Rilevamento Precoce e Gestione Basata sull'Intelligenza Artificiale delle Malattie Tropicali Neglette Cutanee in Africa Sub-Sahariana da Parte degli Operatori Sanitari di Prima Linea (SkincAIr)

RIASSUNTO:

Le malattie tropicali neglette cutanee (Skin NTDs) rappresentano una sfida significativa per la salute pubblica, colpendo 1,8 miliardi di persone a livello globale. Le Skin NTDs colpiscono in modo significativo le comunità emarginate a causa di diversi fattori, come la mancanza di personale sanitario formato e di strumenti diagnostici. Attualmente, a causa della scarsità di dermatologi, la maggior parte della popolazione rurale con malattie della pelle è assistita da operatori sanitari di primo livello (FHWs) con conoscenze dermatologiche limitate. La bassa prevalenza delle Skin NTDs complica ulteriormente la loro diagnosi e il riconoscimento da parte degli FHWs. Sono quindi necessari nuovi approcci innovativi per sviluppare capacità e migliorare la diagnosi delle Skin NTDs. Gli interventi di salute mobile (mHealth), in particolare quelli che incorporano l'intelligenza artificiale (AI), offrono una soluzione promettente per migliorare le capacità diagnostiche degli FHWs. Il progetto SkincAIr mira a valutare se l'introduzione di un'app mobile con funzionalità di AI possa migliorare l'accuratezza diagnostica (sensibilità e specificità) degli FHWs nel rilevare le Skin NTDs e a determinare la loro conservazione delle capacità diagnostiche migliorate dopo la rimozione dell'assistenza AI, indicando un potenziale sviluppo di capacità e un miglioramento sostenuto nell'erogazione dell'assistenza sanitaria. Nel braccio di raccolta dei dati di immagini cliniche (36 mesi), i dermatologi in 5 paesi (Kenya, Etiopia, Senegal, Repubblica Democratica del Congo e Nigeria) raccoglieranno immagini di Skin NTD e altre condizioni cutanee (fase di raccolta dati di immagini) che saranno utilizzate per l'addestramento e lo sviluppo dell'app SkincAIr, prima che venga valutata tra gli FHWs durante lo studio di validazione di 24 mesi. Il braccio di studio di validazione per l'app coinvolgerà un disegno longitudinale entro i soggetti che arruolerà 50 FHWs e recluterà circa 750 pazienti con disturbi cutanei provenienti da aree ad alto carico di Skin NTDs in ciascuno dei 3 paesi (Kenya, Etiopia, Senegal) durante un periodo di studio di validazione di 24 mesi. I dati saranno analizzati utilizzando R e Python, con statistiche descrittive (frequenza, tendenza centrale e dispersione) riassunte in tabelle e grafici. L'accuratezza diagnostica degli FHWs prima e dopo l'introduzione dell'app sarà valutata utilizzando sensibilità, specificità, valori predittivi e percentuale di accordo con un dermatologo. I dati qualitativi delle interviste e dei FGD saranno registrati audio, trascritti, codificati e analizzati tematicamente utilizzando Atlas.ti Versione 7. I risultati dello studio saranno condivisi con i Ministeri della Salute Nazionali, presentati a conferenze locali e internazionali e segnalati agli IRB e alle autorità regolatorie. Si prevede che l'app migliorerà l'accuratezza diagnostica degli FHWs nella rilevazione precoce delle Skin NTDs e faciliterà la sorveglianza epidemiologica in tempo reale, contribuendo a un miglior mappaggio delle malattie e all'identificazione dei focolai.

INTRODUZIONE/CONTESTO:

Le malattie tropicali neglette cutanee (MDPI, 2019) (Skin NTDs) come la lebbra, l'ulcera del Buruli, la framboesia (treponematosi endemica), la leishmaniosi cutanea, la cromoblastomicosi, la micetoma, la scabbia, la tungiasi, la leishmaniosi dermica post kala-azar (PKDL), la filariasi linfatica, l'onchocerchiasi, la podoconiosi e la sporotricosi rappresentano una sfida significativa per la salute pubblica, colpendo 1,8 miliardi di persone a livello globale in un dato momento (OMS, 2023). In particolare nell'Africa sub-sahariana (SSA), queste malattie sono altamente prevalenti e sono legate a sostanziali disuguaglianze sanitarie, impattando prevalentemente le comunità emarginate (Kariuki et al. 2023). Il Kenya, ad esempio, ha un carico significativo di Skin NTDs, inclusa la filariasi linfatica nella regione costiera (Njenga et al. 2017; Ofire et al. 2025), il micetoma a Turkana (Colom et al. 2023), la leishmaniosi nella Rift Valley e nelle parti orientali (Baringo, Naivasha/Gilgil, Laikipia, Samburu, Nakuru, Meru, West Pokot, Elgeyo Marakwet, Isiolo, Nyandarua e Marsabit) (Ngere et al. 2020; van Dijk et al. 2024), la tungiasi (Elson et al. 2019; Nyangacha et al. 2019) e la scabbia (Schmeller e Dzikus, 2001; Mbogori 2014; Macharia et al. 2024) che hanno una distribuzione ampia in tutto il paese e alcuni focolai di casi di lebbra nelle contee di Kwale, Kilifi, Kisumu, Siaya, Homabay e Busia (Kenya NTLLD Program Annual Report, 2014; Wangara et al. 2019).

La prevalenza di queste malattie è esacerbata da fattori come la povertà e la mancanza di adeguate risorse sanitarie, in particolare personale insufficientemente formato per una gestione efficace delle Skin NTDs (Ochola et al. 2021). Lo stigma che circonda le Skin NTDs, radicato nei contesti sociali ed economici, porta a isolamento e discriminazione, scoraggiando la diagnosi o il trattamento, il che a sua volta esacerba la diffusione della malattia e complica gli sforzi di controllo ed eliminazione, creando un ciclo autoperpetuante di sfide. Un'alta proporzione di NTDs ha manifestazioni cutanee maggiori. Pertanto, l'esame della pelle rappresenta un'opportunità per identificare più NTDs in un singolo intervento. L'approccio integrato, raccomandato dall'Organizzazione Mondiale della Sanità (OMS) (https://www.who.int/activities/promoting-the-integrated-approach-to-skin-related-neglected-tropical-diseases), risulta in un miglioramento della rilevazione dei casi e in una maggiore efficienza attraverso la condivisione delle risorse e l'espansione della copertura del programma. Tuttavia, c'è una barriera maggiore all'integrazione degli interventi per le Skin NTDs: la mancanza di dermatologi (Schmid-Grendelmeier et al. 2019) (un dermatologo per 1-2 milioni di abitanti) e di personale sanitario adeguatamente formato. Attualmente, la maggior parte della popolazione rurale con malattie della pelle è assistita da operatori sanitari di primo livello (FHWs) con conoscenze dermatologiche limitate (Mieras et al. 2018). Questa sfida è ulteriormente complicata dalla bassa prevalenza delle NTDs cutanee, che le rende difficili da riconoscere per gli FHWs (Mieras et al. 2018; Hotez et al. 2009). Poiché le Skin NTDs si basano principalmente sulla diagnosi clinica, la mancanza di un adeguato addestramento degli FHWs mette a rischio i programmi di controllo delle malattie e il raggiungimento dell'obiettivo generale della roadmap OMS per le NTDs 2021-2030 di ridurre la morbilità, la disabilità e l'impatto psicosociale delle Skin NTDs entro il 2030. Sono necessari nuovi approcci innovativi per sviluppare capacità e migliorare la diagnosi delle Skin NTDs per realizzare gli obiettivi del 2030. A questo riguardo, l'Intelligenza Artificiale (AI) offre ora un'opportunità senza precedenti di utilizzare i progressi nell'imaging medico applicato alla pelle per affrontare le attuali barriere nella diagnosi e gestione delle Skin NTDs in SSA.

I modelli di AI esistenti in dermatologia spesso si concentrano su malattie prevalenti nei paesi sviluppati e si basano su dataset omogenei, portando a modelli che non si generalizzano bene a popolazioni diverse. Tipicamente utilizzano metodi di validazione interna, che sono insufficienti per il dispiegamento nel mondo reale dove i modelli incontrano fonti di dati variate (Daneshjou et al. 2021). Mentre gli algoritmi alimentati da AI hanno dimostrato un'accuratezza diagnostica simile a quella dei clinici esperti in contesti ad alte risorse (Salinas et al. 2024), pochissimi studi hanno esplorato l'uso di app alimentate da AI per diagnosticare le Skin NTDs in contesti a bassa risorsa in SSA. Ciò è dovuto alla novità della tecnologia che contribuisce alla scarsità di tale ricerca. L'iniziativa globale guidata dalle NTDs dell'OMS discute i progressi, le sfide, le lacune e le soluzioni nello sviluppo e nell'implementazione di app basate su intelligenza aumentata artificiale come strumento di sviluppo di capacità e monitoraggio per le Skin NTDs e alcune condizioni cutanee comuni in contesti a risorse limitate. Recentemente, l'OMS ha incorporato due algoritmi di AI online che intendono classificare 12 Skin NTDs e 24 condizioni cutanee comuni (Quilter et al. 2024) nell'app OMS per le Skin NTDs (principalmente costruita come un repository di risorse educative e materiali formativi, che aderiscono alle linee guida dell'OMS). Mentre l'app mira a migliorare lo sviluppo di capacità attraverso l'AI, il suo impatto "nel mondo reale" sulla gestione delle malattie non è ancora disponibile e studi futuri ne determineranno l'utilità. Le prestazioni degli algoritmi di AI sono anche limitate dalla disponibilità di dataset di immagini. Nello studio AI4Leprosy condotto nel 2022 presso il centro nazionale di riferimento per la lebbra in Brasile, sebbene l'algoritmo di AI basato su reti neurali convoluzionali (CNN) potesse contribuire alla diagnosi della lebbra con un'alta accuratezza di classificazione (90%) (AI4Leprosy), per quanto a nostra conoscenza, questo non è stato validato in un contesto a bassa risorsa con mancanza di personale altamente specializzato. Più in generale, mentre le prestazioni della tecnologia sono sempre più validate in condizioni dermatologiche come il melanoma e altri tumori della pelle (Patel et al. 2023), l'evidenza diretta della sua efficacia nella diagnosi delle Skin NTDs rimane limitata. Nel complesso, mentre questi studi e iniziative dimostrano il potenziale degli strumenti diagnostici alimentati da AI, l'evidenza specifica per il loro uso per le Skin NTDs in contesti a bassa risorsa è ancora emergente.

Il nostro studio di validazione proposto mira a colmare le lacune sopra menzionate valutando l'accuratezza diagnostica di un'app alimentata da AI nella diagnosi delle Skin NTDs in Kenya, Etiopia e Senegal, fornendo intuizioni critiche sulla sua utilità pratica e impatto sulla pratica clinica in questi contesti. L'intervento è l'App di Ricerca SkincAIr, una piattaforma mobile unificata contenente tre moduli specifici per ruolo: un eCRF Dermatologo Dataset per la raccolta strutturata di immagini da parte di dermatologi in 5 paesi; un eCRF FHW per la raccolta di dati clinici e la documentazione dei casi in tutte le 3 fasi dello studio; e l'App di Rilevazione SkincAIr - una funzionalità di supporto decisionale diagnostico alimentata da AI incorporata nell'eCRF FHW, attivata esclusivamente durante la Fase B (6 mesi), e ritirata durante la Fase C per valutare la conservazione delle capacità diagnostiche migliorate. Lo studio misura: (SO1) prestazioni diagnostiche degli FHWs con e senza l'app, inclusa la percentuale di rilevazione precoce, accuratezza diagnostica, sensibilità e specificità rispetto a uno standard di riferimento dermatologico; (SO2) qualità del dataset incluso numero, diversità geografica e qualità dell'immagine; (SO3) riduzione del ritardo diagnostico; (SO4) indicatori di sorveglianza epidemiologica inclusa integrazione DHIS2, rapporto di conferma dei casi e identificazione dei focolai; (SO5) acquisizione di conoscenze degli FHWs e soddisfazione dell'utente. La costo-efficacia è valutata attraverso il confronto dei costi tra cure primarie e secondarie e il calcolo dell'ICER.

Questo studio clinico fornirà dati vitali per valutare l'utilità pratica dell'AI nel migliorare l'accuratezza e la velocità diagnostica tra gli operatori sanitari non specialisti. Sfruttando l'AI e la tecnologia mobile, possiamo equipaggiare gli FHWs in contesti a bassa risorsa con strumenti per rilevare e gestire rapidamente le Skin NTDs.

Giustificazione dello Studio:

Le malattie tropicali neglette (NTDs) colpiscono oltre un miliardo di persone a livello globale, con le Skin NTDs come la lebbra, la leishmaniosi cutanea e l'onchocerchiasi che contribuiscono significativamente alla morbilità, disabilità e stigma nelle popolazioni colpite. La rilevazione e il trattamento precoci sono cruciali per prevenire complicazioni, ridurre la trasmissione e migliorare gli esiti dei pazienti. In contesti a risorse limitate come Kenya, Etiopia, Senegal, Nigeria e Repubblica Democratica del Congo, gli FHWs sono spesso il primo punto di contatto per i pazienti con condizioni cutanee. Tuttavia, gli FHWs tipicamente mancano di formazione specializzata in dermatologia, portando a diagnosi errate o ritardate delle Skin NTDs. Gli interventi di salute mobile (mHealth), in particolare quelli che incorporano l'AI, offrono una soluzione promettente per migliorare le capacità diagnostiche degli FHWs. Il progetto SkincAIr mira a valutare se l'introduzione di un'app mobile con funzionalità di AI possa migliorare l'accuratezza diagnostica degli FHWs nel rilevare le Skin NTDs. Inoltre, lo studio cerca di determinare se gli FHWs conservino le capacità diagnostiche migliorate dopo la rimozione dell'assistenza AI, indicando un potenziale sviluppo di capacità e un miglioramento sostenuto nell'erogazione dell'assistenza sanitaria. Il nostro progetto trascende le doppie limitazioni della mancanza di formazione specializzata in dermatologia e della disponibilità di dataset di immagini raccogliendo dati clinici reali da più località geografiche all'interno dei paesi a basso e medio reddito (LMICs), assicurando che i nostri modelli siano addestrati e validati esternamente su dataset diversificati rappresentativi delle popolazioni target. L'inclusione di Kenya, Etiopia, Senegal, Nigeria e Repubblica Democratica del Congo contribuirà alla diversità delle immagini che sono rappresentative delle Skin NTDs endemiche in multiple località geografiche nell'Africa sub-sahariana. Poiché queste località presentano sfide uniche, inclusa un'infrastruttura sanitaria limitata e presentazioni di malattia variabili, lo studio proposto è cruciale nel colmare questa lacuna. Implementeremo un protocollo di acquisizione immagini controllato per standardizzare la raccolta dati, minimizzando il rischio di apprendimento per scorciatoia - dove i modelli potrebbero basarsi su caratteristiche irrilevanti a causa di correlazioni spurie (Winkler et al. 2019). Integrando dati multimodali, inclusi parametri clinici, e assicurando robustezza ai dati mancanti, i nostri modelli offriranno capacità diagnostiche e predittive più accurate e personalizzate.

Ipotesi Nulla:

L'uso dell'applicazione mobile alimentata da AI SkincAIr non migliorerà l'accuratezza diagnostica (sensibilità e specificità) degli FHWs nel rilevare le Skin NTDs rispetto alle loro prestazioni basali senza l'app.

Obiettivo Generale:

Sviluppare uno strumento diagnostico supportato da AI per le Skin NTDs (SkincAIr) e testarne le prestazioni e l'impatto tra gli operatori sanitari di primo livello (FHWs) nel rilevare selezionate Skin NTDs.

Obiettivi Specifici:

1. Raccogliere dati di immagini per Skin NTDs e altre condizioni cutanee da parte di dermatologi/ufficiali di dermatologia o altri ufficiali formati sulle Skin NTDs da utilizzare nell'addestramento e nello sviluppo dell'app SkincAIr.
2. Quantificare l'impatto dell'applicazione mobile SkincAIr sull'accuratezza diagnostica (sensibilità e specificità) degli operatori sanitari di primo livello (FHWs) nell'identificare malattie tropicali neglette cutanee (Skin NTDs) e altre condizioni cutanee.

3. Misurare l'impatto della diagnosi assistita da SkincAIr su metriche cliniche e operative chiave:

   • Tempo alla diagnosi dalla prima visita - Quanto tempo impiega un paziente a ricevere una diagnosi, dal momento in cui si presenta per la prima volta a un operatore sanitario
   • Tempo dalla presentazione iniziale alla diagnosi definitiva - il tempo da qualsiasi contatto iniziale (forse a livello comunitario o prima clinica) alla diagnosi finale confermata da uno specialista
   • Riduzione dei ritardi nell'inizio del trattamento
   • Cambiamenti nei modelli di riferimento ai centri specializzati - Cambiamenti in quanto spesso e quanto appropriatamente i pazienti sono riferiti a specialisti o centri superiori
   • Risparmi di costi nelle cure secondarie attribuibili a una diagnosi primaria migliorata (diagnosi precoci e accurate da parte degli FHWs)
   • Nuovi focolai di Skin NTDs sospette o confermate durante il periodo del progetto (fino a M60).
4. Valutare la sostenibilità delle capacità diagnostiche migliorate tra gli FHWs dopo il ritiro dell'assistenza AI.