Pilotstudie: AI-algoritme voor verwijzingsoptimalisatie in de dermatologie (DAO_DERIVATION)

Huidgerelateerde ziekten zijn een frequente reden voor consultatie in de eerste lijn; sommige studies kwantificeren dit op ongeveer 5% van alle consultaties, voornamelijk door de beroepsbevolking. Dit betekent een aanzienlijk verbruik van middelen en maakt een efficiënte aanpak van deze aandoeningen een belangrijke stap in het optimaliseren van de prestaties van de eerstelijnszorg.

Veel onderzoeken laten discrepanties zien in de meningen tussen de meningen van huisartsen en dermatologen, waarbij de percentages overeenstemming in hun diagnoses variëren van 57% tot 65,52%, afhankelijk van het onderzoek. Over het algemeen tonen huisartsen geen adequate kennis van huidziekten, de diagnose en behandeling ervan.

Deze menselijke beperking bij het beoordelen van huidziekten komt ook tot uiting in de moeite en tijd die nodig is om de mate van betrokkenheid van een patiënt of het stadium van de pathologie in te schatten. Zo erg zelfs dat het uiteindelijk een zeer ondankbare taak wordt en kan leiden tot slechte naleving van het protocol en ontoereikende verwijzingen.

Tijdsbesteding is van bijzonder belang omdat het aantal medische professionals, vooral in de dermatologie, niet voldoende is in verhouding tot de bestaande vraag. De toegang van de algemene bevolking tot een dermatologiespecialist is ingewikkeld vanwege het lage aantal (3 dermatologen per 100.000 inwoners), waardoor het in kleine bevolkingscentra nog moeilijker wordt. Daarom moet de screening op dermatologische laesies worden uitgevoerd door de huisarts, wiens diagnostische capaciteit zelfs nog lager is en het risico op een verkeerde diagnose kan vergroten.

In dit opzicht toont de literatuur een discrepantie van 55% tot 65% tussen de huisarts en de specialist6 en onderzoeken bevestigen een aantal verwachte kenmerken: veelvoorkomende dermatologische ziekten worden vaak niet herkend of verkeerd gediagnosticeerd door niet-dermatologen, vanwege de specifieke profielen van veel voorkomende diagnoses bij deze activiteit (door geneesmiddelen veroorzaakte huiduitslag, schimmelinfecties).

En naast deze inherente beperkingen wordt, in gevallen waarin het vooronderzoek door de patiënt wordt uitgevoerd, de mogelijkheid van vooringenomenheid toegevoegd. Dit geldt vooral in gevallen waarin de patiënt weet dat de behandeling die hij of zij krijgt, zal worden bepaald door de informatie die hij of zij verstrekt. Bovendien beschikt het medische team niet over de middelen om ervoor te zorgen dat de door de patiënt gerapporteerde waarden waar zijn, wat externe verificatie onmogelijk maakt.

Gelukkig is er de laatste jaren een toenemende vraag naar de ontwikkeling van Computer Aided Diagnosis (CAD)-systemen en andere systemen die de detectie van verschillende pathologieën door middel van algoritmen vergemakkelijken. CAD-systemen zijn een interdisciplinaire technologie die kunstmatige intelligentie en digitale beeldverwerking combineert. Beeldverwerking op basis van complexe patroonherkenningssystemen maakt het voor de arts mogelijk om de informatie in het medische beeld met veel minder moeite te interpreteren. Vooruitgang op het gebied van beeldherkenning en kunstmatige intelligentie heeft geleid tot innovaties in de diagnose van alle soorten pathologieën. Er is aangetoond dat het via kunstmatige intelligentie (AI)-algoritmen mogelijk is om foto's van laesies te classificeren met een competentieniveau dat vergelijkbaar is met dat van een medisch expert.

Daarom vormt het gebruik van toepassingen voor kunstmatige visie bij het verzamelen van informatie over de toestand van de patiënt een enorme vooruitgang die niet alleen de betrouwbaarheid van het documentatieproces vergroot, maar ook een grotere nauwkeurigheid mogelijk maakt bij het meten van visuele tekenen van de pathologie, en bijgevolg de criteria voor verwijzing informeert. naar de specialist.

Bijgevolg heeft deze studie tot doel een nieuw hulpmiddel voor kunstmatige intelligentie voor het beoordelen van activiteiten bij getroffen patiënten klinisch te valideren.

Deze innovatie heeft het potentieel om de medische praktijk bij de diagnose van huidkanker te vergemakkelijken en de kwaliteit van leven te verbeteren van patiënten die door deze pathologie worden getroffen. Bovendien biedt deze technologie een nieuw meetinstrument dat de deur opent naar een nieuw onderzoeksveld naar de effectiviteit van behandelingen of de analyse van de pathologie zelf en haar subtypes.

De hypothese die ten grondslag ligt aan dit onderzoek is dat algoritmen voor kunstmatige intelligentie, ontwikkeld door AI LABS GROUP SL, de geschiktheid van dermatologische verwijzingen aanzienlijk optimaliseren.

Het hoofddoel van deze studie is om te valideren dat de kunstmatige intelligentie-algoritmen ontwikkeld door AI LABS GROUP SL de geschiktheid van verwijzingen naar de dermatologie optimaliseren. Dat wil zeggen, om het aantal milde of goedaardige gevallen dat naar de dermatoloog wordt verwezen te verminderen, omdat deze vanuit de eerstelijnszorg kunnen worden behandeld.

Dit is een analytische prospectieve observationele studie van een reeks klinische gevallen. Het is een longitudinaal onderzoek.

Dit onderzoek schat een rekruteringsperiode van 2 maanden. De gespecialiseerde artsen krijgen 1 maand de tijd om de foto's te labelen. De onderzoekers hebben één maand de tijd om de database te sluiten en te bewerken, de gegevens te analyseren en het eindrapport van het onderzoek op te stellen.

De totale duur van het onderzoek wordt geschat op 4 maanden.

"proof-of-concept" pilotstudie waarin de steekproefomvang is geschat op basis van het aantal patiënten met een diagnose van huidziekten die te zien zijn in vier eerstelijnszorgdiensten van Hospital Universitario de Cruces. Tijdens de rekruteringsperiode van het onderzoek zullen alle patiënten met een diagnose van huidziekten die aan de selectiecriteria voldoen, worden geïncludeerd. De gegevens die tijdens de onderzoeksperiode van deze patiënten zijn verzameld, zullen worden geanalyseerd en afhankelijk van de verkregen resultaten zal worden beoordeeld of het nodig is de steekproefomvang uit te breiden om meer patiënten te omvatten.

De belangrijkste variabele heeft tot doel de efficiëntie van het algoritme te bepalen bij het optimaliseren van de geschiktheid van dermatologische verwijzingen.

Hiertoe zullen wij ongepaste verwijzingen identificeren. Wij definiëren een ongepaste verwijzing als een verwijzing die, volgens de criteria van de in het onderzoek geraadpleegde specialisten, niet de aandacht van een dermatoloog vereist om behandeld te worden, zoals het geval kan zijn bij seborrheische keratose. Hiervoor wordt een foto gemaakt en wordt de datum van het bezoek van de patiënt aan de kliniek en de criteria voor doorgang naar de volgende fase van het zorgproces vastgelegd. Dat wil zeggen: de datum van het bezoek van de huisarts en of dit al dan niet heeft geleid tot een verwijzing naar een dermatoloog, evenals het gehanteerde verwijscriterium, worden vastgelegd. Bovendien zal bij deze stap een foto worden gemaakt van het gebied dat door de pathologie wordt beïnvloed. Later zullen de hoofdonderzoekers de foto's beoordelen en bepalen of de verwijzing passend was of niet.