azmed Rayvolve Trauma

1. https://radiology.healthairegister.com/products/azmed-rayvolve/
2. Gasmi I, Calinghen A, Parienti JJ, Belloy F, Fohlen A, Pelage JP. Comparison of diagnostic performance of a deep learning algorithm, emergency physicians, junior radiologists and senior radiologists in the detection of appendicular fractures in children. Pediatr Radiol. 2023 Jul;53(8):1675-1684. doi: 10.1007/s00247-023-05621-w. Epub 2023 Mar 6. PMID: 36877239.
   https://doi.org/10.1007/s00247-023-05621-w
3. Fu T, Viswanathan V, Attia A, Zerbib-Attal E, Kosaraju V, Barger R, Vidal J, Bittencourt LK, Faraji N. Assessing the Potential of a Deep Learning Tool to Improve Fracture Detection by Radiologists and Emergency Physicians on Extremity Radiographs. Acad Radiol. 2024 May;31(5):1989-1999. doi: 10.1016/j.acra.2023.10.042. Epub 2023 Nov 22. PMID: 37993303.
   https://doi.org/10.1016/j.acra.2023.10.042
4. External validation of a commercially available deep learning algorithm
   for fracture detection in children
   Michel Dupuisa, Leo Delbos, Raphael Veilb, Catherine Adamsbauma
   Diagnostic and Interventional Imaging, Volume 103, Issue 3, March 2022, Pages 151-159
   https://doi.org/10.1016/j.diii.2021.10.007
5. Reichert, G.; Bellamine, A.; Fontaine, M.; Naipeanu, B.; Altar, A.; Mejean, E.; Javaud, N.; Siauve, N. How Can a Deep Learning Algorithm Improve Fracture Detection on X-rays in the Emergency Room? J. Imaging 2021, 7, 105.
   https://doi.org/10.3390/jimaging7070105

carebot AI Bones

1. Hruby, R., Kvak, D., Dandar, J., Atakhanova, A., Misar, M., & Dufek, D. (2024). Cross-Center Validation of Deep Learning Model for Musculoskeletal Fracture Detection in Radiographic Imaging: A Feasibility Study. medRxiv, 2024-01. 
   https://doi.org/10.1101/2024.01.17.24301244

carebot AI CXR

1. https://radiology.healthairegister.com/products/carebot-ai-cxr/
2. Kvak, D.; Chromcová, A.; Biroš, M.; Hrubý, R.; Kvaková, K.; Pajdaković, M.; Ovesná, P. Chest X-ray Abnormality Detection by Using Artificial Intelligence: A Single-Site Retrospective Study of Deep Learning Model Performance. BioMedInformatics 2023, 3, 82-101.
   https://doi.org/10.3390/biomedinformatics3010006

Az ESR (Európai Radiológus Társaság) Páciensekkel foglalkozó tanácsadó csoportja (PAG) rendszeresen ülésezik, hozzájárul az oktatási törekvésekhez, a betegek álláspontját képviseli a protokollokkal és a minőséggel kapcsolatos valamennyi ESR tevékenységben.
Az ESR valamennyi irányelve és közzétett tudományos cikkei, protokolljai (pl,: ESR Essentials) ma már tartalmaznak a betegek számára készült összefoglalókat (Patient summary), amelyek a laikus olvasók számára közérthető nyelven összefoglalják a dokumentumok fő üzeneteit. 
Ezekből szemlézve folyamatosan a legfontosabbak:

Cikk: Ebner, R., Sheikh, G.T., Brendel, M. et al. ESR Essentials: role of PET/CT in neuroendocrine tumors—practice recommendations by the European Society for Hybrid, Molecular and Translational Imaging. Eur Radiol (2024).
https://doi.org/10.1007/s00330-024-11095-7

Az ESR (Európai Radiológus Társaság) Páciensekkel foglalkozó tanácsadó csoportja (PAG) rendszeresen ülésezik, hozzájárul az oktatási törekvésekhez, a betegek álláspontját képviseli a protokollokkal és a minőséggel kapcsolatos valamennyi ESR tevékenységben.
Az ESR valamennyi irányelve és közzétett tudományos cikkei, protokolljai (pl,: ESR Essentials) ma már tartalmaznak a betegek számára készült összefoglalókat (Patient summary), amelyek a laikus olvasók számára közérthető nyelven összefoglalják a dokumentumok fő üzeneteit. 
Ezekből szemlézve folyamatosan a legfontosabbak:

Cikk: Ebner, R., Sheikh, G.T., Brendel, M. et al. ESR Essentials: staging and restaging with FDG-PET/CT in oncology—practice recommendations by the European Society for Hybrid, Molecular and Translational Imaging. Eur Radiol (2024).
https://doi.org/10.1007/s00330-024-11094-8