Nicht-Radiologen in der Notaufnahme profitieren in der Röntgen-Thorax-Befundung deutlich von KI-Unterstützung

Zielsetzung Quantifizierung des klinischen Nutzens einer auf einem convolutional neural network basierenden künstlichen Intelligenz zur Interpretation von Röntgen-Thorax (CXR) in einem Notaufnahmeszenario.

Material und Methoden 563 CXR von Notaufnahmepatienten wurden zweimal retrospektiv von 3 radiologischen Fachärzten (RFÄ), 3 radiologischen Assistenzärzten (RAÄ) und 3 nicht-radiologischen Assistenzärzten aus Chirurgie und Innerer Medizin mit Notaufnahmeerfahrung (NR) bewertet: (1) ohne AI-Unterstützung (-KI), (2) mit AI-Unterstützung durch secondary capture overlays (+KI). Das Vorliegen von vier Pathologien (Pleuraerguss, Pneumothorax, pneumonischen Konsolidierungen, Lungenrundherden) wurde auf einer 5-stüfigen Likert Skala bewertet. Die Bewertungen der RFÄ wurden in 4 binäre Referenzstandards (RFSI-IV) übersetzt (RFS1 – sehr spezifisch, RFS4 – sehr sensitiv). Die Performances von RAÄ und NR wurden mittels ROC-Analysen, Youden statistics und ROC fitting statistisch ausgewertet.

Ergebnisse Im klinisch relevanten RFSIV verbesserte sich der Konsensus der NR +KI bei allen Pathologien signifikant. So betrug die AUC bei der potentiell zeitkritischen Pathologie Pneumothorax -KI 0,846 (0,785-0,907) und +KI (0,947-1,000), was einem Zugewinn an 30% in Sensitivität und 2% in Accuracy bei gleichbleibender Spezifität entsprach. Der größte Effekt zeigte sich für Rundherde, wo die NR die Sensitivität um 53% und die Accuracy um 7% +KI steigern konnten (AUC -KI: 0,723 [0,661-0,785]; +KI: 0,890 [0,848-0,931]). Der Konsensus der RAÄ konnte sich +KI teils leicht, jedoch nicht signifikant verbessern.

Schlussfolgerungen Die Nichtradiologen konnten Performance, Sensitivität und Accuracy in allen vier Pathologien deutlich verbessern. In einem Notaufnahmeszenario ohne 24/7-Abdeckung durch eine radiologische Abteilung oder bei langen Befundungszeiten, kann die vorgestellte KI-Lösung ein gutes klinisches Unterstützungstool (ähnlich einem „second reader“) bieten und so zu einer präziseren Primärdiagnostik und früheren Therapieeinleitung beitragen.

Publication History

Article published online:
12 April 2024