使用卷积神经网络预测60岁以下患者急性隔离距离半径骨折的手术与非手术管理

科学领域:

• 整形外科手术 整形外科手术
• 人工智能在医学中的应用
• 放射学 放射学是一门学科.

背景情况:

• 距离半径骨折 (DRF) 是常见的急诊室访问.
• 手术治疗的延迟 (超过14天) 与患者的治疗结果更差以及医疗保健成本增加有关.
• 我们机构目前的转诊流程导致手术平均延误超过19天.

研究的目的:

• 开发一个卷积神经网络 (CNN) 用于自动分析和分类DRFX射线.
• 根据放射数据,预测60岁以下患者的急性孤立DRF是否需要手术或非手术治疗.

主要方法:

• 利用了723对X射线图像 (PA和横向视图) 来自60岁以下的163名急性隔离DRF患者 (2018-2023).
• 训练了一个CNN模型 (七个CNN层,一个完全连接的层,256x256输入大小) 用1.5倍的权重对飞行移位骨折.
• 外科医生的治疗决定作为模型准确性评估的参考标准.

主要成果:

• 优化的CNN模型在预测手术与非手术治疗方面实现了88%的整体准确度和100%的灵敏度.
• 具体的绩效指标包括100%的真实阳性,72.7%的真实阴性,27.3%的假阳性和0%的假阴性率.
• 该模型在分类骨折治疗需求方面表现出高效率.

结论:

• 一个基于CNN的算法,在特定机构的数据上进行训练,可以准确地预测60岁以下患者的DRF手术或非手术治疗.
• 这种人工智能工具有潜力通过识别合适的候选人来加快外科转诊,从而减少治疗延迟和改善患者护理途径.