L’IA nella rilevazione delle fratture

La cura dei traumi nei reparti di emergenza si basa su una rapida e precisa individuazione delle fratture per alleviare il dolore dei pazienti e prevenire complicazioni gravi. È qui che l’intelligenza artificiale (IA) è diventata uno strumento trasformativo che migliora il processo diagnostico e consente un flusso di lavoro clinico fluido.

Numerosi studi evidenziano la capacità dell’IA di rilevare fratture minute che possono passare inosservate. Ad esempio, uno studio presentato al RSNA 2023 ha rilevato che l’IA è stata più efficace dei radiologi nel rilevare fratture comunemente trascurate, suggerendo che l’approccio radiologo + IA potrebbe migliorare la rilevazione. Gli standard nazionali stanno iniziando a riconoscere il ruolo dell’IA nei flussi diagnostici1. L’IA ha mostrato utilità nei contesti di cure urgenti per la rilevazione delle fratture, come evidenziato dal National Institute for Health and Care Excellence (NICE) del Regno Unito. NICE ha approvato Rayvolve®, che comprende quattro verticali — AZtrauma, AZchest, AZmeasuree AZboneage — per la sua capacità di ridurre gli errori diagnostici (nice.org.uk)2.

La rilevazione delle fratture guidata dall’IA non è che un punto di partenza, segnando una nuova soglia per migliorare l’accuratezza diagnostica e accelerare il percorso di cura dei pazienti. Questo articolo esamina come funziona la rilevazione delle fratture con l’IA e i suoi vantaggi in ambito clinico.

Utilizzo dell’IA per la Rilevazione delle Fratture nelle Immagini Mediche

AZtrauma, software IA certificato SaMD per la rilevazione delle fratture sviluppato da AZmed, utilizza algoritmi sofisticati per analizzare e individuare fratture ossee, lussazioni ed effusioni articolari nelle immagini mediche. Sfruttando tecnologie avanzate di deep learning e computer vision, AZtrauma migliora significativamente la produttività e la precisione diagnostica per i radiologi.

Come ausilio alla diagnosi, AZtrauma offre diversi vantaggi rispetto alla diagnostica tradizionale:‍

Tecniche Avanzate di Machine Learning

Il software si basa su reti neurali convoluzionali (CNN), visual trasformers e altri modelli di deep learning, che ne potenziano le capacità. La suite AI Rayvolve® di AZmed è addestrata su uno dei più grandi dataset di immagini radiografiche (oltre 15 milioni) con annotazioni meticolose da parte di radiologi esperti certificati, consentendo all’IA di identificare accuratamente pattern complessi di fratture. Questo addestramento esaustivo trasforma AZtrauma in una risorsa potente.

Il processo di sviluppo del modello comprende:

• Creazione del dataset: raccolta di un vasto insieme di immagini radiografiche, includendo casi con e senza fratture.
• Annotazione: radiologi esperti etichettano le fratture nelle immagini, costituendo una base affidabile per l’addestramento.
• Addestramento del modello: gli algoritmi apprendono a distinguere i pattern di frattura tramite iterazioni basate sui dati annotati.

Validazione: verifica dell’accuratezza e della affidabilità su immagini nuove o non testate.

Vantaggi della rilevazione delle fratture con l’IA

AZtrauma utilizza algoritmi per analizzare le immagini mediche, garantendo un miglior rilevamento delle fratture sottili e una riduzione dei falsi positivi e negativi, assicurando letture costanti tra i casi. Questa velocità e accuratezza permette una prioritizzazione rapida dei casi critici, minimizzando i tempi di attesa e conducendo a trattamenti tempestivi. AZtrauma automatizza compiti di routine, sollevando i radiologi da lavori monotoni, consentendo loro di concentrarsi su casi più complessi, riducendo il burnout e migliorando la produttività del reparto di radiologia.

Al RSNA 2023, il Dr. Sean Raj, Chief Innovation Officer di SimonMed, ha presentato uno studio che convalida le prestazioni di Rayvolve®3. In questo studio, i dati degli esami estratti dal 2022 (senza IA) e dal 2023 (con IA) comprendevano rispettivamente 159.601 e 170.703 esami. I risultati hanno mostrato un miglioramento delle percentuali di rilevazione: 10,4% senza IA vs 11,8% con IA, con un drastico abbattimento del tempo medio di refertazione (TAT) per i casi positivi da 48 ore a 8,3 ore (riduzione media di 39 ore).‍

Implementazione nei contesti sanitari

AZmed fornisce formazione approfondita ai professionisti sanitari sui principi fondamentali dell’IA, tramite l’esperienza diretta con il software AZtrauma, formazione su come leggere i referti assistiti da IA e su come utilizzare queste informazioni nelle decisioni cliniche. AZmed offre tre modelli di implementazione per le diverse esigenze di infrastruttura e sicurezza:

• On‑premise & VPN
• VPN
• Solo on‑premise

Ogni modello è progettato per proteggere i dati dei pazienti e prevenire fughe di dati, fornendo sistemi di rete sicuri e soluzioni di storage controllato. Questa flessibilità permette ai fornitori di assistenza sanitaria di scegliere l’opzione più adatta alla loro infrastruttura esistente e alle politiche di sicurezza.

Integrazione con i sistemi di imaging medico esistenti

AZtrauma si integra perfettamente nei flussi di lavoro ospedalieri, collegandosi direttamente ai sistemi di imaging medico per il rilevamento basato sull'intelligenza artificiale:‍

Processo di identificazione delle fratture in tempo reale

Quando viene acquisita una nuova radiografia:

1. il sistema AI riceve l’immagine;
2. il modello addestrato analizza l’immagine per pattern di frattura;
3. i risultati vengono generati in pochi secondi, evidenziando potenziali aree di frattura,
4. i radiologi rivedono i risultati assistiti dall’IA per l’interpretazione finale.

Conclusione

Utilizzando algoritmi di deep learning addestrati su dataset enormi, AZtrauma analizza le radiografie in pochi secondi per rilevare fratture ossee, anche quelle difficili da interpretare. I benefici di questa tecnologia sono evidenti: maggiore accuratezza diagnostica, risultati più rapidi e possibili risparmi per i sistemi sanitari. Nonostante le promesse, è fondamentale affrontare questioni quali qualità dei dati, bias algoritmico e integrazione nei sistemi sanitari esistenti. AZmed è determinata ad affrontare queste sfide per mantenere elevate performance e affidabilità clinica. Con la ricerca continua, si prevede che tecnologie future ottimizzeranno ulteriormente l’uso dell’IA nella diagnosi delle fratture, ampliando la sua applicabilità e supportando ulteriormente la cura dei pazienti.

Per ulteriori informazioni sulla soluzione AZtrauma, leggi qui le prove cliniche.

AZtrauma è ora installato presso i centri di imaging SimonMed. Guarda l'intervista completa condotta da JT Radiologue: Intervista RSNA 2024 con SimonMed Imaging.

Evidenze Cliniche

‍

Il più vasto studio sulla rilevazione delle fratture con IA mai condotto convalida AZtrauma su 195.706 radiografie muscoloscheletriche provenienti da 26 paesi

Obiettivo

Lo scopo di questa valutazione era analizzare il primo studio internazionale multicentrico della suite IA Rayvolve®, riguardante le sue prestazioni in condizioni reali in diversi contesti clinici e popolazioni di pazienti, con AZtrauma che costituiva la maggior parte del dataset.

Metodi

Dal 2022 ad aprile 2025, sono state raccolte immagini radiografiche da 100 centri medici in 26 paesi e 5 continenti, per un totale di 258.373 immagini. Il dataset AZtrauma ne rappresentava il 75,7%, corrispondente a 195.706 radiografie muscoloscheletriche. Tredici revisori esperti hanno annotato tutte le immagini per consenso secondo un modello di doppia lettura; un terzo revisore ha preso la decisione finale in caso di discordanza. Gli endpoint primari erano l'area sotto la curva (AUC), la sensibilità, la specificità, il valore predittivo positivo (VPP) e il valore predittivo negativo (VPN), con analisi per sottogruppi condotte per fascia d'età, sesso, parte del corpo e paese.

Risultati

AZtrauma ha ottenuto un'AUC complessiva del 98,3% (IC 95%: 98,2%-98,4%), una sensibilità del 97,4%, una specificità del 96,4% e un VPN del 99,7%. L'AUC per le fratture era del 98,7%, con sensibilità e specificità rispettivamente del 98,2% e del 93%. L'AUC per il rilevamento delle lussazioni era del 95,6%, con sensibilità e specificità rispettivamente del 93,4% e del 96,7%. L'AUC per il rilevamento delle effusioni articolari era del 97,5%, con sensibilità e specificità rispettivamente del 96,1% e del 98,8%. È stata osservata una performance robusta ed elevata in tutti i sottogruppi del dataset, incluse tutte le fasce d'età pediatriche, gli over 60 e sia i pazienti maschi che femmine; per tutte le 17 parti del corpo, e in tutte le regioni geografiche, con un'AUC > 96%, una sensibilità > 93% e una specificità > 93%.

Conclusione

Si tratta della validazione più ampia e geograficamente più diversificata mai pubblicata per uno strumento di rilevazione delle fratture con IA. Il dataset AZtrauma ha dimostrato prestazioni costantemente elevate, affidabili e generalizzabili in contesti clinici reali, confermando l'affidabilità di questo strumento di supporto diagnostico per tutte le popolazioni di pazienti, parti del corpo e condizioni di acquisizione delle immagini.

Per saperne di più: Pubblicato su Radiography

Valutazione di uno strumento di deep learning per migliorare la rilevazione delle fratture

Obiettivo

Valutare la performance autonoma di uno strumento AI basato su deep learning su radiografie degli arti e confrontare le performance dei medici nel rilevare fratture con e senza l’aiuto dell’IA.

‍

‍

Metodi

Lo strumento di intelligenza artificiale è stato precedentemente sviluppato utilizzando 132.000 radiografie dello scheletro appendicolare, suddivise in 87% per addestramento, 11% per validazione e 2% per test. Le prestazioni autonome sono state valutate su 2.626 radiografie de-identificate provenienti da una singola istituzione in Ohio, comprendenti almeno 140 esami per regione corporea. Il consenso di tre radiologi muscoloscheletrici (MSK) certificati negli Stati Uniti è stato utilizzato come ground truth.

È stato condotto uno studio retrospettivo multi-lettore, in cui 24 lettori (otto medici di emergenza, otto radiologi non MSK e otto radiologi MSK) hanno identificato fratture in 186 casi durante due sessioni indipendenti, con e senza l’ausilio dell’IA, separate da un periodo di washout di un mese. L’accuratezza (area sotto la curva ROC), la sensibilità, la specificità e il tempo di lettura sono stati confrontati tra le due condizioni (con e senza l’ausilio del modello).

Risultati

Il modello ha raggiunto accuratezza autonoma di 0,986, sensibilità di 0,987 e specificità di 0,885, con alta accuratezza (> 0,95) per parti del corpo, età, genere, viste radiografiche e tipo di scanner. Con l’aiuto dell’IA, l’accuratezza dei lettori è aumentata significativamente e la sensibilità è migliorata da 0,865 a 0,955, con una riduzione media del tempo di lettura di 7,1 secondi (27%) per esame. Quando stratificati per tipo di medico, questo miglioramento è stato maggiore per i medici di emergenza e i radiologi non specializzati in muscoloscheletrico (non-MSK).

Conclusione

Lo strumento di intelligenza artificiale ha dimostrato alta accuratezza autonoma, ha migliorato l’accuratezza diagnostica dei medici e ha ridotto i tempi di interpretazione.

Riferimento: Pubblicato su Academic Radiology

‍

Validazione esterna dell’algoritmo per la rilevazione delle fratture nei bambini

Obiettivo

Condurre una validazione esterna di un algoritmo di deep learning (Rayvolve®) usando radiografie digitali da una coorte reale di bambini presentatisi in pronto soccorso per trauma.

‍

‍

Metodi

Questo studio retrospettivo è stato condotto su 2.634 set di radiografie (5.865 immagini) provenienti da 2.549 bambini (1.459 maschi, 1.090 femmine; età media 8,5 ± 4,5 anni; range: 0–17 anni) indirizzati dal pronto soccorso pediatrico per trauma.

Per ogni set sono stati registrati: la presenza di una o più fratture, il numero di fratture e la loro localizzazione rilevata dai radiologi senior e dall’algoritmo. Utilizzando la diagnosi dei radiologi senior come standard di riferimento, la performance diagnostica dell’algoritmo di deep learning (Rayvolve®) è stata calcolata tramite tre approcci:

1. Approccio di rilevamento: presenza/assenza di frattura come variabile binaria.
2. Approccio di enumerazione: numero esatto di fratture rilevate.
3. Approccio di localizzazione: verifica della corretta localizzazione delle fratture rilevate.

Sono state inoltre eseguite analisi di sottogruppi in base alla presenza o meno di un gesso, alla fascia d’età (0–4 vs. 5–18 anni) e alla regione anatomica.

Risultati

Approccio di rilevamento: l’algoritmo di deep learning ha ottenuto sensibilità 95,7% (IC 95%: 94,0–96,9), specificità 91,2% (IC 95%: 89,8–92,5) e accuratezza 92,6% (IC 95%: 91,5–93,6).

Approcci di enumerazione e localizzazione: l’algoritmo ha ottenuto sensibilità 94,1% (IC 95%: 92,1–95,6), specificità 88,8% (IC 95%: 87,3–90,2) e accuratezza 90,4% (IC 95%: 89,2–91,5) per entrambi gli approcci.

Analisi per sottogruppi di età: l’algoritmo ha mostrato maggiore sensibilità e valore predittivo negativo nel gruppo 5–18 anni rispetto a quello 0–4 anni, sia per l’approccio di rilevamento (P < 0,001 e P = 0,002) sia per gli approcci di enumerazione e localizzazione (P = 0,012 e P = 0,028).

Il valore predittivo negativo elevato è risultato stabile in tutte le analisi di sottogruppo, eccetto nei pazienti con gesso(P = 0,001 per l’approccio di rilevamento e P < 0,001 per gli approcci di enumerazione e localizzazione).

Conclusione

L’algoritmo di deep learning Rayvolve® è molto affidabile per la rilevazione delle fratture nei bambini, in particolare nei pazienti con età superiore a 4 anni e senza gesso.

Riferimento: Pubblicato su Diagnostic and Interventional Imaging

Casi clinici Real‑World con analisi AI di RX

Caso 1: Gomito Pediatrico

Il modulo AZtrauma ha analizzato una serie di tre radiografie del gomito pediatrico per la rilevazione di fratture. Il sistema ha segnalato le tre immagini come sospetto elevato e ha indicato la zona di interesse nell’avambraccio distale, compatibile con una frattura torus (buckle) pediatrica, contribuendo alla prioritizzazione delle immagini nel workflow clinico.

Questo caso, isolato, esemplifica come l’IA nella rilevazione delle fratture possa aiutare a focalizzare l’attenzione su piccole lesioni, che potrebbero non essere immediatamente visibili in articolazioni complesse come il gomito. L’IA ha fornito una localizzazione a livello di pixel dell’area di interesse in modo coerente su tutte e tre le immagini, contribuendo all’interpretazione delle radiografie e potenzialmente migliorando il referto clinico se utilizzata nella pratica quotidiana.‍

Caso 2: Effusione del gomito (Fat Pads)

Una singola radiografia del gomito è stata analizzata utilizzando il modulo Rayvolve® AZtrauma, un sistema di analisi delle fratture basato su IA. È stato rilevato un maggiore sospetto di effusione e sono state evidenziate due regioni di interesse, situate nei fat pad anteriori e posteriori. È stato osservato il cosiddetto “fat pad sign”, che indica la possibilità di una lesione intra-articolare primaria, spesso associata a fratture occulte del gomito.

L’analisi delle fratture con il sistema IA ha permesso ai clinici di identificare segni indiretti di trauma associati a un pattern di effusione articolare e a un’anomalia che potrebbe non essere visibile sulla radiografia standard. Quando sono presenti segni indiretti senza una frattura evidente, i clinici possono completare la valutazione con una TC. È chiaro che l’IA svolge un ruolo nel migliorare la consapevolezza diagnostica, supportare l’interpretazione della radiografia e contribuire alla gestione del paziente nella radiologia muscoloscheletrica.

Caso 3: Frattura di Clavicola e Costole

In questo caso, il modulo AZtrauma ha completato una valutazione di una serie radiografica della spalla e del torace. Il sistema ha identificato una frattura di clavicola evidente alla prima lettura e ha anche rilevato una frattura costale che poteva passare inosservata a causa della sovrapposizione anatomica toracica. Questo mostra come l’IA possa servire da “secondo paio di occhi” aiutando a identificare lesioni multiple in un’unica serie, aumentando l’accuratezza diagnostica e supportando l’efficienza clinica.