Identifikace parametrů hypospadie pomocí digitální fotografie a umělé inteligence (ASHOKA)

Jedná se o vývojový protokol pro program digitálního rozpoznávání vzorů pro identifikaci různých parametrů hypospadie pomocí umělé neuronové sítě. Populace pro tuto studii jsou děti s podezřením na hypospadii, které jsou přijaty nebo odeslány do nemocnic v Indonésii.

Souhlas s pořízením snímků potřebných ve studii bude získán od rodičů pacientů s hypospadií jako součást standardní péče, která bude použita jako klinická reference. Fotografie pořízené pro tuto studii byly uloženy v šifrované databázi. Kritériem pro zařazení do této studie jsou děti ve věku < 18 let, u kterých je podezření na hypospadii, s kontrolou odpovídající věku. Pacienti s anamnézou opravy hypospadie nebo ti, kteří se odmítli zúčastnit studie, jsou vyloučeni.

Klinické výsledky měřené v této studii jsou:

1. Stav hypospadie: hypospadie nebo nehypospadie
2. Lokalizace masa: glanulární, koronální, distální diafýza, proximální diafýza, penoskrotal
3. Tvar masa: normální, abnormální
4. Kvalita uretrální ploténky: dobrá, špatná
5. Průměr žaludu: v mm
6. Tvar žaludu: normální, abnormální Klinické výsledky byly měřeny před operací a 1 měsíc po operaci

K trénování umělé neuronové sítě byl použit snímek hypospadie a normálního penisu s odpovídající věkovou databází. U každého subjektu byly odebrány tři aspekty zobrazení penisu (ventrální, dorzální a laterální aspekt, který zahrnuje žalud, dřík a šourek). Data byla označena parametry hypospadie: stav hypospadie, umístění masa, tvar masa, kvalita uretrální ploténky, průměr žaludu a tvar žaludu. Data byla nahrána pro trénování umělé neuronové sítě.

U všech analýz klinických výsledků bude dodržován plán statistické analýzy. Kdykoli to bude možné, budou hlášeny standardní chyby, 95% intervaly spolehlivosti a hodnoty P. Intra a interrater analýza bude provedena pomocí Fleiss Kappa statistické analýzy. Údaje se považují za statisticky významné, pokud je p-hodnota menší než 0,05. Kromě toho budou vypočítány hodnoty přesnosti, preciznosti, zapamatovatelnosti a f1, aby bylo možné měřit výkon modelu rozpoznávání.