Artificial intelligence in the interpretation of upper extremity trauma radiographs: a systematic review and meta-analysis
Notice bibliographique
Résumé
Background: Upper extremity fractures represent a significant reason for emergency room visits; however, nonexpert readings commonly lead to diagnostic errors, particularly missed fractures. Artificial intelligence (AI) has emerged as a promising tool to aid in fracture detection, but it has been shown to be comparable to physicians at best, so it remains unclear whether there is value in its increasing implementation. This review aims to analyze the existing literature on AI in the identification and interpretation of upper extremity fractures on x-ray and to assess the diagnostic performance of such AI models. Methods: Three databases were searched (MEDLINE, Embase, and CENTRAL) for studies involving AI and imaging in upper extremity orthopedics. The review was conducted in adherence to the Preferred Reporting Items for Systematic reviews and Meta-Analyses guidelines. Inclusion criteria were papers that (1) investigated fractures of the upper extremity, (2) included the use of AI models to identify or augment the identification of fractures on imaging, identify characteristic of images, or classify images, and (3) assessed X-ray, computed tomography, or magnetic resonance imaging identification of fractures. Exclusion criteria were papers that (1) were not published in English, (2) were case reports, conference abstracts, editorials, or review articles, (3) related to hand and wrist orthopedics, and (4) reported upper extremity data integrated with nonupper extremity data. Data on fracture detection accuracy, area under the curve, sensitivity, and specificity were recorded. The Quality Assessment of Diagnostic Accuracy Studies score was used to conduct a quality assessment of all included studies. A meta-analysis was conducted on the sensitivity, specificity, and AI-reader differences in sensitivity and specificity on relevant studies. Results: = 90.50%), respectively. Discussion: The AI models show promising diagnostic accuracy in the detection of upper extremity fractures, but there is significant variability in the results. Future studies should investigate whether factors such as model type or anatomic location influence accuracy in order to guide physicians on where such models will meet a minimum standard of accuracy.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,008 | 0,002 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».