Dies ist eine Übersichtsseite mit Metadaten zu dieser wissenschaftlichen Arbeit. Der vollständige Artikel ist beim Verlag verfügbar.
Application of Artificial Intelligence in Magnetic Resonance Imaging: Implementation of a Health Technology Assessment (HTA)
0
Zitationen
6
Autoren
2024
Jahr
Abstract
L'implementazione dell'Intelligenza Artificiale (IA) nella Risonanza Magnetica per Immagini (RMI) rappresenta un'importante nel settore sanitario, con potenziali benefici in termini di efficienza e qualità diagnostica. Questo studio ha condotto un'analisi attraverso un modello di Health Technology Assessment (HTA) per valutare l'impatto dell'IA sugli scanner MRI da 1,5 T e 3 T, concentrandosi sulla riduzione dei tempi di acquisizione dell'esame. I risultati mostrano un rapporto costi-benefici favorevole che migliora progressivamente dopo il primo anno di investimento, grazie a un aumento della produttività del reparto. L'aumento degli esami MRI eseguiti contribuisce agli obiettivi delle unità di Radiologia e della direzione ospedaliera di ridurre le liste di attesa. Inoltre, l'IA migliora la qualità delle immagini, fornendo un supporto diagnostico superiore e consente una base di pazienti più ampia, poiché gli esami più rapidi sono meglio tollerati dai pazienti meno collaborativi. Il nostro modello evidenzia quindi i numerosi vantaggi dell'adozione dell'IA nella MRI, sottolineandone la rilevanza per il sistema sanitario regionale e nazionale e la sua capacità di soddisfare gli obiettivi del Piano nazionale 2024-2026 per il miglioramento dei servizi sanitari.
Ähnliche Arbeiten
<i>ATHENA</i>,<i>ARTEMIS</i>,<i>HEPHAESTUS</i>: data analysis for X-ray absorption spectroscopy using<i>IFEFFIT</i>
2005 · 16.028 Zit.
Computed Tomography — An Increasing Source of Radiation Exposure
2007 · 8.600 Zit.
Quantification of coronary artery calcium using ultrafast computed tomography
1990 · 7.624 Zit.
Standardized Myocardial Segmentation and Nomenclature for Tomographic Imaging of the Heart
2002 · 6.903 Zit.
Computational Radiomics System to Decode the Radiographic Phenotype
2017 · 6.240 Zit.