Clinical Validation of Commercial AI Software for the Detection of Incidental Vertebral Compression Fractures in CT Scans of the Chest and Abdomen
Notice bibliographique
Résumé
Background/Objectives: The objective of this study was to clinically validate the performance of the Nanox.AI HealthOST software in detecting incidental vertebral compression fractures (VCFs) on outpatient chest and abdomen CT scans using sensitivity, specificity, positive predictive value (PPV), and negative predictive value (NPV). A secondary aim was to assess the rate of missed VCFs using initial radiologist reports. Methods: A retrospective analysis was performed on 590 outpatient CT scans. HealthOST, an artificial intelligence solution from Nanox.AI that allows for automated spine analysis using CT images was evaluated against a consensus ground truth established by two radiologists, including a senior musculoskeletal radiologist. Two vertebral body height reduction thresholds were tested: mild (>20%) and moderate (>25%). Original radiologist reports were reviewed to identify missed VCFs. Results: At the 20% threshold, the AI achieved a sensitivity of 92.0%, a specificity of 52.7%, a PPV of 16.5%, and an NPV of 98.5%. At the 25% threshold, sensitivity decreased to 78.0%, while specificity improved to 94.2%, with a PPV of 51.1% and an NPV of 98.2%. The AI identified 88% and 92% of fractures missed by radiologists at the 20% and 25% thresholds, respectively. Conclusions: The Nanox HealthOST AI solution demonstrates potential as an effective screening tool, with threshold selection adaptable to clinical needs with a secondary review by a radiologist that is advisable to ensure diagnostic accuracy. The study further indicates that radiologists often overlook VCFs in reporting non-indicated cases and that AI has a role in enhancing the detection and reporting of vertebral compression fractures in routine clinical practice.
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».