Tämä sivu käännettiin automaattisesti, eikä käännösten tarkkuutta voida taata. Katso englanninkielinen versio lähdetekstiä varten.

Ihon Liittyvien Laiminlyötyjen Trooppisten Sairauksien Varhainen Havaitseminen ja Tekoälyyn Perustuva Hallinta Saharan Eteläpuolisessa Afrikassa Etulinjan Terveydenhuollon Työntekijöiden Toimesta (SkincAIr)

perjantai 27. maaliskuuta 2026 päivittänyt: Maurice Odiere, Kenya Medical Research Institute

Varoittava havaitseminen ja hoito ihosairauksien laiminlyötyjen trooppisten tautien kanssa tekoälyn avulla Saharan eteläpuolisessa Afrikassa (SkincAIr)

Ihon sairauksiin liittyvät laiminlyödyt trooppiset taudit (Skin NTDs) vaikuttavat noin 1,8 miljardiin ihmiseen maailmanlaajuisesti, erityisesti köyhissä ja maaseutuyhteisöissä, joissa terveydenhuollon saanti on rajallista. Monet ihmiset luottavat etulinjan terveydenhuollon työntekijöihin (FHW) hoidon saamiseksi, mutta nämä työntekijät usein puuttuvat erikoiskoulutuksesta ihosairauksien parissa, mikä vaikeuttaa diagnoosia. Tämän haasteen ratkaisemiseksi SkincAIr-projekti testaa, voiko tekoälyllä (AI) varustettu mobiilisovellus auttaa FHW-työntekijöitä parantamaan kykyään havaita Skin NTD -tauteja. Tutkimus toteutetaan kahdessa osassa. Ensimmäisessä kliinisten kuvien keruuvaiheessa (36 kuukautta) ihotautilääkärit viidessä maassa (Kenia, Etiopia, Senegal, Kongon demokraattinen tasavalta ja Nigeria) keräävät Skin NTD -tautien ja muiden ihosairauksien kuvia, joita käytetään AI-mallin kehittämiseen ja kouluttamiseen SkincAIr-sovelluksessa ennen kuin sitä testataan FHW-työntekijöiden keskuudessa. Toinen validointitutkimusvaihe toteutetaan kolmessa maassa (Kenia, Etiopia ja Senegal) ja sisältää 50 FHW-työntekijää ja noin 750 potilasta kussakin maassa 24 kuukauden aikana. Ensimmäisten 12 kuukauden aikana (vaihe A) FHW-työntekijät diagnosoivat potilaita käyttäen standardimenetelmiä ilman sovellusta, mikä määrittää perustason suorituskyvyn keskeisillä indikaattoreilla, kuten diagnoosien tarkkuus, diagnoosiin kuluva aika, lähetyskäytännöt ja parantuneen perustason diagnoosin kustannusvaikutukset. Seuraavien 6 kuukauden aikana (vaihe B) FHW-työntekijät käyttävät SkincAIr-sovellusta, jonka tekoälytoiminto on aktivoitu diagnoosin tukemiseksi ja reaaliaikaisen geolokoidun tautikartoituksen ja kuumien kohteiden tunnistamisen mahdollistamiseksi. Viimeisten 6 kuukauden aikana (vaihe C) sovellus poistetaan käytöstä arvioimaan, säilyttävätkö FHW-työntekijät parantuneet diagnoositaidot. Tiivistämme tulokset yksinkertaisilla numeroilla ja kaavioilla osoittaen, kuinka usein asioita tapahtuu ja miltä keskimääräiset tulokset näyttävät. Tutkijat arvioivat, kuinka hyvin sovellus parantaa FHW-työntekijöiden diagnoosikykyä ja säilyttävätkö FHW-työntekijät parantuneet taidot myös tekoälytuen poistamisen jälkeen vertaamalla heidän tuloksiaan ihotautilääkärin (dermatologin) tuloksiin. Haastattelut ja ryhmäkeskustelut nauhoitetaan, kirjoitetaan ylös, järjestellään keskeisiin ajatuksiin ja tarkistetaan huolellisesti tietokoneohjelmalla ymmärtääkseen pääteemat. Tutkimustuloksia jaetaan kansallisten terveysministeriöiden kanssa, esitellään paikallisissa ja kansainvälisissä konferensseissa ja raportoidaan asianomaisille instituutioille ja sääntelyviranomaisille. Onnistuessaan tämä tekoälytyökalu voi edistää ihosairauksien varhaista havaitsemista, parantaa tautien seurantaa ja kohentaa terveydenhuoltoa alipalveltuilla alueilla.

Tutkimuksen yleiskatsaus

Tila

Ei vielä rekrytointia

Ehdot

Interventio / Hoito

Yksityiskohtainen kuvaus

ABSTRAKTI:

Ihoon liittyvät unohdetut trooppiset taudit (Skin NTDs) aiheuttavat merkittävän kansanterveyshaasteen, jotka vaikuttavat 1,8 miljardiin ihmiseen maailmanlaajuisesti. Skin NTD:t vaikuttavat merkittävästi syrjäytyneisiin yhteisöihin useista tekijöistä johtuen, kuten koulutettujen terveydenhuollon henkilöstön ja diagnostisten työkalujen puutteesta. Tällä hetkellä ihoasiantuntijoiden niukkuuden vuoksi suurinta osaa maaseudun väestöstä, jolla on ihosairauksia, palvelee etulinjan terveydenhuollon työntekijät (FHW), joilla on rajallinen dermatologinen tietämys. Skin NTD:den alhainen esiintyvyys vaikeuttaa entisestään niiden diagnosointia ja tunnistamista FHW:iden toimesta. Tarvitaan siis uudenlaisia innovatiivisia lähestymistapoja kyvykkyyden rakentamiseksi ja skin NTD:den diagnostiikan parantamiseksi. Mobiiliterveyden (mHealth) interventiot, erityisesti ne, jotka sisältävät tekoälyä (AI), tarjoavat lupaavan ratkaisun FHW:iden diagnostisten kykyjen parantamiseksi. SkincAIr-hankkeen tavoitteena on arvioida, voiko mobiilisovelluksen, jossa on tekoälytoimintoja, käyttöönotto parantaa FHW:iden diagnostista tarkkuutta (herkkyys ja spesifisyys) skin NTD:den havaitsemisessa, ja määrittää heidän parantuneiden diagnostisten taitojen säilyminen tekoälyavun poistamisen jälkeen, mikä osoittaa mahdollisen kyvykkyyden rakentamisen ja kestävän parantumisen terveydenhuollon toimituksessa. Kliinisen kuvadatan keruun osassa (36 kuukautta) ihoasiantuntijat 5 maassa (Kenia, Etiopia, Senegal, Kongon demokraattinen tasavalta ja Nigeria) keräävät kuvia skin NTD:stä ja muista ihotiloista (Kuvadatan keräysvaihe), joita käytetään SkincAIr-sovelluksen kouluttamiseen ja kehittämiseen, ennen kuin sitä arvioidaan FHW:iden keskuudessa 24 kuukauden validointitutkimuksen aikana. Sovelluksen validointitutkimuksen osa käyttää sisäisiä koehenkilöitä pitkittäissuunnittelussa, joka rekrytoi 50 FHW:ta ja noin 750 potilasta ihovaivoilla skin NTD:den korkean taakka-alueilta kussakin 3 maassa (Kenia, Etiopia, Senegal) 24 kuukauden validointitutkimusjakson aikana. Dataa analysoidaan käyttäen R:ää ja Pythonia, ja kuvaavat tilastot (taajuus, keskiluku ja hajonta) tiivistetään taulukoihin ja kaavioihin. FHW:iden diagnostista tarkkuutta ennen ja jälkeen sovelluksen käyttöönoton arvioidaan käyttäen herkkyyttä, spesifisyyttä, ennustearvoja ja prosenttista yhteensopivuutta ihoasiantuntijan kanssa. Kvalitatiivista dataa haastatteluista ja FGD:istä äänitetään, litteroidaan, koodataan ja teemoitellaan käyttäen Atlas.ti versiota 7. Tutkimustuloksia jaetaan kansanterveysministeriöiden kanssa, esitellään paikallisissa ja kansainvälisissä konferensseissa ja raportoidaan IRB:lle ja sääntelyviranomaisille. On odotettavissa, että sovellus parantaa FHW:iden diagnostista tarkkuutta skin NTD:den varhaisessa havaitsemisessa ja helpottaa reaaliaikaista epidemiologista valvontaa, edistäen parantunutta tautikartoituksen ja kohdealueiden tunnistamista.

JOHDANTO/TAUSTA:

Ihoon liittyvät unohdetut trooppiset taudit (MDPI, 2019) (skin NTDs) kuten lepra, Burulin haava, frambesia (endeminen treponemaatio), kutanee leishmaniaasi, kromoblastomykoosi, myketooma, syyhy, tungiaasi, post kala-azar dermaalinen leishmaniaasi (PKDL), lymfaattinen filariaasi, onkokerkoosi, podokonioosi ja sporotrikoosi aiheuttavat merkittävän kansanterveyshaasteen, jotka vaikuttavat 1,8 miljardiin ihmiseen maailmanlaajuisesti milloin tahansa (WHO, 2023). Erityisesti Saharan eteläpuolisessa Afrikassa (SSA) nämä taudit ovat erittäin yleisiä ja liittyvät merkittäviin terveyseroihin, vaikuttaen pääasiassa syrjäytyneisiin yhteisöihin (Kariuki et al. 2023). Keniassa on esimerkiksi merkittävä skin NTD:den taakka, mukaan lukien lymfaattinen filariaasi rannikkoalueella (Njenga et al. 2017; Ofire et al. 2025), myketooma Turkana-alueella (Colom et al. 2023), leishmaniaasi Rift Valleyn ja itäosissa (Baringo, Naivasha/Gilgil, Laikipia, Samburu, Nakuru, Meru, West Pokot, Elgeyo Marakwet, Isiolo, Nyandarua ja Marsabit) (Ngere et al. 2020; van Dijk et al. 2024), tungiaasi (Elson et al. 2019; Nyangacha et al. 2019) ja syyhy (Schmeller ja Dzikus, 2001; Mbogori 2014; Macharia et al. 2024), joilla on laaja jakautuma koko maassa ja joitain lepratapauksia Kwale, Kilifi, Kisumu, Siaya, Homabay ja Busia piireissä (Kenyas NTLLD-ohjelman vuosiraportti, 2014; Wangara et al. 2019). Näiden tautien esiintyvyyttä pahentavat tekijät kuten köyhyys ja riittämättömät terveydenhuollon resurssit, erityisesti riittämättömästi koulutettu henkilöstö skin NTD:den tehokkaaseen hallintaan (Ochola et al. 2021). Skin NTD:den ympärillä oleva stigma, joka on juurtunut yhteiskunnallisiin ja taloudellisiin konteksteihin, johtaa eristämiseen ja syrjintään, mikä estää diagnosointia tai hoitoa, mikä puolestaan pahentaa tautien leviämistä ja vaikeuttaa valvonta- ja hävityspyrkimyksiä, luoden itsensä ylläpitävän haasteiden kiertokulun. Suuri osa NTD:istä aiheuttaa merkittäviä ihovaikutuksia. Siksi ihon tutkiminen tarjoaa mahdollisuuden tunnistaa useita NTD:itä yhdessä interventiossa. Integroitu lähestymistapa, jota Maailman terveysjärjestö (WHO) suosittelee (https://www.who.int/activities/promoting-the-integrated-approach-to-skin-related-neglected-tropical-diseases), johtaa parantuneeseen tapaushavaitsemiseen ja lisääntyneeseen tehokkuuteen resurssien jakamisen ja laajennetun ohjelmakattavuuden kautta. Skin NTD-interventioiden integroinnille on kuitenkin merkittävä este: ihoasiantuntijoiden puute (Schmid-Grendelmeier et al. 2019) (yksi ihoasiantuntija 1-2 miljoonalle asukkaalle) ja riittävästi koulutettu terveydenhuollon henkilöstö. Tällä hetkellä suurinta osaa maaseudun väestöstä, jolla on ihosairauksia, palvelee etulinjan terveydenhuollon työntekijät (FHW), joilla on rajallinen dermatologinen tietämys (Mieras et al. 2018). Tätä haastetta vaikeuttaa entisestään ihoon liittyvien NTD:den alhainen esiintyvyys, mikä vaikeuttaa niiden tunnistamista FHW:iden toimesta (Mieras et al. 2018; Hotez et al. 2009). Koska skin NTD:t perustuvat pääasiassa kliiniseen diagnostiikkaan, FHW:iden riittämätön koulutus vaarantaa tautien hallintaohjelmat ja WHO:n NTD-tiekartan 2021-2030 yleisen tavoitteen saavuttamisen vähentää skin NTD:den aiheuttamaa sairastuvuutta, vammaisuutta ja psykososiaalista vaikutusta vuoteen 2030 mennessä. Tarvitaan uudenlaisia innovatiivisia lähestymistapoja kyvykkyyden rakentamiseksi ja skin NTD:den diagnostiikan parantamiseksi vuoden 2030 tavoitteiden saavuttamiseksi. Tässä suhteessa tekoäly (AI) tarjoaa nyt ennennäkemättömän mahdollisuuden hyödyntää lääketieteellisen kuvantamisen edistystä ihossa nykyisten esteiden ratkaisemiseksi skin NTD:den diagnostiikassa ja hallinnassa SSA:ssa. Olemassa olevat tekoälymallit dermatologiassa keskittyvät usein kehittyneissä maissa yleisiin sairauksiin ja perustuvat homogeenisiin tietoaineistoihin, johten malleihin, jotka eivät yleistä hyvin monimuotoisiin väestöihin. Ne käyttävät tyypillisesti sisäisiä validointimenetelmiä, jotka eivät riitä reaalimaailman käyttöönottoon, joissa mallit kohtaavat vaihtelevia tietolähteitä (Daneshjou et al. 2021). Vaikka tekoälyllä varustetut algoritmit ovat osoittaneet diagnostista tarkkuutta, joka on verrattavissa asiantuntijakliinikoihin korkean resurssien olosuhteissa (Salinas et al. 2024), hyvin harvat tutkimukset ovat tutkineet tekoälyllä varustettujen sovellusten käyttöä skin NTD:den diagnosoinnissa alhaisen resurssien olosuhteissa SSA:ssa. Tämä johtuu teknologian uutuudesta, joka vaikuttaa tällaisten tutkimusten niukkuuteen. WHO:n NTD:n johtama Global Initiative keskustelee edistyksestä, haasteista, aukkoista ja ratkaisuista kehitettäessä ja toteutettaessa tekoälyllä tehostetun älykkyyden perusteella toimivia sovelluksia kyvykkyyden rakentamisen ja valvonnan työkaluna skin NTD:lle ja valituille yleisille ihotiloille resurssirajoitetuissa olosuhteissa. Äskettäin WHO sisällytti kaksi online-tekoälyalgoritmia, jotka pyrkivät luokittelemaan 12 skin NTD:tä ja 24 yleistä ihotilaa (Quilter et al. 2024) WHO Skin NTDs -sovellukseen (pääasiassa rakennettuna koulutusresurssien ja -materiaalien säilytyspaikaksi, jotka noudattavat WHO:n ohjeita). Vaikka sovellus pyrkii parantamaan kyvykkyyden rakentamista tekoälyn avulla, sen "reaalimaailman" vaikutusta tautien hallintaan ei ole vielä saatavilla ja tulevat tutkimukset määrittävät sen hyödyllisyyden. Tekoälyalgoritmien suorituskykyä rajoittaa myös kuvatietoaineistojen saatavuus. AI4Leprosy-tutkimuksessa, joka suoritettiin vuonna 2022 Brasilian lepran kansallisessa viittauskeskuksessa, vaikka konvoluutioneuroverkkoihin (CNN) perustuva tekoälyalgoritmi voisi osaltaan edistää lepran diagnoosia korkealla luokittelutarkkuudella (90 %) (AI4Leprosy), tietojemme mukaan tätä ei ole validoitu alhaisen resurssien olosuhteissa, joissa puuttuu erittäin erikoistunut henkilöstö. Kauempana, vaikka teknologian suorituskykyä validoidaan yhä enemmän dermatologisissa olosuhteissa, kuten melanooma ja muut ihosyövät (Patel et al. 2023), suora todiste sen tehokkuudesta skin-NTD:den diagnosoinnissa on edelleen rajallinen. Kaiken kaikkiaan, vaikka nämä tutkimukset ja aloitteet osoittavat tekoälyllä varustettujen diagnostisten työkalujen potentiaalin, niiden käytön todisteet skin NTD:lle alhaisen resurssien olosuhteissa ovat edelleen kehittymässä. Ehdotettu validointitutkimuksemme pyrkii ratkaisemaan edellä mainitut aukot arvioimalla tekoälyllä varustetun sovelluksen diagnostista tarkkuutta skin NTD:den diagnosoinnissa Keniassa, Etiopiassa ja Senegalissa, tarjoten kriittisiä näkemyksiä sen käytännön hyödyllisyydestä ja vaikutuksesta kliiniseen käytäntöön näissä olosuhteissa. Interventio on SkincAIr Research App, yhdistetty mobiilialusta, joka sisältää kolme roolikohtaista moduulia: Dermatologist Dataset eCRF ihoasiantuntijoiden rakenteelliseen kuvankeräykseen 5 maassa; FHW eCRF kliinisen datan keräämiseen ja tapausdokumentointiin kaikissa 3 tutkimusvaiheessa; ja SkincAIr Detection App - tekoälyllä varustettu diagnostinen päätöksentukitoiminto, joka on upotettu FHW eCRF:ään, aktivoitu yksinomaan vaiheen B aikana (6 kuukautta) ja poistettu vaiheen C aikana parantuneiden diagnostisten taitojen säilymisen arvioimiseksi. Tutkimus mittaa: (SO1) FHW:iden diagnostista suorituskykyä sovelluksen kanssa ja ilman, mukaan lukien varhainen havaitsemisaste, diagnostinen tarkkuus, herkkyys ja spesifisyys ihoasiantuntijan vertailustandardiin nähden; (SO2) tietoaineiston laatua, mukaan lukien määrä, maantieteellinen monimuotoisuus ja kuvanlaatu; (SO3) diagnostisen viiveen väheneminen; (SO4) epidemiologiset valvonta-indikaattorit, mukaan lukien DHIS2-integraatio, tapausvahvistussuhde ja kohdealueiden tunnistaminen; (SO5) FHW:iden tiedonlisäys ja käyttäjätyytyväisyys. Kustannustehokkuutta arvioidaan primaarin vs. sekundaarin hoidon kustannusvertailun ja ICER-laskelman kautta. Tämä kliininen tutkimus tarjoaa elintärkeää dataa arvioitaessa tekoälyn käytännön hyödyllisyyttä parantamaan diagnostista tarkkuutta ja nopeutta ei-asiantuntijaterveydenhuollon työntekijöiden keskuudessa. Hyödyntämällä tekoälyä ja mobiiliteknologiaa voimme varustaa FHW:t alhaisen resurssien olosuhteissa työkaluilla nopeasti havaitsemaan ja hallitsemaan skin NTD:itä.

Tutkimuksen perustelu:

Unohdetut trooppiset taudit (NTDs) vaikuttavat yli miljardiin ihmiseen maailmanlaajuisesti, ja skin NTD:t kuten lepra, kutanee leishmaniaasi ja onkokerkoosi vaikuttavat merkittävästi sairastuvuuteen, vammaisuuteen ja stigmaan vaikutetuissa väestöissä. Varhainen havaitseminen ja hoito ovat ratkaisevia komplikaatioiden estämiseksi, leviämisen vähentämiseksi ja potilastulosten parantamiseksi. Resurssirajoitetuissa olosuhteissa, kuten Keniassa, Etiopiassa, Senegalissa, Nigeriassa ja Kongon demokraattisessa tasavallassa, FHW:t ovat usein ensimmäinen kosketuspiste potilaille, joilla on ihovaivoja. FHW:illä ei kuitenkaan yleensä ole erikoiskoulutusta dermatologiassa, mikä johtaa skin NTD:den väärindiagnosointiin tai viivästyneeseen diagnoosiin. Mobiiliterveyden (mHealth) interventiot, erityisesti ne, jotka sisältävät tekoälyä, tarjoavat lupaavan ratkaisun FHW:iden diagnostisten kykyjen parantamiseksi. SkincAIr-hankkeen tavoitteena on arvioida, voiko mobiilisovelluksen, jossa on tekoälytoimintoja, käyttöönotto parantaa FHW:iden diagnostista tarkkuutta skin NTD:den havaitsemisessa. Lisäksi tutkimus pyrkii määrittämään, säilyttävätkö FHW:t parantuneet diagnostiset taidot tekoälyavun poistamisen jälkeen, mikä osoittaa mahdollisen kyvykkyyden rakentamisen ja kestävän parantumisen terveydenhuollon toimituksessa. Hankkeemme ylittää dermatologian erikoiskoulutuksen puutteen ja kuvatietoaineistojen saatavuuden kaksoisrajoituksen keräämällä todellista kliinistä dataa useista maantieteellisistä sijainneista matalan ja keskitason tulotasoisten maiden (LMIC) sisällä, varmistaen, että mallimme on koulutettu ja ulkoisesti validoitu monimuotoisilla tietoaineistoilla, jotka edustavat kohdeväestöjä. Kenian, Etiopian, Senegal, Nigerian ja Kongon demokraattisen tasavallan sisällyttäminen edistää kuvien monimuotoisuutta, jotka edustavat skin NTD:itä, jotka ovat endeemisiä useissa maantieteellisissä sijainneissa Saharan eteläpuolisessa Afrikassa. Koska nämä sijainnit esittävät ainutlaatuisia haasteita, mukaan lukien rajoitettu terveydenhuollon infrastruktuuri ja vaihtelevat tautiesiintymät, ehdotettu tutkimus on ratkaisevan tärkeä tämän aukon täyttämisessä. Toteutamme kontrolloidun kuvanhankintaprotokollan datankeruun standardoimiseksi, minimoimalla shortcut-oppimisen riskin - missä mallit saattavat luottaa epäoleellisiin piirteisiin väärien korrelaatioiden vuoksi (Winkler et al. 2019). Integroimalla multimodaalista dataa, mukaan lukien kliiniset parametrit, ja varmistamalla robustisuuden puuttuvalle datalle, mallimme tarjoavat tarkempia ja personoituja diagnostisia ja ennustavia kykyjä.

Nollahypoteesi:

SkincAIr-tekoälyllä varustetun mobiilisovelluksen käyttö ei paranna FHW:iden diagnostista tarkkuutta (herkkyys ja spesifisyys) skin-NTD:den havaitsemisessa verrattuna heidän perustasonsa ilman sovellusta.

Yleinen tavoite:

Kehittää tekoälyllä tuettu diagnostinen työkalu skin NTD:lle (SkincAIr) ja testata sen suorituskykyä ja vaikutusta etulinjan terveydenhuollon työntekijöiden (FHW) keskuudessa valittujen skin NTD:den havaitsemisessa.

Erityistavoitteet:

  1. Kerätä kuvadataa skin NTD:stä ja muista ihotiloista ihoasiantuntijoiden/dermatologiavirkailijoiden tai muiden skin NTD:llä koulutettujen virkailijoiden toimesta, jota käytetään SkincAIr-sovelluksen kouluttamiseen ja kehittämiseen.
  2. Kvantifioida SkincAIr-mobiilisovelluksen vaikutus etulinjan terveydenhuollon työntekijöiden (FHW) diagnostiseen tarkkuuteen (herkkyys ja spesifisyys) iho-unohdettujen trooppisten tautien (skin-NTDs) ja muiden ihotilojen tunnistamisessa.

  3. Mittata SkincAIr-avusteisen diagnoosin vaikutusta keskeisiin kliinisiin ja operatiivisiin mittareihin:

    • Aika diagnoosiin ensimmäisestä käynnistä - Kuinka kauan potilaalla kestää saada diagnoosi siitä hetkestä, kun he ensin esiintyvät terveydenhuollon tarjoajalle
    • Aika ensimmäisestä esiintymisestä lopulliseen diagnoosiin - aika mistä tahansa alustavasta kontaktista (mahdollisesti yhteisötasolla tai ensimmäisessä klinikassa) lopulliseen vahvistettuun diagnoosiin asiantuntijan toimesta
    • Hoidon aloitusviiveiden väheneminen
    • Muutokset lähetyskäytännöissä erikoiskeskuksiin - Muutokset siinä, kuinka usein ja kuinka asianmukaisesti potilaat lähetetään asiantuntijoille tai korkeammille keskuksille
    • Säästöt sekundaarisessa hoidossa, jotka johtuvat parantuneesta primaaridiagnostiikasta (varhaiset ja tarkat diagnoosit FHW:iden toimesta)
    • Uudet kohdealueet epäillyistä tai vahvistetuista skin NTD:istä projektijakson aikana (jopa M60).
  4. Arvioida parantuneiden diagnostisten taitojen kestävyyttä FHW:iden keskuudessa tekoälyavun poistamisen jälkeen.

Opintotyyppi

Interventio

Ilmoittautuminen (Arvioitu)

2420

Vaihe

  • Ei sovellettavissa

Yhteystiedot ja paikat

Tässä osiossa on tutkimuksen suorittajien yhteystiedot ja tiedot siitä, missä tämä tutkimus suoritetaan.

Opiskeluyhteys

Tutki yhteystietojen varmuuskopiointi

Opiskelupaikat

  • Etiopia
    • Addis Ababa
      • Addis Ababa, Addis Ababa, Etiopia
        • Armauer Hansen Research Institute (AHRI)
        • Ottaa yhteyttä:
        • Ottaa yhteyttä:
        • Päätutkija:
          • Kassa Haile, MD
  • Kenia
    • Nyanza
      • Kisumu, Nyanza, Kenia
        • Kenya Medical Research Institute (KEMRI)
        • Ottaa yhteyttä:
        • Ottaa yhteyttä:
        • Päätutkija:
          • Maurice Odiere, PhD
  • Kongon demokraattinen tasavalta
    • South Kivu
      • Bukavu, South Kivu, Kongon demokraattinen tasavalta
        • Université Catholique de Bukavu (UCB)
        • Ottaa yhteyttä:
        • Ottaa yhteyttä:
        • Päätutkija:
          • Patrick Katoto Chimusa, PhD
  • Nigeria
    • Plateau State
      • Jos, Plateau State, Nigeria
        • Leprosy and Tuberculosis Relief Initiative Nigeria (LTR)
        • Ottaa yhteyttä:
        • Ottaa yhteyttä:
        • Päätutkija:
          • Tahir Dahiru, PhD
  • Senegal
    • Dakar
      • Dakar, Dakar, Senegal
        • Centre Hospitalier de l'Ordre de Malte (CHOM)
        • Ottaa yhteyttä:
        • Päätutkija:
          • Lahla Fall, MD

Osallistumiskriteerit

Tutkijat etsivät ihmisiä, jotka sopivat tiettyyn kuvaukseen, jota kutsutaan kelpoisuuskriteereiksi. Joitakin esimerkkejä näistä kriteereistä ovat henkilön yleinen terveydentila tai aiemmat hoidot.

Kelpoisuusvaatimukset

Opintokelpoiset iät

  • Lapsi
  • Aikuinen
  • Vanhempi Aikuinen

Hyväksyy terveitä vapaaehtoisia

Ei

Kuvaus

  1. Etulinjan terveydenhuollon työntekijät (FHW) Ikäryhmä

    • Ikähaarukka: 18 vuotta ja yli o Perustelu: FHW:n on oltava täysi-ikäisiä, laillisesti päteviä tarjoamaan terveydenhuollon palveluita ja antamaan suostumus osallistumaan tutkimukseen Sukupuolijakauma
    • Mies- ja naispuoliset FHW:t o Perustelu: Sekä mies- että naispuolisia FHW:ta sisällytetään heijastamaan todellista työvoimajakaumaa ja varmistamaan tulosten yleistettävyys sukupuolten välillä.

    FHW:den osallistumiskriteerit:

    1. Ammattirooli:

      o On työskenneltävä FHW:nä yhdessä valituista terveyskeskuksista validaatiotutkimuksen aikana.

      ■ Perustelu: Tutkimuksen tavoitteena on arvioida niiden diagnostiikkaa, jotka ovat suoraan mukana ensisijaisessa potilashoidossa kohdeympäristöissä.

    2. Osallistumishalu:

      o Halukas antamaan kirjallisen tietoon perustuvan suostumuksen osallistua tutkimukseen.

      ■ Perustelu: Eettiset standardit edellyttävät vapaaehtoista osallistumista tietoon perustuvalla suostumuksella.

    3. Älypuhelimen käyttö:

      o Halukas ja kykenevä käyttämään älypuhelinta tutkimuksen aikana.

      ■ Perustelu: SkincAIr-sovellus perustuu älypuhelimiin; siksi FHW:den on oltava halukkaita käyttämään ja päässeet käyttöön tällaisia laitteita.

    4. Ei erikoistunutta dermatologian koulutusta:

      • FHW:t ilman erikoistunutta koulutusta dermatologiassa tai laajaa kokemusta ihosairauksien diagnosoinnissa.

        • Perustelu: Tutkimuksen tavoitteena on arvioida sovelluksen tehokkuutta yleisterveydenhuollon työntekijöiden keskuudessa, jotka hyötyisivät eniten diagnostiikkatuista.

    FHW:den poissulkemiskriteerit:

    1. Aikaisempi erikoistunut koulutus dermatologiassa:

    o FHW:t, joilla on muodollinen koulutus tai laaja kokemus dermatologiassa.

    • Perustelu: Erikoistuneiden sisällyttäminen voi vääristää tuloksia, koska heidän perustasoisen diagnostiikan tarkkuus voi olla jo korkea, mikä vähentää sovelluksen havaittavaa vaikutusta.

      2. Kieltäytyminen tai kykenemättömyys antaa suostumus:

      • FHW:t, jotka eivät ole halukkaita tai kykeneviä antamaan kirjallista tietoon perustuvaa suostumusta.
    • Perustelu: Eettinen noudattaminen edellyttää tietoon perustuvaa suostumusta osallistumiseen. 3. Kykenemättömyys käyttää sovellusta: o FHW:t, jotka eivät pysty käyttämään älypuhelinta teknisistä rajoituksista, fyysisistä rajoitteista tai teknologian tuntemattomuudesta johtuen.
    • Perustelu: Sovelluksen tehokas käyttö on välttämätöntä interventiolle; kykenemättömyys käyttää sitä estäisi merkityksellisen osallistumisen.

  2. Potilaat, joilla on ihovaivoja Koko

    ● Yhteensä potilaita: ~750 potilasta Ikäryhmä

    ● Kaikki ikäryhmät:

    o Perustelu: Ihotaudit (Skin-NTD) vaikuttavat kaikenikäisiin henkilöihin; kaikkien ikäryhmien sisällyttäminen parantaa tulosten yleistettävyyttä ja arvioi sovelluksen tehokkuutta koko elinkaaren ajan.

    Sukupuolijakauma

    • Mies- ja naispuoliset potilaat
    • Perustelu: Molemmat sukupuolet sisällytetään kattamaan täyden kirjon sairastavuudesta ja varmistamaan, että sovelluksen diagnostiikan tarkkuus on tehokasta sukupuolesta riippumatta.

    Potilaiden, joilla on ihovaivoja, osallistumiskriteerit:

    1. Esittää ihovaivoja:

    o Potilaat, jotka tulevat osallistuviin terveyskeskuksiin oireilla, jotka viittaavat ihotauteihin (esim. näkyvät ihomuutokset, noduulit, haavaumat), mutta joita ei ole diagnosoitu erikoislääkärillä kyseisen ihotilan osalta.

    • Perustelu: Tutkimuksen tavoitteena on arvioida sovelluksen tehokkuutta todellisissa olosuhteissa, mukaan lukien kaikki potilaat, joilla on mahdollisia ihotauteja 2. Osallistumishalu: o Potilaat (tai huoltajat alaikäisten tapauksessa) halukkaita antamaan kirjallisen tietoon perustuvan suostumuksen osallistumisesta.

    • Perustelu: Eettiset standardit edellyttävät tietoon perustuvaa suostumusta potilailta tai heidän laillisilta huoltajiltaan.

      3. Kyky noudattaa tutkimusmenettelyjä:

      o Potilaat kykenevät seuraamaan tutkimusohjeita ja osallistumaan tarvittaviin seurantatapaamisiin.

    • Perustelu: Varmistaa täydellisen tiedonkeruun ja tulosten tarkan arvioinnin.

      4. Potilaat, joilla on samanaikaisia sairauksia:

    • Perustelu: Immunosupressio, joka esiintyy joissakin samanaikaisissa sairauksissa, esim. HIV/AIDS tai vakava aliravitsemus, voi paljastaa ihosairauden ja voi vaikuttaa sekä kliiniseen etenemiseen että jopa ihotaudin vakavuuteen. Tämä sisältää myös potilaat, joilla on useita ihotauteja.

    Potilaiden, joilla on ihovaivoja, poissulkemiskriteerit:

    1. Kieltäytyminen tai kykenemättömyys antaa suostumus:

      o Potilaat (tai huoltajat), jotka eivät ole halukkaita tai kykeneviä antamaan kirjallista tietoon perustuvaa suostumusta.

      ■ Perustelu: Eettinen noudattaminen edellyttää tietoon perustuvaa suostumusta osallistumiseen.

    2. Ei-ihoon liittyvät vaivat:

      o Potilaat, jotka esittävät vaivoja, jotka eivät liity ihotiloihin.

      ■ Perustelu: Tutkimus keskittyy ihotauteihin; ei-liittyvien tapausten sisällyttäminen ei edistä tutkimuksen tavoitteita.

    3. Aikaisempi osallistuminen tutkimukseen:

      o Potilaat, jotka ovat jo osallistuneet tutkimukseen.

      ■ Perustelu: Välttääkseen päällekkäistä dataa ja mahdollista harhaa tuloksissa.

      Lisähuomioita:

      Monimuotoisuus ja edustavuus ● Maantieteellinen monimuotoisuus:

      o Terveyskeskusten sisällyttäminen eri alueilta kussakin maassa varmistaa, että tulokset ovat edustavia erilaisissa ympäristöissä (kaupunkialueet, esikaupunkialueet, maaseutu).

      ● Kulttuuriset ja sosioekonomiset tekijät:

      o Tutkimus tunnustaa, että kulttuuriset uskomukset ja sosioekonominen status voivat vaikuttaa terveydenhuollon hakemiskäyttäytymiseen ja sairauden esiintymiseen. Sisällyttämällä monipuolinen potilasväestö tutkimus pyrkii kaappaamaan nämä vaihtelut.

      Eettinen perustelu ● Inklusiivisuus:

      • Kaikkien ikäryhmien ja molempien sukupuolten sisällyttäminen on linjassa oikeudenmukaisuuden ja tasa-arvon eettisten periaatteiden kanssa, varmistaen, että tutkimuksen hyödyt ovat saatavilla kaikille väestönosille.

        • Haavoittuvat väestöryhmät:
      • Vaikka sisällytetään alaikäisiä ja mahdollisesti haavoittuvia aikuisia, tutkimus toteuttaa lisäturvatoimia heidän oikeuksiensa ja hyvinvointinsa suojaamiseksi noudattaen eettisiä ohjeita ja hankkien suostumuksen huoltajilta tarvittaessa.

Opintosuunnitelma

Tässä osiossa on tietoja tutkimussuunnitelmasta, mukaan lukien kuinka tutkimus on suunniteltu ja mitä tutkimuksella mitataan.

Miten tutkimus on suunniteltu?

Suunnittelun yksityiskohdat

  • Ensisijainen käyttötarkoitus: Terveyspalvelututkimus
  • Jako: Ei satunnaistettu
  • Inventiomalli: Rinnakkaistehtävä
  • Naamiointi: Ei mitään (avoin tarra)

Aseet ja interventiot

Osallistujaryhmä / Arm
Interventio / Hoito
Muut: Kliinisen kuvan tiedonkeruu
Ihoasiantuntijat viidessä maassa (Kenia, Etiopia, Senegal, Nigeria ja Kongon demokraattinen tasavalta) käyttävät SkincAIr Research -sovelluksen Dermatologist Dataset eCRF -moduulia korkealaatuisten kliinisten kuvien tallentamiseen ja merkitsemiseen ihon NTD:istä ja muista ihotiloista rutiininomaisen kliinisen toiminnan aikana (M12-M48, 36 kuukautta). Järjestetty metatieto, mukaan lukien tautityyppi, kehon osa, ikäryhmä, vakavuus ja maantieteellinen sijainti, tallennetaan kunkin kuvan yhteydessä. Kerätyt kuvat käytetään yksinomaan SkincAIr tekoälymallin kouluttamiseen ja kehittämiseen ennen sen validointia eturintaman terveydenhuollon työntekijöiden keskuudessa. Tavoite: >3 500 korkealaatuista, merkattua kuvaa ihon NTD:istä yli 11 tautiluokassa viidessä maassa (KPI 2.1).
Laite: Mobiilisovellus, jossa on tekoälytoimintoja ihon liittyvien NTD:iden diagnosointiin
SkincAIr-tutkimussovellus on yhtenäinen mobiilialusta (Android, offline-toimiva), joka sisältää kolme roolispesifistä moduulia: (1) Dermatologien tietokanta eCRF - dermatologien käyttämä 5 maassa (M12-M48) korkealaatuisten ihon NTD:iden kliinisten kuvien tallentamiseen ja merkitsemiseen tekoälymallin kehitystä varten; (2) FHW eCRF - eturintaman terveystyöntekijöiden (FHW) käyttämä 3 maassa (M22-M45) kliinisten arvioiden dokumentointiin tekoälytuen kanssa ja ilman; (3) SkincAIr Detection App - tekoälyllä toimiva diagnostinen päätöksentukitoiminto, joka on upotettu FHW eCRF:ään, aktivoituu yksinomaan vaiheen B aikana (6 kuukautta) ja tarjoaa kuvapohjaisia diagnostisia ehdotuksia auttaakseen FHW:tä tunnistamaan ihon NTD:t. SkincAIr Detection App on tarkasteltava ensisijainen interventio. Jos sen tehokkuus osoitetaan, sitä on tarkoitus ottaa käyttöön kansallisten terveysministeriöiden toimesta, integroida kansallisiin terveystietojärjestelmiin (DHIS2) ja laajentaa käyttöä Saharan eteläpuolisessa Afrikassa.
Muut nimet:
  • SkincAIr Detection App
Kokeellinen: SkincAIr-validointitutkimus - etulinjan terveydenhuollon työntekijät
50 etulinjan terveydenhuollon työntekijää (FHW) maata kohden (Kenia, Etiopia, Senegal) ja noin 750 iho-oireista potilasta maata kohden osallistuu 24 kuukauden sisäiseen validointitutkimukseen käyttäen SkincAIr Research -sovellusta. FHW:t suorittavat 3 peräkkäistä vaihetta: Vaihe A (M22-M33, 12 kuukautta): perustietojen keruu käyttäen standardeja diagnostisia menetelmiä ilman tekoälytukea, käyttäen vain FHW eCRF:ää; Vaihe B (M34-M39, 6 kuukautta): tekoälyavusteinen diagnosointi käyttäen FHW eCRF:ään upotettua SkincAIr Detection -sovellusta, aktivoitu yksinomaan tänä vaiheena; Vaihe C (M40-M45, 6 kuukautta): tekoälytuki poistettu parantuneiden diagnostisten taitojen säilymisen arvioimiseksi. Jokainen FHW toimii omana kontrollinaan. Viitedermatologi arvioi itsenäisesti jokaisen potilaan tarjoten kultaisen standardin diagnoosin.
Laite: Mobiilisovellus, jossa on tekoälytoimintoja ihon liittyvien NTD:iden diagnosointiin
SkincAIr-tutkimussovellus on yhtenäinen mobiilialusta (Android, offline-toimiva), joka sisältää kolme roolispesifistä moduulia: (1) Dermatologien tietokanta eCRF - dermatologien käyttämä 5 maassa (M12-M48) korkealaatuisten ihon NTD:iden kliinisten kuvien tallentamiseen ja merkitsemiseen tekoälymallin kehitystä varten; (2) FHW eCRF - eturintaman terveystyöntekijöiden (FHW) käyttämä 3 maassa (M22-M45) kliinisten arvioiden dokumentointiin tekoälytuen kanssa ja ilman; (3) SkincAIr Detection App - tekoälyllä toimiva diagnostinen päätöksentukitoiminto, joka on upotettu FHW eCRF:ään, aktivoituu yksinomaan vaiheen B aikana (6 kuukautta) ja tarjoaa kuvapohjaisia diagnostisia ehdotuksia auttaakseen FHW:tä tunnistamaan ihon NTD:t. SkincAIr Detection App on tarkasteltava ensisijainen interventio. Jos sen tehokkuus osoitetaan, sitä on tarkoitus ottaa käyttöön kansallisten terveysministeriöiden toimesta, integroida kansallisiin terveystietojärjestelmiin (DHIS2) ja laajentaa käyttöä Saharan eteläpuolisessa Afrikassa.
Muut nimet:
  • SkincAIr Detection App

Mitä tutkimuksessa mitataan?

Ensisijaiset tulostoimenpiteet

Tulosmittaus
Toimenpiteen kuvaus
Aikaikkuna
FHW:n Diagnostisen Tarkkuuden Parantaminen (FHW-DAI)
Aikaikkuna: Kuukausi 22 - Kuukausi 45
Ensilinjan terveydenhuollon työntekijöiden (FHW) diagnoosien tarkkuuden prosentuaalinen parantuminen SkincAIr Detection -sovelluksen käytön yhteydessä verrattuna perustasoon ilman sovellusta. Diagnoosien tarkkuutta mitataan vertaamalla FHW:n diagnooseja viitestandardidiagnoosiin, jonka jokaiselle potilastapaukselle on asettanut itsenäisesti samassa paikassa toimiva ihotautilääkäri. Vähintään 15 %:n parantuminen (KPI 1.3) vaaditaan osoittamaan sovelluksen kliininen hyöty. Mitattu kaikissa kolmessa tutkimusvaiheessa: Vaihe A (perustaso, ei sovellusta, M22-M33); Vaihe B (sovellus käytössä, M34-M39); Vaihe C (sovellus poistettu käytöstä, M40-M45).
Kuukausi 22 - Kuukausi 45

Toissijaiset tulostoimenpiteet

Tulosmittaus
Toimenpiteen kuvaus
Aikaikkuna
Ihon NTD:den varhainen havaitsemismäärä FHWs:ien toimesta (KPI 1.1)
Aikaikkuna: 22. kuukaudesta 39. kuukauteen
Prosentuaalinen lisäys etulinjan terveydenhuollon työntekijöiden (FHW) havaitsemien varhaisen vaiheen ihosairauksien (NTD) tapauksissa verrattuna lähtötasoon. Varhainen havaitseminen määritellään FHW:n tunnistamaksi ihosairauden (NTD) tapaukseksi varhaisessa sairausvaiheessa, jonka viitedermatologi on vahvistanut. Vähimmäisvaatimus on 12 %:n lisäys 6 kuukauden sovelluskäytön jälkeen (vaihe B) (KPI 1.1). Mitattu vertaamalla FHW:n havaitsemien varhaisen vaiheen vahvistettujen tapausten osuutta vaiheen A (lähtötaso) ja vaiheen B (sovellus käytössä) välillä.
22. kuukaudesta 39. kuukauteen
Aikavälin lyhentäminen FHW-epäilystä diagnoosivarmistukseen (KPI 1.2)
Aikaikkuna: Kuukausi 22 - kuukausi 45
Ajan (päivinä) lyheneminen siitä hetkestä, kun terveydenhuollon työntekijä (FHW) epäilee ihosairautta (NTD), kunnes dermatologi vahvistaa diagnoosin ulkopuolisesti. Vähintään 10 prosentin väheneminen verrattuna lähtötilanteeseen (vaihe A) on vaadittu (KPI 1.2). Mitattu aikaleimoilla, jotka on tallennettu FHW:n eCRF:ään kaikissa kolmessa tutkimusvaiheessa.
Kuukausi 22 - kuukausi 45
FIHW-diagnoosin herkkyys ihon NTD:lle (KPI 1.4)
Aikaikkuna: Kuukausi 22 kautta kuukauden 45
FHW-diagnoosien tosi positiivisuusaste ihon NTD:ille, määriteltynä vahvistettujen ihon NTD-tapausten osuutena, jotka FHW:t tunnistavat oikein. Vähimmäisherkkyys 80% vähintään 7 ihon NTD-kategorialle vaaditaan (KPI 1.4). Mitattu vertaamalla FHW-diagnooseja ihotautilääkärin vertailustandardiin kaikissa tutkimusvaiheissa.
Kuukausi 22 kautta kuukauden 45
FHH-diagnoosin spesifisyys ihon NTD:lle (KPI 1.5)
Aikaikkuna: Kuukausi 22 - Kuukausi 45
FHW-diagnoosien todellinen negatiivisuusaste ihon NTD:ille, määriteltynä sellaisten ei-ihon NTD-tapausten osuutena, jotka FHW:t sulkevat pois oikein. Vähimmäisherkkyys 80% vähintään 7:lle ihon NTD-luokalle vaaditaan (KPI 1.5). Mitataan vertaamalla FHW-diagnooseja dermatologin vertailustandardiin kaikissa tutkimusvaiheissa.
Kuukausi 22 - Kuukausi 45
Diagnostisen viiveen lyhentäminen ensimmäisestä terveydenhuollon yhteydenotosta diagnoosin vahvistukseen (KPI 3.1)
Aikaikkuna: Kuukausi 22 - Kuukausi 45
Potilaan ensimmäisestä terveydenhuollon kontaktista ulkoiseen diagnoosivarmennukseen iho- ja sukupuolitautilääkärin toimesta kuluvan kokonaisajan (päivissä) lyhentyminen. Vähintään 10 %:n lyhentyminen verrattuna lähtötilanteeseen on vaadittu (KPI 3.1). Tämä KPI mittaa diagnoosiprosessin tehokkuutta alusta loppuun ja täydentää KPI 1.2:ta kattamalla koko potilaan polun, mukaan lukien perustason kontaktit ennen FHW-kohtaamista.
Kuukausi 22 - Kuukausi 45
FHW-diagnostiikan tiedon hankinta ja säilyttäminen (KPI 5.1)
Aikaikkuna: Kuukausi 33 kuukaudesta 45
Prosentuaalinen parannus FHW-diagnostisessa tietotuloksessa mitattuna standardoiduilla kuvapohjaisilla kliinisillä vinettiarvioinneilla, jotka toteutetaan 3 aikapisteessä: ennen tekoälyaltistusta (vaiheen A loppu), tekoälyaltistuksen jälkeen (vaiheen B loppu) ja tekoälytuen poiston jälkeen (vaiheen C loppu). Vähimmäistietotason nousun on oltava vähintään 70 % (KPI 5.1). Tämä lopputulos arvioi myös, säilyykö tieto tekoälytuen poistamisen jälkeen (vaihe C).
Kuukausi 33 kuukaudesta 45
Käyttäjäkoulutuksen tyytyväisyysindeksi (UESI) (KPI 5.2)
Aikaikkuna: Kuukaudesta 34 kuukauteen 39
FHT:n tyytyväisyys SkincAIr Detection -sovelluksen koulutusominaisuuksiin, mitattuna rakenteellisella tyytyväisyyskyselyllä, joka toteutetaan vaiheen B lopussa. Tyytyväisyys pisteytetään standardoidulla asteikolla. Vähimmäistyytyväisyysindeksiksi vaaditaan 90 % (KPI 5.2). Data kerätään itse täytettävällä kyselylomakkeella SkincAIr Research -sovelluksen sisällä.
Kuukaudesta 34 kuukauteen 39
Epidemiologinen valvonta - DHIS2:een integroidut kohteet (KPI 4.1)
Aikaikkuna: Kuukausi 22 kuukauden 60 kautta
Kumulatiivinen määrä yksilöllisiä tutkittavia, joiden tiedot SkincAIr-ekosysteemistä – mukaan lukien validointitutkimuksen eCRF-tietueet ja säännöllinen sovelluskäyttö – on integroitu kansallisiin terveystietojärjestelmiin (DHIS2) projektin loppuun mennessä. Vähintään 10 000 yksilöllistä tutkittavaa on integroitava (KPI 4.1). Mitattu järjestelmälokien ja DHIS2-integraatiotietueiden avulla.
Kuukausi 22 kuukauden 60 kautta
Tapausvahvistussuhde (CCR) (KPI 4.2)
Aikaikkuna: Kuukaudesta 22 kuukauteen 45
Osuus ihon NTD-tapauksista, joita perusterveydenhuollon työntekijät epäilevät ja jotka myöhemmin vahvistetaan dermatologin tai laboratoriotestin avulla.
Vähimmäisvaatimus on 50 %:n tapausvahvistussuhde (KPI 4.2).
Tämä mittari arvioi perusterveydenhuollon työntekijöiden tapauksentunnistuksen kliinistä merkitystä ja tarkkuutta seurantajärjestelmässä.
Kuukaudesta 22 kuukauteen 45
Vasteaika kuumien kohteiden tunnistamiseen (KPI 4.3)
Aikaikkuna: Kuukausi 22 - Kuukausi 60
Aika ihon NTD-keskuksen tunnistamisen SkincAIr-järjestelmän avulla ja asianomaisen terveysviranomaisen hyväksymisen välillä. Vastausajan on vähennettävä yli 10 % verrattuna lähtötilanteeseen (KPI 4.3). Mitattu käyttämällä SkincAIr-järjestelmän lokien ja sähköpostitietueiden ilmoitus- ja hyväksyntäaikaleimoja.
Kuukausi 22 - Kuukausi 60
Uudet iho-NTD-keskittymät tunnistettu (KPI 4.4)
Aikaikkuna: Kuukausi 12 kuukautta 60 asti
Uusien maantieteellisesti erillisten ihon NTD-keskittymien määrä, jotka on tunnistettu SkincAIr-seurantajärjestelmän avulla projektijakson aikana. Keskittymä määritellään tapausryppääksi, joka ylittää perustason määritellyllä maantieteellisellä ruudukolla (5-10 km resoluutio). Vähintään 5 uutta keskittymää on tunnistettava (KPI 4.4).
Kuukausi 12 kuukautta 60 asti
Tekoälyavusteisen ensidiagnoosin kustannustehokkuus
Aikaikkuna: Kuukausi 22–45
Kustannussäästöt, jotka saavutetaan siirtämällä sopivia iho-NTD:n tapauksia toissijaisesta hoidosta ensisijaiseen hoitotasoon parantamalla FHW-diagnostiikan tarkkuutta. Mitataan vertaamalla suoria ja epäsuoria kustannuksia per tapaus ensisijaisessa vs toissijaisessa hoitotasossa vaiheen A (perustaso) ja vaiheen B (sovellus käytössä) välillä. Sisältää lisäkustannus-tehokkuussuhteen (ICER) laskennan arvioidakseen SkincAIr-intervention kustannustehokkuutta.
Kuukausi 22–45

Muut tulostoimenpiteet

Tulosmittaus
Toimenpiteen kuvaus
Aikaikkuna
Ihon NTD-kuva-aineiston koko ja laatu (KPI 2.1-2.4)
Aikaikkuna: Kuukaudesta 12 kuukauteen 48
Kokonaismäärä dermatologien keräämiä korkearesoluutioisia ja annotoituja ihon NTD-kuvia 5 maassa käyttäen SkincAIr Research Appin Dermatologist Dataset eCRF -moduulia. Tavoitteet: yli 3 500 kuvaa yhteensä (KPI 2.1); maantieteellinen monimuotoisuus yli 4 maassa (KPI 2.2); yli 100 kuvaa 11 ihon NTD-luokasta (KPI 2.3); yli 90 % kuvista täyttää ennalta määritellyt laatuvaatimukset (KPI 2.4).
Kuukaudesta 12 kuukauteen 48

Yhteistyökumppanit ja tutkijat

Täältä löydät tähän tutkimukseen osallistuvat ihmiset ja organisaatiot.

Sponsori

Kenya Medical Research Institute

Yhteistyökumppanit

King's College London
Universidad Politecnica de Madrid
FACHHOCHSCHULE ZENTRALSCHWEIZ - HOCHSCHULE LUZERN
SHERWOOD HEALTHCARE SENEGAL SARL
TEACUP CONSULTING SL
MTU AUSTRALO ALPHA LAB
OMODI, AGASNA, ODIEMBO ADVOCATES LLP
OEUVRES HOSPITALIERES FRANCAISES DE L'ORDRE DE MALTE
ARMAUER HANSEN RESEARCH INSTITUTE
Leprosy and Tuberculosis Relief Initiative Nigeria
Université Catholique de Bukavu

Tutkijat

  • Opintojen puheenjohtaja: Gustavo H Penaloza, PhD, Polytechnic University of Madrid (UPM)
  • Opintojohtaja: Carla Rodríguez Cuesta, MEng, SHERWOOD HEALTHCARE SENEGAL SARL

Julkaisuja ja hyödyllisiä linkkejä

Tutkimusta koskevien tietojen syöttämisestä vastaava henkilö toimittaa nämä julkaisut vapaaehtoisesti. Nämä voivat koskea mitä tahansa tutkimukseen liittyvää.

Yleiset julkaisut

Hyödyllisiä linkkejä

Opintojen ennätyspäivät

Nämä päivämäärät seuraavat ClinicalTrials.gov-sivustolle lähetettyjen tutkimustietueiden ja yhteenvetojen edistymistä. National Library of Medicine (NLM) tarkistaa tutkimustiedot ja raportoidut tulokset varmistaakseen, että ne täyttävät tietyt laadunvalvontastandardit, ennen kuin ne julkaistaan ​​julkisella verkkosivustolla.

Opi tärkeimmät päivämäärät

Opiskelun aloitus (Arvioitu)

Perjantai 1. toukokuuta 2026

Ensisijainen valmistuminen (Arvioitu)

Keskiviikko 28. helmikuuta 2029

Opintojen valmistuminen (Arvioitu)

Perjantai 31. toukokuuta 2030

Opintoihin ilmoittautumispäivät

Ensimmäinen lähetetty

Perjantai 27. maaliskuuta 2026

Ensimmäinen toimitettu, joka täytti QC-kriteerit

Perjantai 27. maaliskuuta 2026

Ensimmäinen Lähetetty (Todellinen)

Torstai 2. huhtikuuta 2026

Tutkimustietojen päivitykset

Viimeisin päivitys julkaistu (Todellinen)

Torstai 2. huhtikuuta 2026

Viimeisin lähetetty päivitys, joka täytti QC-kriteerit

Perjantai 27. maaliskuuta 2026

Viimeksi vahvistettu

Sunnuntai 1. maaliskuuta 2026

Lisää tietoa

Tähän tutkimukseen liittyvät termit

Avainsanat

Muita asiaankuuluvia MeSH-ehtoja

Muut tutkimustunnusnumerot

  • EC grant agreement 101190743
  • MGAAres(2025)3881363 (Muu apuraha/rahoitusnumero: Global Health EDCTP3 Joint Undertaking - European Commission)

Yksittäisten osallistujien tietojen suunnitelma (IPD)

Aiotko jakaa yksittäisten osallistujien tietoja (IPD)?

JOO

IPD-suunnitelman kuvaus

Anonymisoituja kliinisiä kuvia ja metadataa, jotka on kerätty Dermatologist Dataset eCRF:n kautta, julkaistaan julkisesti avoimena tietoaineistona hankkeen päätyttyä (M60). Yksittäisen osallistujan tiedot validointitutkimuksesta ovat tutkijoiden saatavilla kohtuullisen pyynnön perusteella, mikäli tietojen jakamista koskevat sopimukset ja eettisen toimikunnan hyväksyntä saadaan. Tiedot säilytetään AWS eu-west-1 -palvelussa 10 vuotta tutkimuksen päätyttyä.

IPD-jaon aikakehys

Alkaen 12 kuukautta tutkimuksen päätyttyä (M60), saatavilla 10 vuoden ajan

IPD-jaon käyttöoikeuskriteerit

Tutkijoiden on toimitettava tiedonkäyttöpyyntö. Käyttöoikeus myönnetään allekirjoitetun GDPR:n ja osallistuvien maiden kansallisten tietosuojalakien mukaisen tietojen jakamissopimuksen ehdolla.

IPD-jakamista tukeva tietotyyppi

  • STUDY_PROTOCOL

Lääke- ja laitetiedot, tutkimusasiakirjat

Tutkii yhdysvaltalaista FDA sääntelemää lääkevalmistetta

Ei

Tutkii yhdysvaltalaista FDA sääntelemää laitetuotetta

Ei

Nämä tiedot haettiin suoraan verkkosivustolta clinicaltrials.gov ilman muutoksia. Jos sinulla on pyyntöjä muuttaa, poistaa tai päivittää tutkimustietojasi, ota yhteyttä register@clinicaltrials.gov. Heti kun muutos on otettu käyttöön osoitteessa clinicaltrials.gov, se päivitetään automaattisesti myös verkkosivustollemme .

Tilaa