Artificial Intelligence Triage of Urgent Versus Non-Urgent CT Brain Findings to Support Expedited Emergency Department Disposition: A Retrospective Validation Study.

چکیده اصلی

OBJECTIVE: Evaluate the diagnostic accuracy of an artificial intelligence (AI) model for identifying urgent computed tomography brain (CTB) findings in consecutive emergency department (ED) patients and estimate the proportion eligible for expedited disposition. METHODS: We retrospectively analysed 3424 consecutive non-contrast CTB scans from adults presenting to a quaternary ED in 2024. The AI model (Harrison Enterprise CTB) classified each scan as "urgent" or "non-urgent." The reference standard was the index consultant radiologist report alone, classified independently by two emergency physicians with disagreements resolved by a blinded consultant radiologist tiebreak, all blinded to AI output. In a separate post hoc analysis, false negatives were re-adjudicated by a single unblinded assessor with access to the medical record and any subsequent imaging. RESULTS: Of 3424 scans, 253 (7.4%) had urgent findings on the reference standard. AI sensitivity was 85.4% (95% CI 80.0%-89.0%), specificity 69.1% (95% CI 67.0%-71.0%) and negative predictive value (NPV) 98.3% (95% CI 98.0%-99.0%). An estimated 64.0% of encounters were true negatives potentially eligible for expedited disposition. Of 37 false negatives, independent adjudication reclassified 24 as non-urgent, yielding a post hoc sensitivity of 94.3% and NPV of 99.4%. The 13 remaining cases were small or subtle findings. None of the 13 cases required urgent intervention during the index ED presentation. CONCLUSION: The AI model demonstrated high NPV for urgent CTB findings, with no false negative requiring urgent intervention during the index ED presentation. Preliminary results provide the safety rationale to proceed with a prospective trial aiming to incorporate this technology into ED workflows.

ترجمه فارسی چکیده

هدف: ارزیابی دقت تشخیصی یک مدل هوش مصنوعی برای شناسایی یافته‌های اسکن مغزی بدون کنتراست (CTB) اورژانسی در بیماران متوالی اورژانس و برآورد درصدی که واجد تصمیم‌گیری تسریع‌شده هستند. روش‌ها: ما به صورت بازگشت‌پذیر ۳۴۲۴ اسکن CTB بدون کنتراست متوالی از بزرگسالان در یک اورژانس چهارم‌سطحی در سال ۲۰۲۴ تحلیل کردیم. مدل هوش مصنوعی (Harrison Enterprise CTB) هر اسکن را به عنوان «اورژانسی» یا «غیراورژانسی» طبقه‌بندی کرد. استاندارد مرجع گزارش رادیولوژیست مشاور بود که به طور مستقل توسط دو پزشک اورژانس طبقه‌بندی شد و اختلاف‌نظرها توسط یک رادیولوژیست مشاور حذف‌کننده (تایم‌بریک) حل شد، همه آن‌ها ناشناس نسبت به خروجی هوش مصنوعی. در یک تحلیل جداگانه پس از رویداد، مثبت‌های کاذب مجدداً توسط یک ارزیاب ناشناس با دسترسی به سوابق پزشکی و هر تصویربرداری بعدی بازبینی شدند. نتایج: از ۳۴۲۴ اسکن، ۲۵۳ (۷.۴٪) یافته‌های اورژانسی در استاندارد مرجع داشتند. حساسیت هوش مصنوعی ۸۵.۴٪ (۹۵٪ CI ۸۰.۰%-۸۹.۰٪)، ویژگی‌های مثبت ۶۹.۱٪ (۹۵٪ CI ۶۷.۰%-۷۱.۰٪) و مقدار پیش‌بینی منفی (NPV) ۹۸.۳٪ (۹۵٪ CI ۹۸.۰%-۹۹.۰٪) بود. تخمین زده شد که ۶۴.۰٪ از ملاقات‌ها مثبت‌های کاذب بالقوه واجد تصمیم‌گیری تسریع‌شده هستند. از ۳۷ مثبت‌های کاذب، بازبینی مستقل ۲۴ مورد را به عنوان غیراورژانسی بازنویسی کرد که منجر به حساسیت پس از رویداد ۹۴.۳٪ و NPV ۹۹.۴٪ شد. ۱۳ مورد باقی‌مانده یافته‌های کوچک یا ظریفی بودند. هیچ‌کدام از ۱۳ مورد نیازی به مداخله اورژانسی در ملاقات اورژانس اصلی نداشتند. نتیجه‌گیری: مدل هوش مصنوعی NPV بالایی برای یافته‌های CTB اورژانسی نشان داد، با هیچ مثبت کاذبی که نیازی به مداخله اورژانسی در ملاقات اورژانس اصلی داشته باشد. نتایج اولیه مبنای ایمنی را برای پیشبرد یک آزمایش بالینی بالینی فراهم می‌کند که هدف آن ادغام این فناوری در جریان کار اورژانس است.

متن کامل اصلی