Article

Intégrer le Deep Learning aux flux de travail des radiologues pour détecter les fractures

Les équipes de radiologues sont quotidiennement confrontées à des fractures. Une récente étude américaine, menée sur 20 ans, révèle que pour 100 000 années-personnes vécues, 4 017 fractures de tout type se produiront.1 En simplifiant ces chiffres, il existe un risque de fracture de 4,017 % pour chaque année-personne vécue.2 L’étude montre également que l’incidence des fractures augmente avec l’âge, mais que les femmes sont touchées de manière beaucoup plus importante, avec un taux de fractures supérieur de 49 % à celui des hommes.

La prévalence élevée des fractures a un impact économique significatif. Une étude de 2021 montre que, pour les patients qui subissent une chirurgie orthopédique, le revenu annuel du ménage diminue de 5 259 $4 en moyenne. En cause : les coûts restant à charge, les primes d’assurance, la perte de salaire et l’invalidité entraînant une incapacité de travailler.

La détection des fractures grâce à l’IA améliore la vitesse, la précision et la qualité 

Pour lutter contre le fléau des fractures, les prestataires de soins ont besoin d’un puissant outil d’aide au diagnostic, capable de détecter les fractures en temps réel. Cet outil doit être hautement compatible avec l’infrastructure PACS existante, et applicable aux images radiographiques standard acquises chaque jour à travers le monde. 

Picture2.png


L'algorithme de Deep Learning permet de detecter les fractures en temps reel

Edison Ecosystem de GE Healthcare s’est associé à AZmed pour fournir un algorithme de Deep Learning de pointe que les radiologues peuvent utiliser pour optimiser leur flux de travail et détecter en temps réel les fractures sur radiographies. Rayvolve est le premier outil d’IA algorithmique français à avoir reçu le marquage CE pour une utilisation en radiologie5, avec plus de 3 millions de radiographies collectées, étiquetées et utilisées pour entraîner  l’algorithme d’IA. Résultat : une sensibilité de 96 % lors de l’analyse radiographique pour chaque patient, avec une spécificité supérieure à 86 %. 


Rayvolve : Gain de temps, réduction des erreurs et soins de meilleure qualité 

Explorons le flux de travail AZmed Rayvolve. 

Les établissements de santé peuvent acheter et intégrer AZmed Rayvolve à leur infrastructure informatique de santé via la plateforme Edison™ Software Marketplace. Les prestataires peuvent déployer Rayvolve sur le PACS de GE Healthcare grâce à un système d’orchestration, Edison Open AI Orchestration, pour orchestrer l’IA et la déployer sur des serveurs informatiques Cloud, hybrides ou internes. Une fois configuré, AZmed Rayvolve reçoit les radiographies envoyées depuis le PACS, puis les télécharge et les analyse avant de renvoyer les radiographies d’origine avec un doublon en moins d’une seconde. Ce doublon est une image radiographique annotée grâce à l’IA qui offre des informations aux radiologues afin de contribuer à la détection des fractures. 

Les services de radiologie font face à une charge de travail croissante en matière d’interprétation d’images. Cela est principalement dû au manque de temps, les radiologues n’ayant que quelques minutes pour analyser et interpréter les radiographies avant de passer au cas suivant. Mais la pénurie de radiologues y participe également. En adoptant AZmed Rayvolve, les prestataires de soins et les radiologues peuvent réduire de 36 % le temps nécessaire à l’interprétation des radiographies. Mieux encore : la prévalence des erreurs lors de l’analyse et de la détection des fractures sur les radiographies est réduite de 20 %6. La vitesse d’interprétation des images s’en trouve ainsi améliorée, sans sacrifier la qualité, ce qui entraîne une réduction de la charge de travail tout en optimisant les soins prodigués aux patients. 

La principale cause d’erreur de diagnostic dans les services d’urgence est l’incapacité à interpréter correctement les radiographies7. Cela peut entraîner un retard de pris en charge pour les patients souffrant d’une fracture. AZmed Rayvolve aide directement à interpréter les radiographies, ce qui permet de débuter plus rapidement le traitement.  

En résumé, le médecin bénéficie d’un accès transparent aux informations de Rayvolve directement dans son flux de travail, sans avoir à modifier ses habitudes de travail, et sans interactions supplémentaires. 

Rejoignez l’avenir de la radiologie avec AZmed Rayvolve

AZmed Rayvolve offre de nouvelles possibilités aux radiologues désireux d’améliorer le traitement des fractures. En adoptant Rayvolve sur la plateforme Edison™ Software Marketplace de GE Healthcare, les prestataires de soins peuvent optimiser le flux de travail des radiologues grâce à la puissance de l’IA. Grâce au logiciel d’orchestration, Edison Open AI Orchestrator, permettant l’intégration  complète de Rayvolve aux solutions Centricity Open PACS AI et Centricity Universal Viewer de GE Healthcare, les radiologues bénéficient d’un logiciel d’IA capable de réduire les temps d’interprétation de 36 % et les taux d’erreur de 20 %. Les prestataires de soins peuvent facilement orchestrer et héberger AZmed Rayvolve sur site et dans le Cloud ou le Cloud hybride. 
Pour obtenir des informations supplémentaires ou réserver une démonstration, rendez-vous sur la plateforme EdisonTM Software Marketplace

 


1 « Trends in fracture incidence: a population-based study over 20 years ». 2014. National Library Of Medicine. https://pubmed.ncbi.nlm.nih.gov/23959594/ 
2 4 017 fractures divisées par 100 000 années-personnes = 0,04017 fracture pour 1 année-personne OU un risque de 4,017 % pour 1 année-personne. 
3 « Trends in fracture incidence: a population-based study over 20 years ». 2014. National Library Of Medicine. https://pubmed.ncbi.nlm.nih.gov/23959594/ 
4 « Analysis Of Patient Income In The 5 Years Following A Fracture Treated Surgically ». 2021.

5 AZmed Rayvolve : Label CE, non disponible à la vente aux États-Unis. 
6 Étude clinique d’AZmed Rayvolve 
7 Pinto, Antonio. 2018. « Traumatic Fractures In Adults: Missed Diagnosis On Plain Radiographs In The Emergency Department ». Pubmed Central (PMC). https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6179080/  Jama Network. https://jamanetwork.com/journals/jamanetworkopen/fullarticle/2776017