KI-App zur Behandlung von atopischer Dermatitis

Das Projekt wird in der Abteilung für Dermatovenerologie des West China Hospital der Sichuan-Universität durchgeführt. Das Protokoll wird von der biologisch-medizinischen Ethikkommission des West China Hospital der Sichuan-Universität genehmigt und von allen Teilnehmern wird eine schriftliche Einverständniserklärung eingeholt, bevor wir Bilder der Hautläsionen machen und bevor wir sie für klinische Studien rekrutieren.

1. Automatische Erkennung und Bewertung von AD basierend auf AI Deep Learning 1.1 Datensatz zur atopischen Dermatitis Der Datensatz wird aus mehr als 10.000 klinischen Bildern von AD-Patienten für AI Deep Learning erstellt. Bilder mit geringer Qualität werden ausgeschlossen und die Bilder mit dem umgebenden Hintergrund werden so zugeschnitten, dass sie nur die AD-Läsionen enthalten.

   1.2 Kennzeichnung der klinischen Anzeichen von Hautläsionen Die Kennzeichnung wird von drei zertifizierten Dermatologen und drei ausgebildeten Algorithmeningenieuren durchgeführt. Die Dermatologen kennzeichnen die klinischen Anzeichen, einschließlich Erythem, Papulation, Ödem, Nässen, Exkoriation, Flechtenbildung und Trockenheit, und der Schweregrad jedes Anzeichens wird auf einer Vier-Punkte-Skala bewertet und gekennzeichnet (0: keine, 1: leicht, 2: mäßig und 3: schwer). Das Ergebnis jedes klinischen Zeichens in einem Bild wird als Beispiel für Erythem-2, Ödem-2 oder Nässen-3 gekennzeichnet. Nach der Kennzeichnung der Bilder überprüfen die Dermatologen und Algorithmeningenieure die Qualität der gekennzeichneten Bilder anhand klinischer und Kennzeichnungsregeln und validieren die Genauigkeit der Anzeichen und des Schweregrads. Für das Modelltraining werden Bilder verwendet, die den Anforderungen entsprechen. Während des Etikettierungs- und Modellschulungsprozesses sind dem zuständigen Personal nicht alle privaten Patienteninformationen bekannt.

   1.3 Modelltraining Das Modelltraining wird nach der Beschriftung der Bilder durchgeführt.

   Ein genaues und effizientes semantisches Segmentierungsmodell wird trainiert, um abnormale Hautläsionsbereiche zu unterscheiden und alle klinischen Anzeichen zu identifizieren. Ein schnelles und genaues Hautsegmentierungsmodell auf Pixelebene wird trainiert, um das Verhältnis der Läsionsfläche zur gesamten Hautfläche zu bestimmen. Darüber hinaus wird eine effiziente und praktische Methode zur Umwandlung des segmentierten Hautläsionsbereichs in reale Hautbereichseinheiten entwickelt, um die genaue Wiederherstellung der wahren Größe so weit wie möglich aus der Verzerrung der Hautläsion aufgrund der Aufnahmeentfernung, des Winkels usw. zu erreichen. oder automatische Erweiterung. Der Datensatz wird für Training, Validierung und Tests aufgeteilt. Bilder von 6.500 von 10.000 werden für das Training und die Validierung des vorgeschlagenen Modells verwendet, und Bilder der restlichen 3.500 von 10.000 werden für Tests verwendet. Nach dem Training werden in Kombination mit den verschiedenen von den Patienten ausgefüllten Fragebogenelementen die Bewertungsinstrumente einschließlich EASI, SCORED, POEM, pp-NRS und DLQI vom Modell berechnet.

2. Entwicklung der AIADMS-App Die App wird das Android-System und das IOS-System unterstützen und in zwei Versionen sowohl für Patienten als auch für Kliniker mit dem eindeutigen Login-Zugang konzipiert sein. Zu den Grundfunktionen der App gehören „Push“, „Erinnerung“, „Upload“, „Auswertung“ und „Datenverwaltung“.

   2.1 Die „Push“-Funktion dient der Übermittlung von Informationen an Patienten und medizinisches Personal. Die übertragenen Informationen können auch dann empfangen und auf dem Bildschirm des Mobiltelefons angezeigt werden, wenn die App nicht geöffnet ist und sich das Mobiltelefon im gesperrten Bildschirmzustand befindet, und die Benutzer können den Zeitpunkt für den Empfang der übertragenen Informationen selbst festlegen. Beispielsweise wird der vorgegebene Zeitpunkt für die Nachsorge in Kliniken mit „Sie sollten am nächsten Montag, dem 25. Juli 2023, zum Arzt kommen“ angegeben. Die „Push“-Funktion kann die Nutzung der App aktivieren, die Viskosität der Benutzer erhöhen und die Nutzung anderer Funktionsmodule vorantreiben.

   2.2 Die Funktion „Erinnerung“ wird hauptsächlich dazu verwendet, Patienten an die Einnahme von Medikamenten zu erinnern, Fotos von Hautläsionen hochzuladen, sich selbst zu beurteilen und Nachuntersuchungen zu planen.

   2.3 Die Funktion „Upload“ soll Patienten bei der Teilnahme an der systemischen Behandlung unterstützen. Sie können ihre Fotos von Hautläsionen, eine Beschreibung des Verlaufs der Alzheimer-Krankheit oder Fragebögen hochladen.

   2.4 Die Funktion „Bewertung“ dient der Informationsbereitstellung sowohl für Patienten als auch für medizinisches Personal. Durch das Hochladen von Fotos von Hautläsionen und das Ausfüllen der verschiedenen Fragebogenelemente bewertet die App automatisch den Schweregrad der Läsionen und berechnet die EASI-, POEM-, PP-NRS-, SCORAD- oder DLQI-Werte. Diese Funktion könnte Patienten helfen, mehr über ihre Krankheitssituation zu erfahren und an der Selbstbewertung und Selbstpflege teilzunehmen, wie in der T2T-Strategie empfohlen.

   2.4 Die Funktion „Datenverwaltung“ ist für medizinisches Personal konzipiert, um die Patienten bequemer zu verwalten und die medizinische Forschung zu gestalten. Sie können sich auf der Website der App-Plattform anmelden, um Daten zu sammeln und zu exportieren, statistische Analysen und Big Data Mining durchzuführen. Die App selbst kann auch einfache Statistiken erstellen und Daten verwalten. Beispielsweise könnten Daten wie EASI, POEM und PP-NRS-Score zu den Zeitpunkten vor der Behandlung, 2 Wochen, 4 Wochen, 12 Wochen und 6 Monate nach der Behandlung automatisch in statistischen Berichten generiert und in Form von Histogrammen dargestellt werden Kurven. Durch die Analyse der Benutzergewohnheiten kann die App zudem weiter verbessert und auf die neue Version aktualisiert werden und die Funktionsmodule könnten mit der hohen Nutzungsfrequenz und dem Feedback sowohl des medizinischen Personals als auch der Patienten optimiert werden.

3. Wirksamkeit und Sicherheit der AIADMS-App zur Verbesserung der klinischen Ergebnisse bei AD-Patienten: eine randomisierte kontrollierte Studie.

Bei dieser Studie handelt es sich um eine einzelzentrierte, prospektive, randomisierte, kontrollierte Studie, die die Überlegenheit der Umsetzung der T2T-Strategie durch Anwendung der AIADMS-App bei Patienten mit AD im Hinblick auf die Verbesserung der klinischen Ergebnisse testet.

Dies wäre das erste KI-gestützte Tool für AD während des Diagnose-, Management- und Nachsorgeprozesses. Es wird solide Beweise für die Anwendung von KI in der Dermatologie weltweit liefern.