnivå.
Känsligheten beräknas som andelen sanna positiva frakturfall som identifierats av AI-modellen och radiologer av alla bekräftade frakturfall.
|
Från mars 2023 till maj 2023 (retrospektiv analysperiod)
|
Samarbetspartners och utredare
Det är här du hittar personer och organisationer som är involverade i denna studie.
Sponsor
Studieavstämningsdatum
Dessa datum spårar framstegen för inlämningar av studieposter och sammanfattande resultat till ClinicalTrials.gov. Studieposter och rapporterade resultat granskas av National Library of Medicine (NLM) för att säkerställa att de uppfyller specifika kvalitetskontrollstandarder innan de publiceras på den offentliga webbplatsen.
Studera stora datum
Studiestart (Faktisk)
20 mars 2023
Primärt slutförande (Faktisk)
15 juli 2024
Avslutad studie (Faktisk)
15 juli 2024
Studieregistreringsdatum
Först inskickad
14 oktober 2024
Först inskickad som uppfyllde QC-kriterierna
14 oktober 2024
Första postat (Faktisk)
16 oktober 2024
Uppdateringar av studier
Senaste uppdatering publicerad (Faktisk)
18 mars 2026
Senaste inskickade uppdateringen som uppfyllde QC-kriterierna
16 mars 2026
Senast verifierad
1 mars 2026
Mer information
Termer relaterade till denna studie
Ytterligare relevanta MeSH-villkor
Andra studie-ID-nummer
- CB-BONES-01-FM
Plan för individuella deltagardata (IPD)
Planerar du att dela individuella deltagardata (IPD)?
NEJ
IPD-planbeskrivning
På grund av integritetsproblem och studiens retrospektiva karaktär kommer inte individuella deltagares data (IPD) att delas.
Data som samlas in innehåller känslig medicinsk information som är skyddad enligt sekretessavtal och GDPR-regler.
Läkemedels- och apparatinformation, studiedokument
Studerar en amerikansk FDA-reglerad läkemedelsprodukt
Nej
Studerar en amerikansk FDA-reglerad produktprodukt
Nej
Denna information hämtades direkt från webbplatsen clinicaltrials.gov utan några ändringar. Om du har några önskemål om att ändra, ta bort eller uppdatera dina studieuppgifter, vänligen kontakta register@clinicaltrials.gov. Så snart en ändring har implementerats på clinicaltrials.gov, kommer denna att uppdateras automatiskt även på vår webbplats .