Radiographie des Thorax eines 39-jährigen Patienten (links) mit Symptomen einer unteren Atemwegsinfektion. Es besteht eine geringe Strahlentransparenzminderungen in Projektion auf den linken Lungenunterlappen. ChestView identifiziert die Pathologie korrekt (gelbes Kästchen). Das Ergebnis wird auch tabellarisch gelistet (rechts). Neben der vollautomatischen Meldung der Akutpathologie werden weitere bedrohliche Pathologien des Thorax korrekt als negativ bewertet.
Die Radiographie des Thorax wird weltweit als eine häufigsten, wenn nicht der häufigsten radiologischen Untersuchungen überhaupt, sowohl im Akutbetrieb als auch in der elektiven Medizin eingesetzt. Für alle Beteiligten sind die korrekte und reproduzierbare Befunderstellung und die Ergebnisübermittlung von Radiologen an Patienten und Kliniker von eminenter Bedeutung.
Mit grosser Freude präsentieren wir Ihnen ChestView, einen AI-Assistenten für die Radiographie des Thorax.
Warum ChestView bedeutend ist und wie es arbeitet
ChestView stellt einen AI-Assistenten auf Expertenniveau dar, die dank der gemeinsamen Arbeit unseres multidisziplinären Teams aus Entwicklern und Radiologen intensiv getestet wurde.
Mit ChestView werden wesentliche Pathologien des Thorax diagnostiziert. Der Assistent wurde einerseits entwickelt, um die Triage in der Akutmedizin zu unterstützen und andererseits, um die radiologische Arbeit in Hinblick auf Zeitersparnis und erhöhter Genauigkeit zu verbessern.
Wer profitiert
Patienten, Kliniker und Radiologen durch das Erkennen der wichtigsten Thoraxerkrankungen in Bild und Tabelle.
Unsere eigene Erfahrung bei Radailogy
ChestView unterstützt die Erkennung wesentlicher thorakaler Pathologien. Lungenentzündungen werden zwar als Alveolarsysndrom bezeichnet, die Differentialdiagnose hat in unseren eingehenden Tests mit einer hohen Genauigkeit funktioniert. Die Darstellung der Ergebnisse mittels Kästchen und tabellarischer Beschreibung ist für den radiologischen Wissenstransfer an Kliniker und Patienten hilfreich.
Die wissenschaftliche Evidenz
Bennani S, Regnard NE, Lassalle L, Nguyen T, Malandrin C, Koulakian H, Khafagy P, Chassagnon G, Revel MP. Evaluation of radiologists’ performance compared to a deep learning algorithm for the detection of thoracic abnormalities on chest X-ray. In press
Daten zum Upload auf Radailogy
Digitalradiographie des Thorax für Patienten ab 15 Jahren