Диагностическая эффективность искусственного интеллекта при выявлении переломов с помощью ультразвукового исследования: систематический обзор и метаанализ

Введение: Переломы костей часто встречаются при оказании неотложной помощи, а ультразвуковое исследование в месте оказания медицинской помощи (POCUS) становится новым диагностическим инструментом, который может дополнять рентгенографию, а в некоторых случаях — служить её альтернативой. В связи с растущим внедрением моделей искусственного интеллекта в интерпретацию диагностических данных целью настоящего систематического обзора и метаанализа была оценка диагностической эффективности моделей глубокого обучения при выявлении переломов костей на ультразвуковых изображениях с использованием рентгенологических исследований, интерпретированных экспертами, в качестве референсного стандарта.

Методы: Комплексный поиск литературы с момента создания баз данных по 15 августа 2025 года включительно проводили в базах MEDLINE (интерфейс Ovid), Embase (интерфейс Ovid), CINAHL Plus with Full Text (интерфейс EBSCOhost), Web of Science, ACM Digital Library, Scopus и Google Scholar. В обзор включали исследования, в которых оценивали модели глубокого обучения, применяемые к ультразвуковым изображениям или сканированиям, для классификации переломов. В большинстве включённых исследований изучались педиатрические когорты пациентов, обратившихся в отделения неотложной помощи с подозрением на переломы верхней конечности. Объединённые оценки чувствительности и специфичности рассчитывали с использованием двумерной модели случайных эффектов на логит-шкале; строили суммарную характеристическую ROC-кривую (sROC). Риск систематической ошибки оценивали с помощью инструмента Quality Assessment of Diagnostic Accuracy Studies 2 (QUADAS-2).

Результаты: При предварительном поиске литературы выявили 580 публикаций; после удаления дубликатов скринингу подвергли 333 исследования. После оценки 27 полнотекстовых статей в обзор включили 8 исследований. Среди 21 оценки моделей, представленной в 5 исследованиях с извлекаемыми диагностическими данными, объединённая чувствительность составила 0,77 (95% ДИ 0,69–0,83), а объединённая специфичность — 0,90 (95% ДИ 0,86–0,94); общая площадь под суммарной ROC-кривой составила 0,91. При оценке на уровне пациента объединённые чувствительность (0,89; 95% ДИ 0,81–0,94) и специфичность (0,94; 95% ДИ 0,81–0,98) были выше, чем при анализе на уровне видеозаписи.

Выводы: Ультразвуковое исследование с поддержкой искусственного интеллекта демонстрирует многообещающую диагностическую эффективность при выявлении переломов: специфичность в целом высока, тогда как чувствительность варьирует в зависимости от архитектуры модели и анатомической области. В дальнейших исследованиях необходимо уделить приоритетное внимание проспективным исследованиям с внешней валидацией, стандартизированными протоколами получения изображений и клинически значимой отчётностью на уровне пациента.