top of page

Annalise.ai

Das Intelligente KI-Tool für den gesamten radiologischen Workflow

Annalise.ai ist eine der umfassendsten KI-Lösungen für die Radiologie. Sie detektiert bis zu 124 Befunde im Röntgen-Thorax und bis zu 130 Befunde in nativer Schädel-CT.

Annalise.al zielt darauf ab, die globalen Herausforderungen der Radiologie, unter anderem durch Fachkräftemangel, zu meistern, indem Diagnosegenauigkeit und Effizienz unterstützt werden.

Die vielfach ausgezeichneten Lösungen sind in über 40 Ländern für den klinischen Einsatz verfügbar, unter anderem in den USA und der EU. Die Annalise.ai Lösungen sind bereits in einer Vielzahl von Gesundheitssystemen weltweit implementiert.

 

  • 1 in 3 Radiologen in Australien hat Zugriff zu Annalise.al Lösungen

  • 1/3 aller Röntgen-Thorax Untersuchungen in England wird künftig durch Annalise.al
    unterstützt

  • Annalise.ai ist in 40% der öffentlichen Krankenhäuser in Hong Kong in Betrieb

AnnaliseiPad

Annalise.ai - ein KI-Tool für den gesamten radiologischen Workflow

Annalise.ai Lösungen unterstützen den radiologsichen Workflow von der Priorisierung der Fallliste über die Befundung bis hin zum Befundbericht. Sie sind nahtlos in den radiologischen Workflow integriert, intuitiv bedienbar und detektieren insgesamt bis zu 254 Befunde in nativen Schädel-CT Untersuchungen (130 Befunde) und Thorax-Röntgenaufnahmen (124 Befunde). Die Kl-Ergebnisse liegen in kurzer Zeit vor und können noch vor Betrachtung durch den Radiologen automatisiert zur Priorisierung der Fallliste verwendet werden. Dies gilt für kritische Fälle, die schnell befundet werden wollen und auch für unauffällige Fälle, die z.B. für eine automatisierte Befundung identifiziert werden können.

Annalise.ai dient zudem in der Bildbefundung als ein zweites Paar Augen für die Radiologen, indem die Befundung durch die KI-Ergebnisse unterstützt wird. Die KI-Ergebnisse werden in einem interaktiven Viewer gelistet und zudem farblich lokalisiert. Eine Konfidenzanzeige bietet eine zusätzliche Information über die Sicherheit des Modells über das Vorliegen eines Befundes. Als DICOM Secondary Captures können die KI-Ergebnisse zudem dokumentiert werden.

Zuletzt können die Kl-Ergebnisse in das vorliegende Befundberichtssystem übertragen werden. Die Unterstützung der Automatisierung der Berichtserstellung kann hierbei zusätzliche Effizienz schaffen.

Annalise Enterprise CTB

Annalise Enterprise CTB lokalisiert bis zu 130 Befunde in nativer Schädel-CT. Die Kl-Ergebnisse sind in weniger als 2 Minuten verfügbar, können zur Priorisierung der Fallliste automatisiert herangezogen werden und als Tool zur Entscheidungsunterstützung die Effizienz der Befundung steigern.

Produktmerkmale von Annalise Enterprise CTB:

Bis zu 130 Befunde in der nativen Schädel-CT

nahtlose Integration in die Befundungsoberfläche des RIS/PACS

schnelle Auswertung, Ergebnis <2 Minuten verfügbar

Interaktiver Viewer hebt die Lokalisation von Befunden farblich hervor

Ergebnisse können zur Priorisierung der Fallliste zurückgemeldet werden

Konfidenzangabe zur Sicherheit des Modells

Konfigurierbarkeit der Schwellenwerte (Sensitivität/Spezifität) entsprechend klinischen Anforderungen

CE-zertifiziert als Medizinprodukt der Klasse lIb

Annalise CTB Monitor

11%

schnellere Befundung in Validierungsstudie (1)

32%

größere diagnostische Genauigkeit in Validierungsstudie (1)

36%

schnellere Report Turnaround Time für kritische Fälle (2)

1.

Herausragende Ergebnisse in Wettbewerbsvergleich zu intrakraninellen Blutungen & Stroke (3)

Annalise Enterprise CXR

Mit Annalise Enterprise CXR sorgen wir für eine genauere und sicherere Diagnose, denn dank unserer KI-Entscheidungshilfe können 124 Befunde Röntgenbildern im Thoraxbereich in Sekundenschnelle erkannt werden. Gerade im stressigen Klinikalltag sind ein zweites Paar Augen besonders hilfreich, um die höchsten Standards einhalten zu können.

Produktmerkmale von Annalise Enterprise CXR:

Bis zu 124 Befunde für Thorax Aufnahmen

Bis zu 3 Aufnahmen je Studie (inkl. lateraler Aufnahmen)

nahtlose Integration in die Befundungsoberfläche des RIS/PACS

schnelle Auswertung, Ergebnis <20 Sekunden verfügbar

Interaktiver Viewer hebt die Lokalisation von Befunden farblich hervor

Ergebnisse können zur Priorisierung der Fallliste zurückgemeldet werden

Konfidenzangabe zur Sicherheit des Modells

Konfigurierbarkeit der Schwellenwerte (Sensitivität / Spezifität) entsprechend klinischen Anforderungen

CE-zertifiziert als Medizinprodukt der Klasse lIb

Annalise CTB Monitor

45%

größere diagnostische Genauigkeit in Validierungsstudie (4)

12%

schnellere Befundung in Validierungsstudie (4)

21,5%

bestätigter Lungenkrebsfälle im Schnitt 10,5 Monate früher erkannt mit KI (5)

62,3%

der unauffälligen Befunde sicher identifiziert für mögliche Automatisierung (6)

Potentielle Vorteile der Annalise.ai Lösungen in der Routine

Umfassende Abdeckung

Viele mögliche Anwendungsfälle

Intuitives Design, nahtlose Workflow-Integration

Unterstützung bei der Entscheidungsfindung

Verbesserte diagnostische Genauigkeit

Schnelle Verarbeitung

Effizienzsteigerung

Workflow-Optimierung

Kosteneffizienz

Eine starke Basis für eine herausragende KI-Lösung für die Radiologie

Annalise.ai zeichnet sich durch eine besonders große Datenbasis aus. Die Modelle wurden anhand von über 782.000 Röntgen-Thorax Fällen und 229.000 Schädel-CT Untersuchungen trainiert. Untersuchungen waren dabei geographisch, demographisch und auch technologisch heterogen. Die klinischen Fälle wurden von Hand von über 140

Radiologen annotiert.

Das Resultat: eine Abdeckung von 254 Befunden auf höchstem Niveau!

Einfache Integration

Annalise.ai lässt sich nahtlos in Ihre bestehende radiologische Infrastruktur integrieren, beispielsweise in bestehende PACS/RIS-Systeme.

Unsere Experten unterstützen Sie bei Ihrem individuellen Lösungsdesign, der reibungslosen Implementierung und Anpassung an Ihre spezifischen Anforderungen.

Überzeugen Sie Sich selbst

Annalise.ai und RayMedix IT bieten Ihnen verschiedene Möglichkeiten, die Lösungen zu erleben und zu evaluieren. Sprechen Sie uns an.

Referenzen

  1. Buchlak QD et al. European Radiology 34, 810-822 (2024)

  2. Data presented by Jones C et al. at RANZCR 2023, October 20th

  3. Data presented during a Al Face-Off Session at ECR 2023, Vienna

4. Seah, JCY et al. Lancet Digit Health. 2021 Aug;3(8): e496-    e506

5. Presented by Cameron et al. at ECR 2024

6. Plesner LL et al. Radiology. 2024 Aug;312(2):e240272

bottom of page