AI-sovellus atooppisen ihotulehduksen hoitoon

Projekti toteutetaan Sichuanin yliopiston Länsi-Kiinan sairaalan dermatovenerologian osastolla. Protokollan hyväksyy Sichuanin yliopiston Länsi-Kiinan sairaalan biologis-lääketieteen eettinen komitea, ja kaikilta osallistujilta hankitaan kirjallinen tietoinen suostumus ennen kuin otamme kuvia ihovaurioista ja ennen kuin otamme heidät mukaan kliinisiin kokeisiin.

1. AD:n automaattinen havaitseminen ja arviointi tekoälyn syväoppimisen perusteella 1.1 Atooppisen dermatiitin tietojoukko Tietojoukko luodaan yli 10 000 AD-potilaiden kliinisestä kuvasta tekoälyn syväoppimista varten. Huonolaatuiset kuvat jätetään pois, ja ympäröivän taustan sisältävät kuvat rajataan sisältämään vain AD-leesiot.

   1.2 Ihovaurioiden kliinisten merkkien merkitseminen Merkinnät suorittaa kolme sertifioitua ihotautilääkäriä ja kolme koulutettua algoritmi-insinööriä. Ihotautilääkärit merkitsevät kliiniset oireet, mukaan lukien punoitus, papulaatio, turvotus, tihkuminen, excoriation, jäkäläisyys ja kuivuus, ja kunkin merkin vakavuus arvioidaan ja merkitään neljän pisteen asteikolla (0: ei mitään, 1: lievä, 2: kohtalainen ja 3: vaikea). Jokaisen kuvan kliinisen oireen tulos merkitään esimerkkinä eryteema-2:sta, turvotuksesta-2 tai tihkumisesta-3. Kuvien merkitsemisen jälkeen ihotautilääkärit ja algoritmi-insinöörit varmistavat merkittyjen kuvien laadun sekä kliinisten että merkintäsääntöjen perusteella ja ristiinvalidoivat merkkien tarkkuuden ja vakavuuden. Vaatimukset täyttäviä kuvia käytetään mallikoulutuksessa. Merkintä- ja mallikoulutusprosessin aikana asianomainen henkilöstö ei ole tietoinen kaikista yksityisistä potilastiedoista.

   1.3 Mallikoulutus Mallikoulutus toteutetaan kuvien etiketöinnin jälkeen.

   Tarkka ja tehokas semanttinen segmentointimalli koulutetaan erottamaan epänormaalit ihovaurioalueet kaikkien kliinisten oireiden tunnistamiseksi. Nopea ja tarkka pikselitason ihosegmentointimalli koulutetaan määrittämään vaurioalueen suhde ihon kokonaisalueeseen. Lisäksi luodaan tehokas ja käytännöllinen menetelmä segmentoidun ihovaurioalueen muuntamiseksi todellisiksi ihoalueyksiköiksi, jotta saavutetaan mahdollisimman tarkka todellisen koon palauttaminen ihovaurion vääristymistä johtuen kuvausetäisyyden, kulman, tai automaattinen parannus. Tietojoukko jaetaan koulutusta, validointia ja testausta varten. Kuvia 6 500:sta 10 000:sta käytetään ehdotetun mallin koulutuksessa ja validoinnissa, ja loput 3 500 kuvia 10 000:sta käytetään testaukseen. Koulutuksen jälkeen, yhdistettynä potilaiden täyttämiin eri kyselylomakkeisiin, malli laskee arviointityökalut, mukaan lukien EASI, SCORED, POEM, pp-NRS ja DLQI.

2. AIADMS-sovelluksen kehitys Sovellus tukee Android-järjestelmää ja IOS-järjestelmää ja se suunnitellaan kahtena versiona sekä potilaille että kliinikoille, joilla on erottuva sisäänkäynti. Sovelluksen perustoimintoihin kuuluvat "Push", "Reminder", "Upload", "Evaluation" ja "Data management".

   2.1 "Push"-toiminto on suunniteltu välittämään tietoa potilaille ja hoitohenkilökunnalle. Työnnetyt tiedot voitaisiin vastaanottaa ja näyttää matkapuhelimen näytöllä, vaikka sovellusta ei avata ja matkapuhelin on lukitun näytön tilassa, ja käyttäjät voivat itse asettaa työnnetyn tiedon vastaanottoajan. Esimerkiksi klinikoilla ennalta määrätty seurantaajankohta esitetään muodossa "Tule lääkäriin ensi maanantaina 25.7.2023". "Push"-toiminto voi aktivoida sovelluksen käytön, lisätä käyttäjien viskositeettia ja edistää muiden toiminnallisten moduulien käyttöä.

   2.2 "Muistutus"-toimintoa käytetään pääasiassa potilaiden muistuttamiseen lääkkeiden ottamisesta, kuvien lataamiseen ihovaurioista, itsearviointiin ja ajoitettuun seurantaan.

   2.3 "Lataa"-toiminto on suunniteltu auttamaan potilaita osallistumaan systeemiseen hoitoon. He voivat ladata kuviaan ihovaurioista, kuvauksen AD:n etenemisestä tai kyselylomakkeita.

   2.4 "Evaluation"-toiminto on kehitetty tarjoamaan tietoa sekä potilaille että hoitohenkilökunnalle. Lataamalla kuvia ihovaurioista ja täyttämällä eri kyselylomakkeen kohdat, sovellus arvioi automaattisesti leesioiden vakavuuden ja laskee EASI-, POEM-, PP-NRS-, SCORAD- tai DLQI-pisteet. Tämä toiminto voisi auttaa potilaita tietämään enemmän sairauden tilanteestaan ​​ja osallistumaan itsearviointiin ja itsehoitoon T2T-strategian suosituksen mukaisesti.

   2.4 "Tietojen hallinta" -toiminto on suunniteltu lääkintähenkilöstölle helpottamaan potilaiden hallintaa ja lääketieteellisen tutkimuksen suunnittelua. He voivat kirjautua sisään sovellusalustan verkkosivustolle kerätäkseen ja viedäkseen tietoja, suorittaakseen tilastoanalyysin ja ison datan louhinnan. Sovellus itse voi myös tehdä yksinkertaisia ​​tilastoja ja tietojen hallintaa. Esimerkiksi tiedot, kuten EASI-, POEM- ja PP-NRS-pisteet ajankohtina ennen hoitoa, 2 viikkoa, 4 viikkoa, 12 viikkoa ja 6 kuukautta hoidon jälkeen, voitaisiin generoida automaattisesti tilastoraportteihin, jotka esitetään histogrammeina tai käyrät. Sovellusta voidaan myös edelleen parantaa ja päivittää uuteen versioon analysoimalla käyttäjien tottumuksia, ja toimintomoduuleita voidaan optimoida korkean käyttötiheyden ja sekä hoitohenkilökunnan että potilaiden palautteen perusteella.

3. AIADMS-sovelluksen tehokkuus ja turvallisuus AD-potilaiden kliinisten tulosten parantamiseksi: satunnaistettu kontrolloitu tutkimus.

Tämä tutkimus on yksikeskeinen, prospektiivinen, satunnaistettu kontrolloitu tutkimus, joka testaa T2T-strategian toteutuksen paremmuutta käyttämällä AIADMS-sovellusta AD-potilailla kliinisten tulosten parantamisen kannalta.

Tämä olisi ensimmäinen tekoälyavusteinen työkalu AD:lle diagnoosin, hallinnan ja seurannan aikana. Se tarjoaa vankkaa näyttöä tekoälyn soveltamisesta dermatologiassa maailmanlaajuisesti.