Détection précoce et gestion basée sur l'IA des maladies tropicales négligées liées à la peau en Afrique subsaharienne par les agents de santé de première ligne (SkincAIr)

RÉSUMÉ :

Les maladies tropicales négligées cutanées (MTN cutanées) représentent un défi majeur de santé publique, touchant 1,8 milliard de personnes dans le monde. Les MTN cutanées affectent de manière significative les communautés marginalisées en raison de plusieurs facteurs, tels que le manque de personnel de santé formé et d'outils de diagnostic. Actuellement, en raison de la pénurie de dermatologues, la majorité de la population rurale atteinte de maladies de la peau est prise en charge par des agents de santé de première ligne (ASPL) ayant des connaissances dermatologiques limitées. La faible prévalence des MTN cutanées complique davantage leur diagnostic et leur reconnaissance par les ASPL. Des approches innovantes sont donc nécessaires pour renforcer les capacités et améliorer le diagnostic des MTN cutanées. Les interventions de santé mobile (mSanté), en particulier celles intégrant l'intelligence artificielle (IA), offrent une solution prometteuse pour améliorer les capacités diagnostiques des ASPL. Le projet SkincAIr vise à évaluer si l'introduction d'une application mobile avec fonctionnalité d'IA peut améliorer la précision diagnostique (sensibilité et spécificité) des ASPL dans la détection des MTN cutanées, et à déterminer leur rétention des compétences diagnostiques améliorées après le retrait de l'assistance par IA, indiquant un renforcement potentiel des capacités et une amélioration durable de la prestation des soins de santé. Dans le volet de collecte de données d'images cliniques (36 mois), des dermatologues de 5 pays (Kenya, Éthiopie, Sénégal, République démocratique du Congo et Nigeria) collecteront des images de MTN cutanées et d'autres affections cutanées (phase de collecte de données d'images) qui seront utilisées pour l'entraînement et le développement de l'application SkincAIr, avant qu'elle ne soit évaluée auprès des ASPL pendant l'étude de validation de 24 mois. Le volet d'étude de validation de l'application impliquera un plan longitudinal intra-sujets qui recrutera 50 ASPL et recrutera environ 750 patients présentant des problèmes de peau dans des zones à forte charge de MTN cutanées dans chacun des 3 pays (Kenya, Éthiopie, Sénégal) sur une période d'étude de validation de 24 mois. Les données seront analysées à l'aide de R et Python, avec des statistiques descriptives (fréquence, tendance centrale et dispersion) résumées dans des tableaux et des graphiques. La précision diagnostique des ASPL avant et après l'introduction de l'application sera évaluée à l'aide de la sensibilité, de la spécificité, des valeurs prédictives et du pourcentage d'accord avec un dermatologue. Les données qualitatives issues des entretiens et des groupes de discussion focalisés seront enregistrées audio, transcrites, codées et analysées thématiquement à l'aide d'Atlas.ti Version 7. Les résultats de l'étude seront partagés avec les ministères nationaux de la santé, présentés lors de conférences locales et internationales, et rapportés aux comités d'éthique de la recherche et aux autorités réglementaires. Il est envisagé que l'application améliorera la précision diagnostique des ASPL dans la détection précoce des MTN cutanées et facilitera la surveillance épidémiologique en temps réel, contribuant à améliorer la cartographie des maladies et l'identification des points chauds.

INTRODUCTION/CONTEXTE :

Les maladies tropicales négligées cutanées (MDPI, 2019) (MTN cutanées) telles que la lèpre, l'ulcère de Buruli, le pian (tréponématose endémique), la leishmaniose cutanée, la chromoblastomycose, le mycétome, la gale, la tungose, la leishmaniose dermique post-kala-azar (PKDL), la filariose lymphatique, l'onchocercose, la podoconiose et la sporotrichose représentent un défi majeur de santé publique, touchant 1,8 milliard de personnes dans le monde à tout moment (OMS, 2023). En particulier en Afrique subsaharienne (ASS), ces maladies sont très répandues et sont liées à des inégalités de santé substantielles, affectant principalement les communautés marginalisées (Kariuki et al. 2023). Le Kenya, par exemple, a une charge importante de MTN cutanées, notamment la filariose lymphatique dans la région côtière (Njenga et al. 2017 ; Ofire et al. 2025), le mycétome au Turkana (Colom et al. 2023), la leishmaniose dans la vallée du Rift et les régions orientales (Baringo, Naivasha/Gilgil, Laikipia, Samburu, Nakuru, Meru, West Pokot, Elgeyo Marakwet, Isiolo, Nyandarua et Marsabit) (Ngere et al. 2020 ; van Dijk et al. 2024), la tungose (Elson et al. 2019 ; Nyangacha et al. 2019) et la gale (Schmeller et Dzikus, 2001 ; Mbogori 2014 ; Macharia et al. 2024) qui ont une large distribution à travers le pays et quelques foyers de cas de lèpre dans les comtés de Kwale, Kilifi, Kisumu, Siaya, Homabay et Busia (Rapport annuel du Programme NTLLD du Kenya, 2014 ; Wangara et al. 2019).

La prévalence de ces maladies est exacerbée par des facteurs tels que la pauvreté et un manque de ressources de soins de santé adéquates, notamment un personnel insuffisamment formé pour une prise en charge efficace des MTN cutanées (Ochola et al. 2021). La stigmatisation entourant les MTN cutanées, ancrée dans des contextes sociétaux et économiques, conduit à l'isolement et à la discrimination, décourageant le diagnostic ou le traitement, ce qui à son tour exacerbe la propagation de la maladie et complique les efforts de contrôle et d'élimination, créant un cycle auto-entretenu de défis. Une proportion élevée des MTN présente des manifestations cutanées majeures. Par conséquent, l'examen de la peau représente une opportunité d'identifier plusieurs MTN en une seule intervention. L'approche intégrative, recommandée par l'Organisation mondiale de la santé (OMS) (https://www.who.int/activities/promoting-the-integrated-approach-to-skin-related-neglected-tropical-diseases), permet d'améliorer la détection des cas et d'accroître l'efficacité grâce au partage des ressources et à l'élargissement de la couverture des programmes. Cependant, il existe un obstacle majeur à l'intégration des interventions contre les MTN cutanées : le manque de dermatologues (Schmid-Grendelmeier et al. 2019) (un dermatologue pour 1 à 2 millions d'habitants) et de personnel de santé adéquatement formé. Actuellement, la majorité de la population rurale atteinte de maladies de la peau est prise en charge par des agents de santé de première ligne (ASPL) ayant des connaissances dermatologiques limitées (Mieras et al. 2018). Ce défi est encore compliqué par la faible prévalence des MTN cutanées, ce qui les rend difficiles à reconnaître par les ASPL (Mieras et al. 2018 ; Hotez et al. 2009). Comme les MTN cutanées reposent principalement sur un diagnostic clinique, le manque de formation adéquate des ASPL compromet les programmes de contrôle des maladies et l'atteinte de l'objectif global de la feuille de route OMS sur les MTN 2021-2030 visant à réduire la morbidité, l'invalidité et l'impact psychosocial des MTN cutanées d'ici 2030. Des approches innovantes sont nécessaires pour renforcer les capacités et améliorer le diagnostic des MTN cutanées afin de réaliser les objectifs de 2030. À cet égard, l'intelligence artificielle (IA) offre désormais une opportunité sans précédent d'utiliser les progrès de l'imagerie médicale appliquée à la peau pour surmonter les obstacles actuels dans le diagnostic et la prise en charge des MTN cutanées en ASS.

Les modèles d'IA existants en dermatologie se concentrent souvent sur les maladies prévalentes dans les pays développés et reposent sur des ensembles de données homogènes, conduisant à des modèles qui ne se généralisent pas bien à des populations diverses. Ils utilisent généralement des méthodes de validation interne, qui sont insuffisantes pour un déploiement en conditions réelles où les modèles rencontrent des sources de données variées (Daneshjou et al. 2021). Alors que les algorithmes alimentés par l'IA ont démontré une précision diagnostique similaire à celle des cliniciens experts dans des contextes à ressources élevées (Salinas et al. 2024), très peu d'études ont exploré l'utilisation d'applications alimentées par l'IA pour diagnostiquer les MTN cutanées dans des contextes à faibles ressources en ASS. Cela est dû à la nouveauté de la technologie qui contribue à la rareté de telles recherches. L'initiative mondiale dirigée par l'OMS sur les MTN discute des progrès, des défis, des lacunes et des solutions dans le développement et la mise en œuvre d'applications basées sur l'intelligence artificielle augmentée comme outil de renforcement des capacités et de surveillance pour les MTN cutanées et certaines affections cutanées courantes dans les contextes à ressources limitées. Récemment, l'OMS a incorporé deux algorithmes d'IA en ligne qui visent à classer 12 MTN cutanées et 24 affections cutanées courantes (Quilter et al. 2024) dans l'application OMS sur les MTN cutanées (principalement conçue comme un référentiel de ressources éducatives et de matériels de formation, qui adhèrent aux directives de l'OMS). Bien que l'application vise à améliorer le renforcement des capacités grâce à l'IA, son impact « réel » sur la gestion des maladies n'est pas encore disponible et des études à venir détermineront son utilité. La performance des algorithmes d'IA est également limitée par la disponibilité des ensembles de données d'images. Dans l'étude AI4Leprosy menée en 2022 au centre national de référence de la lèpre au Brésil, bien que l'algorithme d'IA basé sur les réseaux neuronaux convolutifs (CNN) puisse contribuer au diagnostic de la lèpre avec une grande précision de classification (90 %) (AI4Leprosy), à notre connaissance, cela n'a pas été validé dans un contexte à faibles ressources avec un manque de personnel hautement spécialisé. Plus largement, alors que les performances de la technologie sont de plus en plus validées dans des conditions dermatologiques telles que le mélanome et d'autres cancers de la peau (Patel et al. 2023), les preuves directes de son efficacité dans le diagnostic des MTN cutanées restent limitées. Globalement, bien que ces études et initiatives démontrent le potentiel des outils de diagnostic alimentés par l'IA, les preuves spécifiques à leur utilisation pour les MTN cutanées dans des contextes à faibles ressources émergent encore.

Notre étude de validation proposée vise à combler les lacunes susmentionnées en évaluant la précision diagnostique d'une application alimentée par l'IA dans le diagnostic des MTN cutanées au Kenya, en Éthiopie et au Sénégal, fournissant des informations cruciales sur son utilité pratique et son impact sur la pratique clinique dans ces contextes. L'intervention est l'application de recherche SkincAIr, une plateforme mobile unifiée contenant trois modules spécifiques aux rôles : un eCRF Ensemble de données dermatologues pour la collecte structurée d'images par des dermatologues dans 5 pays ; un eCRF ASPL pour la collecte de données cliniques et la documentation des cas dans les 3 phases de l'étude ; et l'application de détection SkincAIr - une fonctionnalité d'aide à la décision diagnostique alimentée par l'IA intégrée dans l'eCRF ASPL, activée exclusivement pendant la phase B (6 mois), et retirée pendant la phase C pour évaluer la rétention des compétences diagnostiques améliorées. L'étude mesure : (OS1) la performance diagnostique des ASPL avec et sans l'application, y compris le taux de détection précoce, la précision diagnostique, la sensibilité et la spécificité par rapport à une norme de référence dermatologue ; (OS2) la qualité de l'ensemble de données, y compris le nombre, la diversité géographique et la qualité des images ; (OS3) la réduction du retard diagnostique ; (OS4) les indicateurs de surveillance épidémiologique, y compris l'intégration DHIS2, le ratio de confirmation des cas et l'identification des points chauds ; (OS5) l'acquisition de connaissances des ASPL et la satisfaction des utilisateurs. La rentabilité est évaluée par la comparaison des coûts des soins primaires vs secondaires et le calcul du RCI.

Cette étude clinique fournira des données vitales pour évaluer l'utilité pratique de l'IA dans l'amélioration de la précision et de la rapidité diagnostiques parmi les travailleurs de santé non spécialistes. En tirant parti de l'IA et de la technologie mobile, nous pouvons équiper les ASPL dans des contextes à faibles ressources avec des outils pour détecter et gérer rapidement les MTN cutanées.

Justification de l'étude :

Les maladies tropicales négligées (MTN) affectent plus d'un milliard de personnes dans le monde, les MTN cutanées telles que la lèpre, la leishmaniose cutanée et l'onchocercose contribuant de manière significative à la morbidité, à l'invalidité et à la stigmatisation dans les populations affectées. La détection et le traitement précoces sont cruciaux pour prévenir les complications, réduire la transmission et améliorer les résultats pour les patients. Dans des contextes à ressources limitées comme le Kenya, l'Éthiopie, le Sénégal, le Nigeria et la République démocratique du Congo, les ASPL sont souvent le premier point de contact pour les patients présentant des affections cutanées. Cependant, les ASPL manquent généralement de formation spécialisée en dermatologie, conduisant à des erreurs de diagnostic ou à des retards de diagnostic des MTN cutanées. Les interventions de santé mobile (mSanté), en particulier celles intégrant l'IA, offrent une solution prometteuse pour améliorer les capacités diagnostiques des ASPL. Le projet SkincAIr vise à évaluer si l'introduction d'une application mobile avec fonctionnalité d'IA peut améliorer la précision diagnostique des ASPL dans la détection des MTN cutanées. De plus, l'étude cherche à déterminer si les ASPL conservent des compétences diagnostiques améliorées après le retrait de l'assistance par IA, indiquant un renforcement potentiel des capacités et une amélioration durable de la prestation des soins de santé. Notre projet transcende les deux limitations du manque de formation spécialisée en dermatologie et de la disponibilité des ensembles de données d'images en collectant des données cliniques réelles de multiples localisations géographiques dans les pays à revenu faible et intermédiaire (PRFI), garantissant que nos modèles sont entraînés et validés de manière externe sur des ensembles de données divers représentatifs des populations cibles. L'inclusion du Kenya, de l'Éthiopie, du Sénégal, du Nigeria et de la République démocratique du Congo contribuera à la diversité des images représentatives des MTN cutanées endémiques dans de multiples localisations géographiques en Afrique subsaharienne. Comme ces localités présentent des défis uniques, notamment des infrastructures de santé limitées et des présentations de maladies variables, l'étude proposée est cruciale pour combler cette lacune. Nous mettrons en œuvre un protocole d'acquisition d'images contrôlé pour standardiser la collecte de données, minimisant le risque d'apprentissage par raccourci - où les modèles pourraient s'appuyer sur des caractéristiques non pertinentes en raison de corrélations fallacieuses (Winkler et al. 2019). En intégrant des données multimodales, y compris des paramètres cliniques, et en garantissant la robustesse aux données manquantes, nos modèles offriront des capacités diagnostiques et prédictives plus précises et personnalisées.

Hypothèse nulle :

L'utilisation de l'application mobile alimentée par l'IA SkincAIr n'améliorera pas la précision diagnostique (sensibilité et spécificité) des ASPL dans la détection des MTN cutanées par rapport à leur performance de base sans l'application.

Objectif général :

Développer un outil de diagnostic assisté par l'IA pour les MTN cutanées (SkincAIr) et tester ses performances et son impact parmi les agents de santé de première ligne (ASPL) dans la détection de certaines MTN cutanées.

Objectifs spécifiques :

1. Collecter des données d'images pour les MTN cutanées et d'autres affections cutanées par des dermatologues/agents de dermatologie ou d'autres agents formés sur les MTN cutanées pour être utilisées dans l'entraînement et le développement de l'application SkincAIr.
2. Quantifier l'impact de l'application mobile SkincAIr sur la précision diagnostique (sensibilité et spécificité) des agents de santé de première ligne (ASPL) dans l'identification des maladies tropicales négligées cutanées (MTN cutanées) et d'autres affections cutanées.

3. Mesurer l'impact du diagnostic assisté par SkincAIr sur des indicateurs cliniques et opérationnels clés :

   • Temps jusqu'au diagnostic depuis la première visite - Combien de temps il faut pour qu'un patient reçoive un diagnostic, depuis le moment où il se présente pour la première fois à un prestataire de soins de santé
   • Temps entre la présentation initiale et le diagnostic définitif - le temps entre tout premier contact (peut-être au niveau communautaire ou première clinique) et le diagnostic final confirmé par un spécialiste
   • Réduction des retards dans l'initiation du traitement
   • Changements dans les schémas d'orientation vers les centres spécialisés - Changements dans la fréquence et la pertinence avec lesquelles les patients sont orientés vers des spécialistes ou des centres supérieurs
   • Économies de coûts dans les soins secondaires attribuables à un diagnostic primaire amélioré (diagnostics précoces et précis par les ASPL)
   • Nouveaux points chauds de MTN cutanées suspectées ou confirmées pendant la période du projet (jusqu'à M60).
4. Évaluer la durabilité des compétences diagnostiques améliorées parmi les ASPL après le retrait de l'assistance par IA.