Construire ensemble la preuve scientifique de nos solutions IA
Validation internationale multicentrique d’un système de diagnostic IA élargi pour 18 pathologies en radiographie thoracique et ostéo-articulaire
Découvrez la validation multicentrique de l’IA Rayvolve sur 18 pathologies thoraciques et ostéo-articulaires en radiographie, à partir de 21 581 radiographies issues de 52 centres dans 20 pays.
Lire la suitePerformance d’une suite d’IA radiographique complète sur 258 373 radiographies provenant de 26 pays : une évaluation mondiale
Cette étude présente une évaluation rétrospective, internationale et multicentrique à grande échelle d’une suite complète d’IA radiographique dans divers contextes cliniques.
Lire la suiteAméliorer la détection des fractures pédiatriques : évaluation multicentrique d’un modèle d’IA par apprentissage profond et son impact sur la performance des radiologues
Cette étude multicentrique évalue une IA de détection des fractures pédiatriques par apprentissage profond, en mesurant son impact sur la performance des radiologues, la précision diagnostique et le flux de travail en imagerie radiographique de routine.
Lire la suiteÉvaluation des performances d’un algorithme d’intelligence artificielle (IA) dans la détection de pathologies thoraciques sur des radiographies thoraciques
L’objectif de cette étude était d’évaluer la performance des lecteurs dans le diagnostic des anomalies thoraciques sur des radiographies thoraciques standard (CXR), avec et sans outil d’IA, et d’évaluer la performance autonome de Rayvolve dans la détection de pathologies thoraciques sur les CXR.
Lire la suiteÉvaluation du potentiel d’un outil d’apprentissage profond pour améliorer la détection des fractures par les radiologues et les médecins urgentistes sur les radiographies des extrémités
Évaluer les performances autonomes d’un outil de détection des fractures basé sur l’apprentissage profond (DL) sur les radiographies des extrémités et évaluer les performances des radiologues et des médecins urgentistes en matière d’identification des fractures des extrémités avec et sans l’aide DL.
Lire la suiteComparaison des performances diagnostiques d’un algorithme d’apprentissage profond, des médecins urgentistes, des radiologues débutants et des radiologues seniors dans la détection des fractures appendiculaires chez les enfants
Évaluer les performances d’un algorithme d’IA basé sur des réseaux neuronaux profonds pour détecter les fractures appendiculaires traumatiques dans une population pédiatrique. Comparer la sensibilité, la spécificité, la valeur prédictive positive et la valeur prédictive négative de différents lecteurs et de l’algorithme d’IA.
Lire la suiteComment un algorithme d’apprentissage profond peut-il améliorer la détection des fractures sur les radiographies aux urgences ?
L’IA de détection des fractures améliore la précision diagnostique, aidant les radiologues à détecter les fractures plus rapidement grâce à des modèles d’apprentissage profond, pour une meilleure prise en charge des patients.
Lire la suiteValidation externe d’un algorithme d’apprentissage profond disponible dans le commerce pour la détection des fractures chez les enfants
Le but de cette étude était d’effectuer une validation externe d’un algorithme d’apprentissage en profondeur pour l’évaluation des fractures (Rayvolve®) à l’aide de radiographies numériques d’une cohorte réelle d’enfants se présentant régulièrement aux urgences.
Lire la suiteSécurisez chaque interprétation grâce à l'intelligence artificielle
Réservez une démo personnalisée avec notre équipe clinique. Nous vous montrerons comment AZmed s'intègre à votre PACS, comment les résultats de l'IA s'affichent dans votre console d'interprétation, et ce qu'implique un déploiement.
