使用深度学习提高肌肉骨骼射线照片骨折识别的诊断准确性:多读者回顾性研究
2026年3月16日 更新者:Carebot s.r.o.
这项回顾性研究旨在评估人工智能 (AI) 在肌肉骨骼 X 射线识别骨折方面的有效性。
通过将深度学习人工智能模型的性能与经验丰富的放射科医生的性能进行比较,我们试图了解人工智能如何帮助提高临床环境中骨折检测的准确性。
该研究分析了儿童和成人患者的 600 张 X 光片,重点是识别不同身体部位的骨折,包括脚、脚踝、膝盖、手、手腕等。
研究结果表明,整合人工智能可以提高放射科医生检测骨折的灵敏度,从而通过减少漏诊次数来潜在地改善患者的治疗结果。
研究概览
研究类型
观察性的
注册 (实际的)
600
联系人和位置
本节提供了进行研究的人员的详细联系信息,以及有关进行该研究的地点的信息。
学习地点
-
-
Moravskoslezský kraj
-
Frýdek-Místek、Moravskoslezský kraj、捷克语、73801
- Nemocnice ve Frýdku-Místku, p.o.
-
-
参与标准
研究人员寻找符合特定描述的人,称为资格标准。这些标准的一些例子是一个人的一般健康状况或先前的治疗。
资格标准
适合学习的年龄
- 孩子
- 成人
- 年长者
接受健康志愿者
不
取样方法
非概率样本
研究人群
该研究包括2023年3月20日至5月8日期间在单中心医院接受肌肉骨骼X光检查的儿科和成人患者的回顾性队列。
描述
纳入标准:
- 1岁以上患者。
- 肌肉骨骼 X 射线以医学数字成像和通信 (DICOM) 格式提供。
- 至少一张附肢身体部位的数字化平片,包括脚、踝、膝、手、腕、肘、肩或骨盆。
排除标准:
- 射线照相质量差,无法进行人工解读。
- 腰椎、胸椎和颈椎或面部/鼻骨的放射线照片。
- 不符合阑尾身体部位纳入标准的射线照片。
学习计划
本节提供研究计划的详细信息,包括研究的设计方式和研究的衡量标准。
研究是如何设计的?
设计细节
队列和干预
团体/队列 |
干预/治疗 |
|---|---|
|
使用人工智能和放射科医生审查分析射线照片
该队列由从 1 至 99 岁的儿童和成人患者收集的 600 张 X 光照片组成,这些患者接受了肌肉骨骼疾病的 X 射线成像。
X光片包括身体的各个部位,例如脚、踝、膝、手、腕、肘、肩和骨盆。
骨折 95 例,无骨折 453 例。
|
使用基于深度学习的人工智能软件 Carebot AI Bones 1.2.2 版,旨在帮助检测肌肉骨骼射线照片上的骨折。
AI 模型分析数字 X 射线图像以识别骨折,并用边界框突出显示感兴趣的区域。
|
研究衡量的是什么?
主要结果指标
结果测量 |
措施说明 |
大体时间 |
|---|---|---|
|
与放射科医生相比,AI 模型在肌肉骨骼 X 射线骨折检测中的灵敏度
大体时间:2023年3月至2023年5月(回顾分析期)
|
该结果衡量了 AI 模型 (Carebot AI Bones 1.2.2) 在检测肌肉骨骼 X 射线骨折方面的灵敏度,与具有不同经验水平的放射科医生的灵敏度进行比较。
灵敏度计算为由 AI 模型和放射科医生识别出的真阳性骨折病例占所有确诊骨折病例的比例。
|
2023年3月至2023年5月(回顾分析期)
|
合作者和调查者
在这里您可以找到参与这项研究的人员和组织。
研究记录日期
这些日期跟踪向 ClinicalTrials.gov 提交研究记录和摘要结果的进度。研究记录和报告的结果由国家医学图书馆 (NLM) 审查,以确保它们在发布到公共网站之前符合特定的质量控制标准。
研究主要日期
学习开始 (实际的)
2023年3月20日
初级完成 (实际的)
2024年7月15日
研究完成 (实际的)
2024年7月15日
研究注册日期
首次提交
2024年10月14日
首先提交符合 QC 标准的
2024年10月14日
首次发布 (实际的)
2024年10月16日
研究记录更新
最后更新发布 (实际的)
2026年3月18日
上次提交的符合 QC 标准的更新
2026年3月16日
最后验证
2026年3月1日
更多信息
此信息直接从 clinicaltrials.gov 网站检索,没有任何更改。如果您有任何更改、删除或更新研究详细信息的请求,请联系 register@clinicaltrials.gov. clinicaltrials.gov 上实施更改,我们的网站上也会自动更新.