Tidlig opsporing og AI-baseret håndtering af hudrelaterede negligerede tropesygdomme i Subsaharisk Afrika af førstelinje sundhedsarbejdere (SkincAIr)

RESUMÉ:

Hudrelaterede Neglegerede Tropesygdomme (Skin NTDs) udgør en betydelig folkesundhedsudfordring og rammer 1,8 milliarder mennesker globalt.
Skin NTDs påvirker marginaliserede samfund væsentligt på grund af flere faktorer, såsom mangel på trænet sundhedspersonale og diagnostiske værktøjer.
I øjeblikket, på grund af mangel på hudlæger, bliver størstedelen af den landbefolkning med hudlidelser betjent af frontlinje sundhedsarbejdere (FHWs) med begrænset dermatologisk viden.
Den lave prævalens af skin NTDs forvirrer yderligere deres diagnose og genkendelse af FHWs.
Nye innovative tilgange er derfor nødvendige for at opbygge kapacitet og forbedre diagnosen for skin NTDs.
Mobile sundhedsinterventioner (mHealth), især dem, der indarbejder kunstig intelligens (AI), tilbyder en lovende løsning til at forbedre FHWs' diagnostiske evner.
SkincAIr-projektet har til formål at evaluere, om introduktionen af en mobilapp med AI-funktionalitet kan forbedre FHWs' diagnostiske nøjagtighed (følsomhed og specificitet) i detektering af skin NTDs, og at fastslå deres opretholdelse af forbedrede diagnostiske færdigheder efter AI-hjælpen fjernes, hvilket indikerer potentiel kapacitetsopbygning og vedvarende forbedring i sundhedsydelser.
I den kliniske billeddataindsamlingsarm (36 måneder) vil hudlæger i 5 lande (Kenya, Etiopien, Senegal, Demokratiske Republik Congo og Nigeria) indsamle billeder af skin NTD og andre hudtilstande (Billeddataindsamlingsfase), der vil blive brugt til træning og udvikling af SkincAIr-appen, før den evalueres blandt FHWs under den 24-måneders valideringsundersøgelse.
Valideringsundersøgelsesarmen for appen vil involvere et longitudinelt design med indenfor-emne, som vil tilmelde 50 FHWs og vil rekruttere omkring 750 patienter med hudklager fra områder med høj belastning af skin NTDs i hvert af 3 lande (Kenya, Etiopien, Senegal) over en 24-måneders valideringsundersøgelsesperiode.
Data vil blive analyseret ved hjælp af R og Python, med beskrivende statistik (hyppighed, central tendens og spredning) opsummeret i tabeller og diagrammer.
Diagnostisk nøjagtighed af FHWs før og efter app-introduktion vil blive evalueret ved hjælp af følsomhed, specificitet, prædiktive værdier og procentvis overensstemmelse med en hudlæge.
Kvalitative data fra interviews og FGDs vil blive lydoptaget, transskriberet, kodet og tematisk analyseret ved hjælp af Atlas.ti
Version 7. Undersøgelsens resultater vil blive delt med nationale sundhedsministerier, præsenteret på lokale og internationale konferencer og rapporteret til IRBs og reguleringsmyndigheder.
Det forventes, at appen vil forbedre FHWs' diagnostiske nøjagtighed i tidlig detektering af skin NTDs og vil lette realtidsepidemiologisk overvågning, hvilket bidrager til forbedret sygdomskortlægning og hotspot-identifikation.

INTRODUKTION/BAGGGRUND:

Hudrelaterede Neglegerede Tropesygdomme (MDPI, 2019) (skin NTDs) såsom spedalskhed, Buruli-sår, yaws (endemisk treponematose), kutane leishmaniasis, chromoblastomycosis, myketom, fnat, tungiasis, Post Kala-azar Dermal Leishmaniasis (PKDL), lymfatisk filariasis, flueorm, podokoniose og sporotrichose udgør en betydelig folkesundhedsudfordring og rammer 1,8 milliarder mennesker globalt på ethvert givet tidspunkt (WHO, 2023).
Især i Afrika syd for Sahara (SSA) er disse sygdomme meget udbredte og er forbundet med betydelige sundhedsuligheder, hovedsageligt påvirker de marginaliserede samfund (Kariuki et al. 2023).
Kenya har for eksempel en betydelig belastning af Skin NTDs, herunder Lymfatisk filariasis i Kystregionen (Njenga et al. 2017; Ofire et al. 2025), Myketom i Turkana (Colom et al. 2023), Leishmaniasis i Rift Valley og østlige dele (Baringo, Naivasha/Gilgil, Laikipia, Samburu, Nakuru, Meru, West Pokot, Elgeyo Marakwet, Isiolo, Nyandarua og Marsabit) (Ngere et al. 2020; van Dijk et al. 2024), Tungiasis (Elson et al. 2019; Nyangacha et al. 2019) og Fnat (Schmeller og Dzikus, 2001; Mbogori 2014; Macharia et al. 2024), der har en bred fordeling over hele landet og nogle lommer af tilfælde af Spedalskhed i Kwale, Kilifi, Kisumu, Siaya, Homabay og Busia counties (Kenya NTLLD Program Annual Report, 2014; Wangara et al. 2019).

Prævalensen af disse sygdomme forværres af faktorer som fattigdom og mangel på tilstrækkelige sundhedsressourcer, især utilstrækkeligt trænet personale til effektiv håndtering af skin NTDs (Ochola et al. 2021).
Stigmatiseringen omkring skin NTDs, forankret i samfundsmæssige og økonomiske sammenhænge, fører til isolation og diskrimination, hvilket fraråder diagnose eller behandling, hvilket igen forværrer sygdomsudbredelse og komplicerer kontrol- og elimineringsindsatser, hvilket skaber en selvvedligeholdende cyklus af udfordringer.
En høj andel af NTDs har større hudmanifestationer.
Derfor tjener undersøgelse af huden som en mulighed for at identificere flere NTDs i en enkelt intervention.
Den integrative tilgang, anbefalet af Verdenssundhedsorganisationen (WHO) (https://www.who.int/activities/promoting-the-integrated-approach-to-skin-related-neglected-tropical-diseases),
resulterer i forbedret case-detektering og øget effektivitet gennem deling af ressourcer og udvidet programdækning.
Der er dog en større barriere for integrationen af skin NTD-interventioner: mangel på hudlæger (Schmid-Grendelmeier et al. 2019) (én hudlæge for 1-2 millioner indbyggere) og tilstrækkeligt trænet sundhedspersonale.
I øjeblikket bliver størstedelen af den landbefolkning med hudlidelser betjent af frontlinje sundhedsarbejdere (FHWs) med begrænset dermatologisk viden (Mieras et al. 2018).
Denne udfordring forværres yderligere af den lave prævalens af hudrelaterede NTDs, hvilket gør dem svære at blive genkendt af FHWs (Mieras et al. 2018; Hotez et al. 2009).
Da skin NTDs hovedsageligt afhænger af klinisk diagnose, sætter mangel på tilstrækkelig træning af FHWs sygdomskontrollprogrammer og opnåelsen af den overordnede 2021-2030 WHO NTD-vejkortsmål om at reducere morbiditet, handicap og den psykosociale påvirkning af skin NTDs inden 2030 på spil.
Nye innovative tilgange er nødvendige for at opbygge kapacitet og forbedre diagnosen for skin NTDs for at realisere 2030-målene.
I denne henseende giver Kunstig Intelligens (AI) nu en hidtil uset mulighed for at bruge fremskridt i medicinsk billeddannelse anvendt på huden til at tackle nuværende barrierer i diagnosen og håndteringen af skin NTDs i SSA.

Eksisterende AI-modeller i dermatologi fokuserer ofte på sygdomme, der er udbredte i udviklede lande, og er afhængige af homogene datasæt, hvilket fører til modeller, der ikke generaliserer godt til forskellige befolkninger.
De bruger typisk interne valideringsmetoder, hvilket er utilstrækkeligt til virkelig implementering, hvor modeller støder på varierede datakilder (Daneshjou et al. 2021).
Mens AI-drevne algoritmer har demonstreret diagnostisk nøjagtighed svarende til ekspertklinikere i højressource-miljøer (Salinas et al. 2024), har meget få undersøgelser udforsket brugen af AI-drevne apps til at diagnosticere skin NTDs i lavressource-miljøer i SSA.
Dette skyldes nyheden af teknologien, som bidrager til knapheden af sådan forskning.
WHO NTD-ledte Global Initiative diskuterer fremskridt, udfordringer, huller og løsninger i udvikling og implementering af kunstigt forstærket intelligens-baserede apps som et kapacitetsopbygnings- og overvågningsværktøj for skin NTDs og udvalgte almindelige hudtilstande i ressourcestærkt begrænsede miljøer.
For nylig inkorporerede WHO to online AI-algoritmer, der har til hensigt at klassificere 12 skin NTDS og 24 almindelige hudtilstande (Quilter et al. 2024) i WHO Skin NTDs-appen (hovedsageligt bygget som et arkiv af undervisningsressourcer og træningsmaterialer, der overholder WHO-retningslinjer).
Mens appen har til formål at forbedre kapacitetsopbygning gennem AI, er dens "virkelige verden"-indvirkning på sygdomshåndtering stadig ikke tilgængelig, og kommende undersøgelser vil afgøre dens nytte.
Ydeevnen af AI-algoritmer er også begrænset af tilgængeligheden af billeddatasæt.
I AI4Leprosy-undersøgelsen udført i 2022 på Brasiliens nationale henvisningscenter for spedalskhed, selvom den konvolutionelle neurale netværk (CNN)-baserede AI-algoritme kunne bidrage til diagnosen af spedalskhed med høj klassifikationsnøjagtighed (90%) (AI4Leprosy), er dette efter vores bedste viden ikke blevet valideret i et lavressource-miljø med mangel på højt specialiseret personale.
Længere væk, mens teknologiens ydeevne i stigende grad valideres i dermatologiske tilstande såsom melanom og andre hudkræftformer (Patel et al. 2023), forbliver det direkte bevis for dens effektivitet i at diagnosticere skin-NTDs begrænset.
Samlet set, mens disse undersøgelser og initiativer demonstrerer potentialet af AI-drevne diagnostiske værktøjer, er beviser specifikke for deres brug til skin NTDs i lavressource-miljøer stadig under udvikling.

Vores foreslåede valideringsundersøgelse har til formål at adressere de førnævnte huller ved at evaluere den diagnostiske nøjagtighed af en AI-drevet app i at diagnosticere skin NTDs i Kenya, Etiopien og Senegal, hvilket giver afgørende indsigter i dens praktiske nytte og indvirkning på klinisk praksis i disse miljøer.
Interventionen er SkincAIr Research App, en forenet mobilplatform indeholdende tre rolle-specifikke moduler: en Dermatolog Dataset eCRF til struktureret billedindsamling af hudlæger på tværs af 5 lande; en FHW eCRF til klinisk dataindsamling og casedokumentation på tværs af alle 3 undersøgelsesfaser; og SkincAIr Detection App - en AI-drevet diagnostisk beslutningsstøttefunktion indlejret i FHW eCRF, aktiveret udelukkende under Fase B (6 måneder), og trukket tilbage under Fase C for at vurdere opretholdelse af forbedrede diagnostiske færdigheder.
Undersøgelsen måler: (SO1) diagnostisk ydeevne af FHWs med og uden appen, inklusive tidlig detekteringsrate, diagnostisk nøjagtighed, følsomhed og specificitet mod en hudlægereferencestandard; (SO2) datasætkvalitet inklusive antal, geografisk diversitet og billedkvalitet; (SO3) reduktion i diagnostisk forsinkelse; (SO4) epidemiologiske overvågningsindikatorer inklusive DHIS2-integration, case-bekræftelsesratio og hotspot-identifikation; (SO5) FHW videnstilvækst og bruger tilfredshed.
Omkostningseffektivitet vurderes gennem primær vs sekundær pleje omkostningssammenligning og ICER-beregning.

Denne kliniske undersøgelse vil give vitale data til at vurdere den praktiske nytte af AI i at forbedre diagnostisk nøjagtighed og hastighed blandt ikke-specialist sundhedsarbejdere.
Ved at udnytte AI og mobilteknologi kan vi udstyre FHWs i lavressource-miljøer med værktøjer til hurtigt at detektere og håndtere skin NTDs.

Begrundelse for Undersøgelsen:

Neglegerede tropesygdomme (NTDs) rammer over en milliard mennesker globalt, med skin NTDs såsom spedalskhed, kutane leishmaniasis og flueorm, der bidrager betydeligt til morbiditet, handicap og stigmatisering i berørte befolkninger.
Tidlig detektering og behandling er afgørende for at forhindre komplikationer, reducere transmission og forbedre patientudfald.
I ressourcestærkt begrænsede miljøer som Kenya, Etiopien, Senegal, Nigeria og Demokratiske Republik Congo er FHWs ofte det første kontaktpunkt for patienter med hudtilstande.
Imidlertid mangler FHWs typisk specialiseret træning i dermatologi, hvilket fører til fejldiagnose eller forsinket diagnose af skin NTDs.
Mobile sundhedsinterventioner (mHealth), især dem, der indarbejder AI, tilbyder en lovende løsning til at forbedre FHWs' diagnostiske evner.
SkincAIr-projektet har til formål at evaluere, om introduktionen af en mobilapp med AI-funktionalitet kan forbedre FHWs' diagnostiske nøjagtighed i detektering af skin NTDs.
Derudover søger undersøgelsen at fastslå, om FHWs opretholder forbedrede diagnostiske færdigheder efter AI-hjælpen fjernes, hvilket indikerer potentiel kapacitetsopbygning og vedvarende forbedring i sundhedsydelser.
Vores projekt overskrider de tvillingebegrænsninger af mangel på specialiseret træning i dermatologi og tilgængelighed af billeddatasæt ved at indsamle reelle kliniske data fra flere geografiske lokationer inden for lav- og mellemindkomstlande (LMICs), hvilket sikrer, at vores modeller trænes og eksternt valideres på diverse datasæt repræsentative for målpopulationerne.
Inklusion af Kenya, Etiopien, Senegal, Nigeria og Demokratiske Republik Congo vil bidrage til diversiteten af billeder, der er repræsentative for de Skin NTDs, der er endemiske i flere geografiske lokationer i Afrika syd for Sahara.
Da disse lokationer præsenterer unikke udfordringer, inklusive begrænset sundhedsinfrastruktur og varierende sygdomspræsentationer, er den foreslåede undersøgelse afgørende i at overbygge dette hul.
Vi vil implementere en kontrolleret billedindhentningsprotokol for at standardisere dataindsamling, hvilket minimerer risikoen for genvejslæring - hvor modeller måske er afhængige af irrelevante træk på grund af falske korrelationer (Winkler et al. 2019).
Ved at integrere multimodal data, inklusive kliniske parametre, og sikre robusthed over for manglende data, vil vores modeller tilbyde mere nøjagtige og personlige diagnostiske og prædiktive evner.

Nulhypotese:

Brugen af SkincAIr AI-drevne mobilapplikation vil ikke forbedre FHWs' diagnostiske nøjagtighed (følsomhed og specificitet) i detektering af skin-NTDs sammenlignet med deres baseline ydeevne uden appen.

Generelt Formål:

At udvikle et AI-understøttet diagnostisk værktøj for skin NTDs (SkincAIr) og teste dens ydeevne og indvirkning blandt frontlinje sundhedsarbejdere (FHWs) i detektering af udvalgte skin NTDs.

Specifikke Formål:

1. At indsamle billeddata for skin NTDs og andre hudtilstande af hudlæger/dermatologiafdelingsofficerer eller andre officerer trænet i skin NTDS, der skal bruges i træningen og udviklingen af SkincAIr-appen.
2. At kvantificere indvirkningen af SkincAIr mobilapplikationen på FHWs' diagnostiske nøjagtighed (følsomhed og specificitet) i identifikation af hud-neglegerede tropesygdomme (skin-NTDs) og andre hudtilstande.

3. At måle indvirkningen af SkincAIr-assisteret diagnose på nøgle kliniske og operationelle målinger:

   • Tid til diagnose fra første besøg - Hvor lang tid det tager for en patient at modtage en diagnose, fra tidspunktet de først præsenterer sig for en sundhedsydelse
   • Tid fra første præsentation til endelig diagnose - tiden fra enhver første kontakt (måske samfundsniveau eller første klinik) til den endelige bekræftede diagnose af en specialist
   • Reduktion i behandlingsinitieringsforsinkelser
   • Ændringer i henvisningsmønstre til specialiserede centre - Ændringer i hvor ofte og hvor passende patienter henvises til specialister eller højere centre
   • Omkostningsbesparelser i sekundær pleje tilskrivelige forbedret primær diagnose (tidlige og nøjagtige diagnoser af FHWs)
   • Nye hotspots af mistænkte eller bekræftede skin NTDs under projektperioden (op til M60).
4. At evaluere bæredygtigheden af forbedrede diagnostiske færdigheder blandt FHWs efter tilbagetrækningen af AI-assistance.