Services d’urgences

qXR par Qure.ai

Le premier outil IA certifié d’interprétation des radios du thorax

Une détection automatique des anomalies thoraciques

Avec 4 millions d’examens réalisés rien qu’en France, les radiographies du thorax restent l’examen d’imagerie le plus courant. Souvent conduits dans des services d’urgences confrontés à une pénurie de radiologues, la lecture des scanners combinant plusieurs zones anatomiques représente un défi majeur et malgré l’expérience des professionnels, elle rencontre de fréquentes erreurs (22% des l’ensemble des erreurs de diagnostic en imagerie médicale).

Imaginez une solution qui détecte chaque anomalie d’une radio de thorax.

Entraîné sur 2.3 millions d’images, qxR est votre assistant radiologue au service d’une détection plus rapide et plus précise des anomalies du thorax, permettant aux radiologues de passer d’un environnement contraint à une classification des patients optimisées.

qXR examine chacune des images pour distinguer celles présentant des risques et localise ces derniers – opacités parenchymateuses pulmonaires, pneumothorax, épanchement pleural, hypertrophie cardiaque ou variations anatomiques de la poitrine – avec la précision d’un radiologue.
L’application génère ensuite un rapport pré-rempli avec les principaux résultats et leurs localisations.

Les avantages

  • Rationalisez votre gestion de flux en vous concentrant sur les résultats à risque.
  • Disposez d’une seconde lecture des radios du thorax.
  • Gagnez du temps dans la rédaction des rapports en les générant automatiquement.
  • Intégrez un outil d’aide au diagnostic dans votre flux de patients.

Publications

  1. United Nations Scientific Committee on the Effects of Atomic Radiation.Sources and Effects of Ionizing Radiation: UNSCEAR 2008 Report. Vol 1. New York, NY: United Nations; 2010.
  2. Forrest JV, Friedman PJ. Radiologic errors in patients with lung cancer. West J Med. 1981; 134:485– 490. PMID: 7257363
  3. Donald J, Barnard SA.Common patterns in 558 diagnostic Radiology Errors.J Med Imaging Radi at Oncol.2012 ; 56(2):173-178. doi:10.1111/j.1754-9485.2012.02348.x
  4. Can Artificial Intelligence Reliably Report Chest X-Rays? Radiologist Validation of an Algorithm trained on 2.3 Million X-Rays. arXiv:1807.07455v2 [cs.CV] 4 Jun 2019
  5. Deep learning in chest radiography: Detection of findings and presence of change. Ramandeep SinghID1,2, Mannudeep K. Kalra1,2, Chayanin NitiwarangkulID1,2,3, John A. Patti1,2, Fatemeh Homayounieh1,2, Atul Padole1,2, Pooja Rao4, Preetham Putha4, Victorine V. Muse1,2, Amita Sharma1,2, Subba R. Digumarthy . PLOS ONE | https://doi.org/10.1371/journal.pone.0204155 October 4, 2018