基于深度学习的大脑CT解释算法的影响,在急诊室内内出血的临床决策

科学领域:

• 医疗成像医学成像
• 人工智能在医学中的应用
• 紧急医疗 紧急医疗

背景情况:

• 内出血 (ICH) 是一种危及生命的紧急情况,需要在急诊室 (ED) 快速诊断.
• 深度学习 (DL) 显示出解释非增强型脑CT扫描的前景,但其临床实用性尚不清楚.
• 评估DL算法对临床决策的现实影响至关重要.

研究的目的:

• 评估基于深度学习的内出血检测 (DLHD) 算法对诊断性能和临床决策的影响.
• 为了比较DLHD算法对经验丰富和不经验丰富的紧急医疗专业人员的影响.
• 评估临床决策的一致性,有或没有DLHD协助.

主要方法:

• 使用模拟的临床环境,对10名急诊室专业人员进行了测试.
• 参与者两次审查了非增强型脑CT扫描:一次没有DLHD协助,一次有DLHD协助.
• 分析了诊断性能指标 (灵敏度,特异性,准确性,AUC) 和决策一致性 (kappa统计).

主要成果:

• DLHD对经验丰富的专业人员的诊断性能和决策一致性影响最小.
• 没有经验的专业人士显示,DLHD的敏感性显著增加,但特异性降低.
• 缺乏经验的专业人士的决策一致性较低,更频繁的变化归因于算法错误阳性.

结论:

• 基于深度学习的内出血检测算法根据用户体验产生差异性影响.
• 需要仔细评估和整合,特别是对于经验较少的临床医生来说,以优化DL工具在临床工作流程中的采用.
• 该研究强调了在关键诊断环境中实施AI时了解用户体验的重要性.