Včasná detekce a AI-řízené zvládání kožních opomíjených tropických nemocí v subsaharské Africe prostřednictvím zdravotníků první linie (SkincAIr)

ABSTRAKT:

Kožní opomíjené tropické nemoci (Skin NTDs) představují významnou výzvu pro veřejné zdraví, celosvětově postihují 1,8 miliardy lidí. Skin NTDs významně ovlivňují marginalizované komunity kvůli několika faktorům, jako je nedostatek vyškoleného zdravotnického personálu a diagnostických nástrojů. V současnosti je většina venkovské populace s kožními onemocněními obsluhována zdravotníky první linie (FHWs) s omezenými dermatologickými znalostmi, a to kvůli nedostatku dermatologů. Nízká prevalence kožních NTD dále komplikuje jejich diagnostiku a rozpoznání zdravotníky první linie. Proto jsou zapotřebí nové inovativní přístupy k budování kapacit a zlepšení diagnostiky kožních NTD. Mobilní zdravotnické (mHealth) intervence, zejména ty, které zahrnují umělou inteligenci (AI), nabízejí slibné řešení pro zlepšení diagnostických schopností zdravotníků první linie. Projekt SkincAIr si klade za cíl vyhodnotit, zda zavedení mobilní aplikace s funkcí AI může zlepšit diagnostickou přesnost (senzitivitu a specificitu) zdravotníků první linie při detekci kožních NTD, a určit, zda si zachovají zlepšené diagnostické dovednosti po odstranění asistence AI, což by naznačovalo potenciální budování kapacit a trvalé zlepšení poskytování zdravotní péče. Ve fázi sběru klinických obrazových dat (36 měsíců) budou dermatologové v 5 zemích (Keňa, Etiopie, Senegal, Demokratická republika Kongo a Nigérie) shromažďovat snímky kožních NTD a dalších kožních stavů (fáze sběru obrazových dat), které budou použity pro trénink a vývoj aplikace SkincAIr, než bude aplikace vyhodnocena mezi zdravotníky první linie během 24měsíční validační studie. Validační studie aplikace bude zahrnovat longitudinální design v rámci subjektů, který zahrne 50 zdravotníků první linie a bude rekrutovat přibližně 750 pacientů s kožními potížemi z oblastí s vysokou zátěží kožních NTD v každé ze 3 zemí (Keňa, Etiopie, Senegal) během 24měsíčního validačního období. Data budou analyzována pomocí R a Pythonu, s popisnou statistikou (frekvence, centrální tendence a disperze) shrnutou v tabulkách a grafech. Diagnostická přesnost zdravotníků první linie před a po zavedení aplikace bude hodnocena pomocí senzitivity, specificity, prediktivních hodnot a procentuální shody s dermatologem. Kvalitativní data z rozhovorů a skupinových diskusí budou nahrána, přepsána, kódována a tematicky analyzována pomocí Atlas.ti verze 7. Výsledky studie budou sdíleny s národními ministerstvy zdravotnictví, prezentovány na místních a mezinárodních konferencích a nahlášeny etickým komisím a regulačním orgánům. Předpokládá se, že aplikace zlepší diagnostickou přesnost zdravotníků první linie při včasné detekci kožních NTD a usnadní epidemiologický dohled v reálném čase, což přispěje ke zlepšenému mapování nemocí a identifikaci ohnisek.

ÚVOD/POZADÍ:

Kožní opomíjené tropické nemoci (MDPI, 2019) (kožní NTD), jako je lepra, Buruliho vřed, frambézie (endemická treponematóza), kožní leishmanióza, chromoblastomykóza, mykétom, svrab, tungióza, post-kala-azarová kožní leishmanióza (PKDL), lymfatická filariáza, onchocerkóza, podokonióza a sporotrichóza, představují významnou výzvu pro veřejné zdraví, celosvětově postihují 1,8 miliardy lidí v kterémkoli okamžiku (WHO, 2023). Zejména v subsaharské Africe (SSA) jsou tato onemocnění velmi rozšířená a jsou spojena s významnými zdravotními nerovnostmi, přičemž primárně ovlivňují marginalizované komunity (Kariuki et al. 2023). Keňa má například významnou zátěž kožních NTD, včetně lymfatické filariázy v pobřežní oblasti (Njenga et al. 2017; Ofire et al. 2025), mykétomu v Turkana (Colom et al. 2023), leishmaniózy v Rift Valley a východních částech (Baringo, Naivasha/Gilgil, Laikipia, Samburu, Nakuru, Meru, West Pokot, Elgeyo Marakwet, Isiolo, Nyandarua a Marsabit) (Ngere et al. 2020; van Dijk et al. 2024), tungiózy (Elson et al. 2019; Nyangacha et al. 2019) a svrabu (Schmeller a Dzikus, 2001; Mbogori 2014; Macharia et al. 2024), které mají široké rozšíření po celé zemi, a některých izolovaných případů lepry v okresech Kwale, Kilifi, Kisumu, Siaya, Homabay a Busia (Výroční zpráva programu Kenya NTLLD, 2014; Wangara et al. 2019).

Prevalence těchto onemocnění je zhoršována faktory, jako je chudoba a nedostatek adekvátních zdravotnických zdrojů, zejména nedostatečně vyškoleného personálu pro efektivní management kožních NTD (Ochola et al. 2021). Stigma spojené s kožními NTD, zakořeněné v sociálním a ekonomickém kontextu, vede k izolaci a diskriminaci, což odrazuje od diagnostiky nebo léčby, což následně zhoršuje šíření nemocí a komplikuje snahy o kontrolu a eliminaci, čímž vytváří sebeudržující se cyklus výzev. Vysoký podíl NTD má významné kožní projevy. Proto vyšetření kůže představuje příležitost identifikovat více NTD v rámci jedné intervence. Integrovaný přístup, doporučený Světovou zdravotnickou organizací (WHO) (https://www.who.int/activities/promoting-the-integrated-approach-to-skin-related-neglected-tropical-diseases), vede ke zvýšené detekci případů a vyšší efektivitě prostřednictvím sdílení zdrojů a rozšířeného pokrytí programů. Existuje však významná překážka integrace intervencí kožních NTD: nedostatek dermatologů (Schmid-Grendelmeier et al. 2019) (jeden dermatolog na 1-2 miliony obyvatel) a adekvátně vyškoleného zdravotnického personálu. V současnosti je většina venkovské populace s kožními onemocněními obsluhována zdravotníky první linie (FHWs) s omezenými dermatologickými znalostmi (Mieras et al. 2018). Tuto výzvu dále komplikuje nízká prevalence kožních NTD, což ztěžuje jejich rozpoznání zdravotníky první linie (Mieras et al. 2018; Hotez et al. 2009). Jelikož kožní NTD závisí převážně na klinické diagnostice, nedostatek adekvátního školení zdravotníků první linie ohrožuje programy kontroly nemocí a dosažení celkového cíle WHO NTD roadmapy 2021-2030, kterým je snížení morbidity, disability a psychosociálního dopadu kožních NTD do roku 2030. K dosažení cílů pro rok 2030 jsou zapotřebí nové inovativní přístupy k budování kapacit a zlepšení diagnostiky kožních NTD. V tomto ohledu umělá inteligence (AI) nyní poskytuje bezprecedentní příležitost využít pokroky v lékařském zobrazování aplikovaném na kůži k překonání současných překážek v diagnostice a managementu kožních NTD v SSA.

Existující modely AI v dermatologii se často zaměřují na onemocnění převládající v rozvinutých zemích a spoléhají se na homogenní datové sady, což vede k modelům, které se dobře negeneralizují na různé populace. Obvykle používají interní validační metody, které jsou nedostatečné pro nasazení v reálném světě, kde modely narážejí na různé zdroje dat (Daneshjou et al. 2021). Zatímco algoritmy poháněné AI prokázaly diagnostickou přesnost podobnou odborným klinikům ve vysoce vybavených prostředích (Salinas et al. 2024), velmi málo studií prozkoumalo použití aplikací poháněných AI pro diagnostiku kožních NTD v prostředích s nízkými zdroji v SSA. To je způsobeno novostí technologie, což přispívá k nedostatku takového výzkumu. Globální iniciativa vedená WHO NTD diskutuje pokrok, výzvy, mezery a řešení ve vývoji a implementaci aplikací založených na umělé augmentované inteligenci jako nástroje pro budování kapacit a monitorování kožních NTD a vybraných běžných kožních stavů v prostředích s omezenými zdroji. Nedávno WHO začlenila dva online AI algoritmy, které mají za cíl klasifikovat 12 kožních NTD a 24 běžných kožních stavů (Quilter et al. 2024), do aplikace WHO Skin NTDs (převážně postavené jako úložiště vzdělávacích zdrojů a výukových materiálů, které dodržují pokyny WHO). Zatímco aplikace si klade za cíl zlepšit budování kapacit prostřednictvím AI, její dopad na management nemocí v "reálném světě" stále není k dispozici a nadcházející studie určí její užitečnost. Výkon AI algoritmů je také omezen dostupností obrazových datových sad. Ve studii AI4Leprosy provedené v roce 2022 na brazilském národním referenčním centru pro lepru, ačkoli AI algoritmus založený na konvolučních neuronových sítích (CNN) mohl přispět k diagnostice lepry s vysokou klasifikační přesností (90%) (AI4Leprosy), podle našich nejlepších znalostí to nebylo validováno v prostředí s nízkými zdroji s nedostatkem vysoce specializovaného personálu. Dále, zatímco výkon technologie je stále více validován u dermatologických stavů, jako je melanom a jiné kožní nádory (Patel et al. 2023), přímé důkazy o její účinnosti v diagnostice kožních NTD zůstávají omezené. Celkově, zatímco tyto studie a iniciativy demonstrují potenciál diagnostických nástrojů poháněných AI, důkazy specifické pro jejich použití u kožních NTD v prostředích s nízkými zdroji stále vznikají.

Naše navrhovaná validační studie si klade za cíl řešit výše uvedené mezery vyhodnocením diagnostické přesnosti aplikace poháněné AI v diagnostice kožních NTD v Keni, Etiopii a Senegalu, čímž poskytne kritické poznatky o její praktické užitečnosti a dopadu na klinickou praxi v těchto prostředích. Intervencí je výzkumná aplikace SkincAIr, jednotná mobilní platforma obsahující tři moduly specifické pro role: eCRF dermatologa pro strukturovaný sběr snímků dermatology v 5 zemích; eCRF zdravotníka první linie pro sběr klinických dat a dokumentaci případů ve všech 3 fázích studie; a aplikace SkincAIr Detection - funkce diagnostické rozhodovací podpory poháněná AI, vložená do eCRF zdravotníka první linie, aktivovaná výhradně během fáze B (6 měsíců), a odstraněná během fáze C pro vyhodnocení retence zlepšených diagnostických dovedností. Studie měří: (SO1) diagnostický výkon zdravotníků první linie s aplikací a bez ní, včetně míry včasné detekce, diagnostické přesnosti, senzitivity a specificity vůči referenčnímu standardu dermatologa; (SO2) kvalitu datové sady včetně počtu, geografické rozmanitosti a kvality obrazu; (SO3) snížení diagnostického zpoždění; (SO4) indikátory epidemiologického dohledu včetně integrace DHIS2, poměru potvrzení případů a identifikace ohnisek; (SO5) zisk znalostí zdravotníků první linie a spokojenost uživatelů. Nákladová efektivita je hodnocena prostřednictvím srovnání nákladů primární vs. sekundární péče a výpočtem ICER.

Tato klinická studie poskytne zásadní data pro posouzení praktické užitečnosti AI při zlepšování diagnostické přesnosti a rychlosti u nespecializovaných zdravotnických pracovníků. Využitím AI a mobilní technologie můžeme vybavit zdravotníky první linie v prostředích s nízkými zdroji nástroji pro rychlou detekci a management kožních NTD.

Odpůvodnění studie:

Opomíjené tropické nemoci (NTD) postihují více než jednu miliardu lidí celosvětově, přičemž kožní NTD, jako je lepra, kožní leishmanióza a onchocerkóza, významně přispívají k morbiditě, invaliditě a stigmatu u postižených populací. Včasná detekce a léčba jsou zásadní pro prevenci komplikací, snížení přenosu a zlepšení výsledků pacientů. V prostředích s omezenými zdroji, jako jsou Keňa, Etiopie, Senegal, Nigérie a Demokratická republika Kongo, jsou zdravotníci první linie často prvním kontaktem pro pacienty s kožními problémy. Zdravotníci první linie však obvykle postrádají specializované školení v dermatologii, což vede k chybné diagnóze nebo opožděné diagnóze kožních NTD. Mobilní zdravotnické (mHealth) intervence, zejména ty, které zahrnují AI, nabízejí slibné řešení pro zlepšení diagnostických schopností zdravotníků první linie. Projekt SkincAIr si klade za cíl vyhodnotit, zda zavedení mobilní aplikace s funkcí AI může zlepšit diagnostickou přesnost zdravotníků první linie při detekci kožních NTD. Dále studie usiluje o určení, zda si zdravotníci první linie zachovají zlepšené diagnostické dovednosti po odstranění asistence AI, což by naznačovalo potenciální budování kapacit a trvalé zlepšení poskytování zdravotní péče. Náš projekt překonává dvojí omezení nedostatku specializovaného školení v dermatologii a dostupnosti obrazových datových sad sběrem reálných klinických dat z více geografických lokalit v zemích s nízkými a středními příjmy (LMIC), čímž zajišťuje, že naše modely jsou trénovány a externě validovány na různorodých datových sadách reprezentativních pro cílové populace. Zařazení Keni, Etiopie, Senegalu, Nigérie a Demokratické republiky Kongo přispěje k rozmanitosti snímků, které jsou reprezentativní pro kožní NTD endemické v mnoha geografických lokalitách v subsaharské Africe. Jelikož tyto lokality představují jedinečné výzvy, včetně omezené zdravotnické infrastruktury a různých projevů onemocnění, je navrhovaná studie zásadní pro překlenutí této mezery. Implementujeme kontrolovaný protokol pro získávání snímků k standardizaci sběru dat, minimalizaci rizika "shortcut learning" - kdy modely mohou spoléhat na irelevantní vlastnosti kvůli falešným korelacím (Winkler et al. 2019). Integrací multimodálních dat, včetně klinických parametrů, a zajištěním odolnosti vůči chybějícím datům budou naše modely nabízet přesnější a personalizovanější diagnostické a prediktivní schopnosti.

Nulová hypotéza:

Použití mobilní aplikace SkincAIr poháněné AI nezlepší diagnostickou přesnost (senzitivitu a specificitu) zdravotníků první linie při detekci kožních NTD ve srovnání s jejich výchozím výkonem bez aplikace.

Obecný cíl:

Vyvinout diagnostický nástroj podporovaný AI pro kožní NTD (SkincAIr) a otestovat jeho výkon a dopad mezi zdravotníky první linie (FHWs) při detekci vybraných kožních NTD.

Specifické cíle:

1. Shromáždit obrazová data pro kožní NTD a další kožní stavy dermatology/dermatologickými pracovníky nebo jinými pracovníky vyškolenými na kožní NTD, která budou použita pro trénink a vývoj aplikace SkincAIr.
2. Kvantifikovat dopad mobilní aplikace SkincAIr na diagnostickou přesnost (senzitivitu a specificitu) zdravotníků první linie (FHWs) při identifikaci kožních opomíjených tropických nemocí (kožních NTD) a dalších kožních stavů.

3. Změřit dopas SkincAIr asistované diagnostiky na klíčové klinické a operační metriky:

   • Čas do diagnózy od první návštěvy - Jak dlouho trvá pacientovi získat diagnózu od okamžiku, kdy se poprvé dostaví k poskytovateli zdravotní péče
   • Čas od počáteční prezentace ke konečné diagnóze - čas od jakéhokoli počátečního kontaktu (možná na komunitní úrovni nebo první klinice) ke konečné potvrzené diagnóze specialistou
   • Snižování zpoždění zahájení léčby
   • Změny v referenčních vzorcích na specializovaná centra - Změny v tom, jak často a jak vhodně jsou pacienti odesíláni ke specialistům nebo vyšším centrům
   • Úspory nákladů v sekundární péči přičitatelné vylepšené primární diagnóze (včasné a přesné diagnózy zdravotníky první linie)
   • Nová ohniska podezření nebo potvrzených kožních NTD během období projektu (až do M60).
4. Vyhodnotit udržitelnost zlepšených diagnostických dovedností mezi zdravotníky první linie po odstranění asistence AI.