机器学习驱动的概率评分提高了诊断的确定性,并降低了疑似周围假肢关节感染的成本

科学领域:

• 整形外科手术 整形外科手术
• 医学诊断 医学诊断 医学诊断
• 人工智能在医学中的应用

背景情况:

• 精确的周围假肢关节感染 (PJI) 诊断是困难的,特别是在培养负的病例中,导致诊断不确定性.
• 当前的诊断方法往往导致医生之间存在高度的犹不决.
• 基于人工智能的概率评分SynTuition被开发用于使用手术前生物标志物帮助PJI诊断.

研究的目的:

• 将SynTuition的诊断性能与疑似PJI的标准医生实践进行比较.
• 评估 SynTuition 在诊断 PJI 的经济影响.
• 评估 SynTuition 在具有挑战性的 PJI 病例中减少诊断不确定性的能力.

主要方法:

• 12名医生诊断出274个疑似PJI的临床细节.
• 使用验证的值将SynTuition概率转换为二进制分类.
• 评估了诊断准确度,一致性,犹率,决策曲线分析和错误诊断成本.

主要成果:

• SynTuition获得了96.0%的同意与专家评判,超过了医生 (90.8%).
• 在模糊的病例中,SynTuition提供了明确的诊断,医生表现出高度的犹 (38-48%).
• SynTuition的净收益更高,预计不必要的修订减少了高达5.8%,每起疑似病例估计节省了4000美元.

结论:

• 与PJI的常规医生实践相比,SynTuition表现出更高的诊断准确性和更低的不确定性.
• 人工智能工具提供了显著的临床和经济优势,特别是在诊断上模糊的PJI病例中.
• 在怀疑PJI诊断时,支持将SynTuition集成到临床决策中.