Abstract
Introduktion
At opretholde et effektivt patientflow på en akutafdeling (ED), samtidig med at den kliniske kvalitet fastholdes, er særligt udfordrende i perioder med højt patientindtag. Fejltolkninger af røntgenbilelder af muskel og skelet, særligt ved frakturdiagnostik, udgør en væsentlig kilde til diagnostiske fejl i ED og kan medføre forsinket behandling og negative konsekvenser for patientforløbet. Kunstig intelligens (AI) har i de seneste år vist betydeligt potentiale som beslutningsstøtteværktøj inden for radiologien og kan bidrage til mere effektive arbejdsgange og reducerede ventetider.
Formål
Formålet med dette studie er at vurdere den diagnostiske nøjagtighed af frakturdiagnoser stillet i akutafdelingen på Odense Universitetshospital (OUH) og at undersøge den potentielle effekt af AI-baseret beslutningsstøtte på den diagnostisk præstation, behovet for revurdering af billeddiagnostik, samt patientflow.
Metode og analyse
Dette prospektive kohortestudie gennemføres på OUH. Denne kohorte består af:
Patienter, der følger gældende klinisk praksis og returneres til ED af radiografen efter røntgenundersøgelsen er foretaget. Alle røntgenundersøgelser analyseres efterfølgende af AI uden indflydelse på patientforløbet.
Alle patienter ≥ 18 år, der henvises til røntgen pga. mistanke om ekstremitetsfraktur, og som ikke kræver yderligere billeddiagnostik efter et normalt røntgenresultat, vil blive inkluderet. Kohorten gennemføres over en periode på otte uger, svarende til den planlagte interventionsperiode i et efterfølgende studie (fase 2). Denne kohorte vil fugnere som kontrolgruppe, til fase 2. En tidligere stikprøve fra OUH indikerer, at op til 640 patienter kan inkluderes i denne periode.
Konklusion
AI-CARE fase 1 vil kvantificere den diagnostiske nøjagtighed blandt klinisk personale i akutafdelingen (ED) på OUH ved frakturdiagnostik på røntgenbilleder, med radiologens rapport som reference-standard.
Sekundært vil studiet bestemme AI-systemets diagnostiske nøjagtighed og beregne den teoretiske påvirkning af patienternes opholdstid (LOS), hvis radiografer med støtte fra AI potentielt kunne udskrive egnede patienter uden frakturer direkte.
Studiets resultater vil blive indsendt til publikation i internationale, peer-reviewede tidsskrifter uanset udfald.
At opretholde et effektivt patientflow på en akutafdeling (ED), samtidig med at den kliniske kvalitet fastholdes, er særligt udfordrende i perioder med højt patientindtag. Fejltolkninger af røntgenbilelder af muskel og skelet, særligt ved frakturdiagnostik, udgør en væsentlig kilde til diagnostiske fejl i ED og kan medføre forsinket behandling og negative konsekvenser for patientforløbet. Kunstig intelligens (AI) har i de seneste år vist betydeligt potentiale som beslutningsstøtteværktøj inden for radiologien og kan bidrage til mere effektive arbejdsgange og reducerede ventetider.
Formål
Formålet med dette studie er at vurdere den diagnostiske nøjagtighed af frakturdiagnoser stillet i akutafdelingen på Odense Universitetshospital (OUH) og at undersøge den potentielle effekt af AI-baseret beslutningsstøtte på den diagnostisk præstation, behovet for revurdering af billeddiagnostik, samt patientflow.
Metode og analyse
Dette prospektive kohortestudie gennemføres på OUH. Denne kohorte består af:
Patienter, der følger gældende klinisk praksis og returneres til ED af radiografen efter røntgenundersøgelsen er foretaget. Alle røntgenundersøgelser analyseres efterfølgende af AI uden indflydelse på patientforløbet.
Alle patienter ≥ 18 år, der henvises til røntgen pga. mistanke om ekstremitetsfraktur, og som ikke kræver yderligere billeddiagnostik efter et normalt røntgenresultat, vil blive inkluderet. Kohorten gennemføres over en periode på otte uger, svarende til den planlagte interventionsperiode i et efterfølgende studie (fase 2). Denne kohorte vil fugnere som kontrolgruppe, til fase 2. En tidligere stikprøve fra OUH indikerer, at op til 640 patienter kan inkluderes i denne periode.
Konklusion
AI-CARE fase 1 vil kvantificere den diagnostiske nøjagtighed blandt klinisk personale i akutafdelingen (ED) på OUH ved frakturdiagnostik på røntgenbilleder, med radiologens rapport som reference-standard.
Sekundært vil studiet bestemme AI-systemets diagnostiske nøjagtighed og beregne den teoretiske påvirkning af patienternes opholdstid (LOS), hvis radiografer med støtte fra AI potentielt kunne udskrive egnede patienter uden frakturer direkte.
Studiets resultater vil blive indsendt til publikation i internationale, peer-reviewede tidsskrifter uanset udfald.
| Bidragets oversatte titel | En prospektiv kohorte studie Protokol - Fase 1: Vurdering af den teoretiske effekt af kunstig intelligens til koordineret allokering og hurtig evaluering (AI-CARE) af frakturer hos patienter på en akutafdeling |
|---|---|
| Originalsprog | Engelsk |
| Publikationsdato | 1. aug. 2025 |
| Udgiver | Syddansk Universitet |
| Antal sider | 29 |
| Status | Udgivet - 1. aug. 2025 |