Bőrrel kapcsolatos elhanyagolt trópusi betegségek korai felismerése és mesterséges intelligencián alapuló kezelése Szubszaharai-Afrikában elsővonalbeli egészségügyi dolgozók által (SkincAIr)

ÖSSZEFOGLALÓ:

A bőrrel kapcsolatos elhanyagolt trópusi betegségek (Skin NTD-k) jelentős közegészségügyi kihívást jelentenek, világszerte 1,8 milliárd embert érintve. A Skin NTD-k számos tényező miatt jelentősen érintik a marginalizált közösségeket, például a képzett egészségügyi személyzet és a diagnosztikai eszközök hiánya miatt. Jelenleg a dermatológusok hiánya miatt a bőrbetegségekkel küzdő vidéki lakosság többségét a bőrgyógyászati ismeretekben korlátozott elsővonalbeli egészségügyi dolgozók (FHW-k) látják el. A bőr NTD-k alacsony prevalenciája tovább bonyolítja diagnosztizálásukat és felismerésüket az FHW-k által. Ezért új, innovatív megközelítésekre van szükség a kapacitásépítéshez és a bőr NTD-k diagnosztizálásának javításához. A mobil egészségügy (mHealth) beavatkozások, különösen azok, amelyek mesterséges intelligenciát (AI) tartalmaznak, ígéretes megoldást kínálnak az FHW-k diagnosztikai képességeinek javítására. A SkincAIr projekt célja annak értékelése, hogy egy AI-funkcióval rendelkező mobilalkalmazás bevezetése javíthatja-e az FHW-k diagnosztikai pontosságát (érzékenység és specifikusság) a bőr NTD-k észlelésében, és meghatározni, hogy az AI-támogatás megszüntetése után mennyire őrzik meg a javult diagnosztikai készségeiket, ami a potenciális kapacitásépítést és a fenntartható javulást jelzi az egészségügyi ellátásban. A klinikai képadatok gyűjtési ágában (36 hónap) dermatológusok 5 országban (Kenya, Etiópia, Szenegál, Kongói Demokratikus Köztársaság és Nigéria) gyűjtenek képeket bőr NTD-kről és egyéb bőrállapotokról (Képadatok gyűjtési fázis), amelyeket a SkincAIr alkalmazás képzéséhez és fejlesztéséhez használnak fel, mielőtt azt a 24 hónapos validációs tanulmány során FHW-k között értékelnék. Az alkalmazás validációs tanulmányága egy alanyon belüli longitudinális kísérleti tervezetet fog alkalmazni, amely 50 FHW-t vesz fel, és körülbelül 750 bőrpanasszal rendelkező beteget toboroz a bőr NTD-k magas terhelésű területeiről mind a 3 országban (Kenya, Etiópia, Szenegál) a 24 hónapos validációs tanulmányi időszak alatt. Az adatokat R és Python segítségével elemezzük, a leíró statisztikákat (gyakoriság, központi tendencia és szóródás) táblázatokban és diagramokban foglaljuk össze. Az FHW-k diagnosztikai pontosságát az alkalmazás bevezetése előtt és után érzékenységgel, specifikussággal, prediktív értékekkel és százalékos egyetértéssel egy dermatológussal értékeljük. Az interjúkból és fókuszcsoport-beszélgetésekből származó kvalitatív adatokat hangfelvételre vesszük, átírjuk, kódoljuk és tematikusan elemezzük az Atlas.ti 7-es verziójával. A tanulmány eredményeit megosztjuk az Országos Egészségügyi Minisztériumokkal, bemutatjuk helyi és nemzetközi konferenciákon, és jelentjük az IRB-knek és szabályozó hatóságoknak. Előrelátható, hogy az alkalmazás javítja az FHW-k diagnosztikai pontosságát a bőr NTD-k korai felismerésében, és elősegíti a valós idejű epidemiológiai megfigyelést, hozzájárulva a javult betegségleképezéshez és a hotspot-ok azonosításához.

BEVEZETÉS/HÁTTÉR:

A bőrrel kapcsolatos elhanyagolt trópusi betegségek (MDPI, 2019) (bőr NTD-k), mint a lepra, a Buruli-fekély, a frambézia (endémiás treponematózis), a bőri leishmaniasis, a kromoblastomikózis, a micetóma, a rüh, a tungiázis, a Post Kala-azar Dermális Leishmaniasis (PKDL), a nyirokér-féregesség, az onchocercosis, a podoconiosis és a sporotrichosis jelentős közegészségügyi kihívást jelentenek, világszerte 1,8 milliárd embert érintve bármely adott pillanatban (WHO, 2023). Különösen a szubszaharai Afrikában (SSA) ezek a betegségek nagyon elterjedtek, és jelentős egészségügyi egyenlőtlenségekkel kapcsolatosak, főleg a marginalizált közösségeket érintve (Kariuki et al. 2023). Kenya például jelentős terhelést jelent a bőr NTD-k terén, beleértve a nyirokér-féregességet a partvidéki régióban (Njenga et al. 2017; Ofire et al. 2025), a micetómát Turkana tartományban (Colom et al. 2023), a leishmaniasist a Rift-völgyben és a keleti részeken (Baringo, Naivasha/Gilgil, Laikipia, Samburu, Nakuru, Meru, West Pokot, Elgeyo Marakwet, Isiolo, Nyandarua és Marsabit) (Ngere et al. 2020; van Dijk et al. 2024), a tungiázist (Elson et al. 2019; Nyangacha et al. 2019) és a rühet (Schmeller és Dzikus, 2001; Mbogori 2014; Macharia et al. 2024), amelyek széles körben elterjedtek az országban, valamint lepraesetek zsebei Kwale, Kilifi, Kisumu, Siaya, Homabay és Busia megyékben (Kenya NTLLD Program Éves Jelentés, 2014; Wangara et al. 2019). E betegségek prevalenciáját olyan tényezők fokozzák, mint a szegénység és a megfelelő egészségügyi erőforrások hiánya, különösen a bőr NTD-k hatékony kezelésére képzetlen személyzet (Ochola et al. 2021). A bőr NTD-k körüli stigma, amely a társadalmi és gazdasági kontextusokban gyökerezik, elszigetelődéshez és diszkriminációhoz vezet, gátolva a diagnózist vagy kezelést, ami viszont fokozza a betegség terjedését és megnehezíti a kontrollt és eliminációt, önfenntartó kihívási ciklust teremtve. Az NTD-k nagy arányának jelentős bőrnyilvánulásai vannak. Ezért a bőr vizsgálata lehetőséget kínál több NTD azonosítására egyetlen beavatkozás során. Az integrált megközelítés, amelyet a Világegészségügyi Szervezet (WHO) javasol (https://www.who.int/activities/promoting-the-integrated-approach-to-skin-related-neglected-tropical-diseases), fokozott esetfelismerést és nagyobb hatékonyságot eredményez az erőforrások megosztásával és a programlefedettség bővítésével. Azonban a bőr NTD-beavatkozások integrálásának jelentős akadálya a dermatológusok hiánya (Schmid-Grendelmeier et al. 2019) (egy dermatológus 1-2 millió lakosra) és a megfelelően képzett egészségügyi személyzet. Jelenleg a bőrbetegségekkel küzdő vidéki lakosság többségét a bőrgyógyászati ismeretekben korlátozott elsővonalbeli egészségügyi dolgozók (FHW-k) látják el (Mieras et al. 2018). Ezt a kihívást tovább bonyolítja a bőrrel kapcsolatos NTD-k alacsony prevalenciája, ami nehézzé teszi az FHW-k számára a felismerésüket (Mieras et al. 2018; Hotez et al. 2009). Mivel a bőr NTD-k főleg klinikai diagnózison alapulnak, az FHW-k megfelelő képzettségének hiánya veszélyezteti a betegségkontroll programokat és a 2021-2030 WHO NTD útiterv céljának elérését, amely a bőr NTD-k morbiditásának, rokkantságának és pszichoszociális hatásainak csökkentését célozza 2030-ig. Új, innovatív megközelítésekre van szükség a kapacitásépítéshez és a bőr NTD-k diagnosztizálásának javításához a 2030-as célok eléréséhez. Ebben a tekintetben a Mesterséges Intelligencia (AI) most példátlan lehetőséget kínál a bőrre alkalmazott orvosi képalkotásban elért haladások felhasználására a jelenlegi akadályok leküzdésére a bőr NTD-k diagnosztizálásában és kezelésében SSA-ban. A dermatológiában létező AI-modellek gyakran a fejlett országokban előforduló betegségekre összpontosítanak, és homogén adathalmazokra támaszkodnak, ami olyan modellekhez vezet, amelyek nem általánosíthatók jól a különböző populációkra. Általában belső validációs módszereket használnak, amelyek nem elegendőek a valós világban történő üzembe helyezéshez, ahol a modellek változatos adatforrásokkal találkoznak (Daneshjou et al. 2021). Míg az AI-alapú algoritmusok hasonló diagnosztikai pontosságot mutattak, mint a szakértő klinikusok a magas erőforrású környezetekben (Salinas et al. 2024), nagyon kevés tanulmány vizsgálta az AI-alapú alkalmazások használatát a bőr NTD-k diagnosztizálására az alacsony erőforrású környezetekben SSA-ban. Ez annak köszönhető, hogy a technológia újszerűsége hozzájárul az ilyen kutatások hiányához. A WHO NTD vezette Globális Kezdeményezés tárgyalja a haladást, kihívásokat, hiányosságokat és megoldásokat a mesterséges, felerősített intelligencián alapuló alkalmazások fejlesztésében és megvalósításában, mint kapacitásépítési és monitorozási eszköz a bőr NTD-k és kiválasztott gyakori bőrbetegségek számára erőforráskorlátozott környezetekben. Nemrégiben a WHO két online AI-algoritmust épített be, amelyek 12 bőr NTD-t és 24 gyakori bőrbetegséget kívánnak osztályozni (Quilter et al. 2024) a WHO Bőr NTD-k alkalmazásába (főleg oktatási források és képzési anyagok tárhelyeként építve, amelyek betartják a WHO irányelveit). Bár az alkalmazás célja a kapacitásépítés javítása AI segítségével, annak "valós világbeli" hatása a betegségkezelésre még nem áll rendelkezésre, és a közelgő tanulmányok határozzák meg hasznosságát. Az AI-algoritmusok teljesítményét is korlátozza a képadathalmazok rendelkezésre állása. A 2022-ben végzett AI4Leprosy tanulmányban Brazília lepra nemzeti referencia központjában, bár a konvolúciós neurális hálózatok (CNN) alapú AI-algoritmus hozzájárulhatott a lepra diagnosztizálásához magas osztályozási pontossággal (90%) (AI4Leprosy), legjobb tudomásunk szerint ezt nem validálták alacsony erőforrású környezetben, ahol hiányzik a magasan szakosodott személyzet. Távolabbra, míg a technológia teljesítményét egyre inkább validálják olyan dermatológiai állapotokban, mint a melanoma és egyéb bőrrákok (Patel et al. 2023), a közvetlen bizonyítékok hatékonyságára a bőr NTD-k diagnosztizálásában továbbra is korlátozottak. Összességében, bár ezek a tanulmányok és kezdeményezők bemutatják az AI-alapú diagnosztikai eszközök potenciálját, a specifikus bizonyítékok azok használatára a bőr NTD-k esetében alacsony erőforrású környezetekben még csak kialakulóban vannak. Javasolt validációs tanulmányunk célja a fenti hiányosságok kezelése egy AI-alapú alkalmazás diagnosztikai pontosságának értékelésével a bőr NTD-k diagnosztizálásában Kenyában, Etiópiában és Szenegálban, kritikus betekintést nyújtva gyakorlati hasznosságába és hatásába a klinikai gyakorlatra ezekben a környezetekben. A beavatkozás a SkincAIr Kutatási Alkalmazás, egy egységes mobil platform, amely három szerepspecifikus modult tartalmaz: egy Dermatológus Adathalmaz eCRF-t strukturált képgyűjtésre dermatológusok által 5 országban; egy FHW eCRF-t klinikai adatgyűjtésre és esetdokumentációra mind a 3 tanulmányi fázisban; és a SkincAIr Észlelő Alkalmazás - egy AI-alapú diagnosztikai döntéstámogató funkciót, amely a FHW eCRF-be van ágyazva, kizárólag a B fázisban (6 hónap) aktiválva, és a C fázisban visszavonva a javult diagnosztikai készségek megőrzésének értékelésére. A tanulmány méri: (SO1) az FHW-k diagnosztikai teljesítményét az alkalmazással és anélkül, beleértve a korai felismerési arányt, diagnosztikai pontosságot, érzékenységet és specifikusságot egy dermatológus referencia szabványhoz képest; (SO2) az adathalmaz minőségét, beleértve a számot, földrajzi sokféleséget és képminőséget; (SO3) a diagnosztikai késleltetés csökkentését; (SO4) az epidemiológiai megfigyelési mutatókat, beleértve a DHIS2 integrációt, esetmegerősítési arányt és hotspot azonosítást; (SO5) az FHW-k tudásnyereségét és felhasználói elégedettségét. A költséghatékonyságot az elsődleges vs másodlagos ellátás költségösszehasonlításán és ICER számításon keresztül értékelik. Ez a klinikai tanulmány létfontosságú adatokat szolgáltat az AI gyakorlati hasznosságának értékelésére a diagnosztikai pontosság és sebesség javításában a nem szakember egészségügyi dolgozók körében. Az AI és a mobiltechnológia kihasználásával fel tudjuk szerelni az FHW-ket alacsony erőforrású környezetekben eszközökkel a bőr NTD-k gyors felismerésére és kezelésére.

JOGOSULTSÁG A TANULMÁNYHOZ:

Az elhanyagolt trópusi betegségek (NTD-k) világszerte több mint egymilliárd embert érintenek, a bőr NTD-k, mint a lepra, a bőri leishmaniasis és az onchocercosis jelentősen hozzájárulnak a morbiditáshoz, rokkantsághoz és stigmatizációhoz az érintett populációkban. A korai felismerés és kezelés elengedhetetlen a szövődmények megelőzéséhez, a terjedés csökkentéséhez és a betegek eredményeinek javításához. Erőforráskorlátozott környezetekben, mint Kenya, Etiópia, Szenegál, Nigéria és a Kongói Demokratikus Köztársaság, az FHW-k gyakran az első kapcsolattartók a bőrpanasszal rendelkező betegek számára. Azonban az FHW-k általában hiányzik a szakosodott képzésük a dermatológiában, ami a bőr NTD-k félrediagnosztizálásához vagy késleltetett diagnózisához vezet. A mobil egészségügy (mHealth) beavatkozások, különösen azok, amelyek AI-t tartalmaznak, ígéretes megoldást kínálnak az FHW-k diagnosztikai képességeinek javítására. A SkincAIr projekt célja annak értékelése, hogy egy AI-funkcióval rendelkező mobilalkalmazás bevezetése javíthatja-e az FHW-k diagnosztikai pontosságát a bőr NTD-k észlelésében. Ezenkívül a tanulmány célja annak meghatározása, hogy az FHW-k megőrzik-e a javult diagnosztikai készségeiket az AI-támogatás megszüntetése után, ami a potenciális kapacitásépítést és a fenntartható javulást jelzi az egészségügyi ellátásban. Projektünk túllép a dermatológiai szakosodott képzés hiányának és a képadathalmazok rendelkezésre állásának kettős korlátain, valós klinikai adatokat gyűjtve több földrajzi helyről az alacsony és közepes jövedelmű országokon (LMIC-ken) belül, biztosítva, hogy modelleinket képzik és külsőleg validálják a célpopulációkat reprezentáló sokféle adathalmazokon. Kenya, Etiópia, Szenegál, Nigéria és a Kongói Demokratikus Köztársaság bevonása hozzájárul a képek sokféleségéhez, amelyek reprezentálják a bőr NTD-k endémiás előfordulását több földrajzi helyen a szubszaharai Afrikában. Mivel ezek a helyek egyedi kihívásokat mutatnak, beleértve a korlátozott egészségügyi infrastruktúrát és a változó betegségnyilvánulásokat, a javasolt tanulmány kulcsfontosságú e hiány áthidalásában. Egy kontrollált képfelvételi protokollt fogunk implementálni az adatgyűjtés standardizálására, minimalizálva a shortcut learning kockázatát - ahol a modellek irreleváns jellemzőkre támaszkodhatnak hamis korrelációk miatt (Winkler et al. 2019). Multimodális adatok integrálásával, beleértve a klinikai paramétereket, és a hiányzó adatokra való robusztusság biztosításával, modelleink pontosabb és személyre szabottabb diagnosztikai és prediktív képességeket kínálnak.

NULLHIPOTÉZIS:

A SkincAIr AI-alapú mobilalkalmazás használata nem javítja az FHW-k diagnosztikai pontosságát (érzékenység és specifikusság) a bőr NTD-k észlelésében az alkalmazás nélküli alapteljesítményükhöz képest.

ÁLTALÁNOS CÉL:

Egy AI által támogatott diagnosztikai eszköz fejlesztése a bőr NTD-k számára (SkincAIr) és annak teljesítményének és hatásának tesztelése elsővonalbeli egészségügyi dolgozók (FHW-k) körében kiválasztott bőr NTD-k észlelésében.

SPECIFIKUS CÉLOK:

1. Képadatok gyűjtése bőr NTD-kről és egyéb bőrállapotokról dermatológusok/dermatológiai tisztviselők vagy más, bőr NTD-kre képzett tisztviselők által, amelyeket a SkincAIr alkalmazás képzéséhez és fejlesztéséhez használnak fel.
2. A SkincAIr mobilalkalmazás hatásának kvantifikálása az elsővonalbeli egészségügyi dolgozók (FHW-k) diagnosztikai pontosságára (érzékenység és specifikusság) a bőrrel kapcsolatos elhanyagolt trópusi betegségek (bőr NTD-k) és egyéb bőrállapotok azonosításában.

3. A SkincAIr-asszisztált diagnózis hatásának mérése kulcsfontosságú klinikai és operatív mutatókra:

   • Diagnózis ideje az első látogatástól - Mennyi időt vesz igénybe, hogy egy beteg diagnózist kapjon, attól az időponttól kezdve, amikor először jelentkezik egy egészségügyi szolgáltatónál
   • Idő a kezdeti bemutatástól a végleges diagnózisig - az idő bármely kezdeti kapcsolatfelvételtől (talán közösségi szinten vagy első klinikán) a szakorvos által megerősített végső diagnózisig
   • A kezelés megkezdésének késleltetésének csökkentése
   • Változások a referálási mintákban szakosodott központokba - Változások abban, hogy milyen gyakran és milyen megfelelően utalják a betegeket szakorvosokhoz vagy magasabb szintű központokba
   • Költségmegtakarítás a másodlagos ellátásban a fokozott elsődleges diagnózisnak tulajdoníthatóan (korai és pontos diagnózisok az FHW-k által)
   • Új hotspot-ok a gyanús vagy megerősített bőr NTD-kből a projekt időszakában (M60-ig).
4. Az FHW-k javult diagnosztikai készségeinek fenntarthatóságának értékelése az AI-támogatás visszavonása után.