AI-app voor de behandeling van atopische dermatitis

Het project zal worden uitgevoerd bij de afdeling Dermatovenereologie, West China Hospital van de Universiteit van Sichuan. Het protocol zal worden goedgekeurd door de Biologisch-Medisch Ethische Commissie van het West-Chinese Ziekenhuis van de Universiteit van Sichuan, en van alle deelnemers zal schriftelijke geïnformeerde toestemming worden verkregen voordat we beelden maken van de huidlaesies en voordat we ze in klinische onderzoeken rekruteren.

1. Automatische detectie en evaluatie van AD op basis van AI deep learning 1.1 Dataset van atopische dermatitis De dataset zal worden samengesteld op basis van meer dan 10.000 klinische beelden van AD-patiënten voor AI deep learning. Afbeeldingen van lage kwaliteit worden uitgesloten en de afbeeldingen met de omringende achtergrond worden bijgesneden zodat ze alleen de AD-laesies bevatten.

   1.2 Het labelen van de klinische symptomen van huidlaesies Het labelen zal worden voltooid door drie gecertificeerde dermatologen en drie getrainde algoritme-ingenieurs. De dermatologen zullen de klinische symptomen labelen, waaronder erytheem, papulatie, oedeem, sijpelen, ontvelling, lichenificatie en droogheid, en de ernst van elk symptoom zal worden geëvalueerd en gelabeld op een vierpuntsschaal (0: geen, 1: mild, 2: matig en 3: ernstig). Het resultaat van elk klinisch teken in een afbeelding wordt gelabeld als een voorbeeld van erytheem-2, oedeem-2 of sijpelen-3. Na het labelen van de beelden verifiëren de dermatologen en algoritme-ingenieurs de kwaliteit van de gelabelde beelden op basis van zowel klinische als labelingsregels en valideren ze de nauwkeurigheid van de symptomen en de ernst. Afbeeldingen die aan de eisen voldoen, worden gebruikt voor modeltraining. Tijdens het etiketterings- en modeltrainingsproces zal het relevante personeel niet op de hoogte zijn van alle persoonlijke patiëntinformatie.

   1.3 Modeltraining De modeltraining wordt uitgevoerd na het labelen van de afbeeldingen.

   Een nauwkeurig en efficiënt semantisch segmentatiemodel zal worden getraind om abnormale huidlaesiegebieden te onderscheiden en alle klinische symptomen te identificeren. Een snel en nauwkeurig huidsegmentatiemodel op pixelniveau zal worden getraind om de verhouding van het laesiegebied tot het totale huidoppervlak te bepalen. Bovendien zal er een efficiënte en praktische methode worden gecreëerd om het gesegmenteerde huidlaesiegebied om te zetten in echte huidoppervlakte-eenheden om zo nauwkeurig mogelijk de ware grootte te herstellen op basis van de vervorming van de huidlaesie vanwege de opnameafstand, hoek, enz. of automatische verbetering. De dataset wordt verdeeld voor training, validatie en testen. Afbeeldingen van 6.500 van de 10.000 zullen worden gebruikt bij training en validatie van het voorgestelde model, en afbeeldingen van de resterende 3.500 van 10.000 zullen worden gebruikt voor testen. Na de training, gecombineerd met de verschillende vragenlijstitems die door patiënten zijn ingevuld, zullen de evaluatieve hulpmiddelen, waaronder EASI, SCORED, POEM, pp-NRS en DLQI, door het model worden berekend.

2. Ontwikkeling van de AIADMS-app De app zal het Android-systeem en het IOS-systeem ondersteunen en zal worden ontworpen als twee versies voor zowel patiënten als artsen met de onderscheidende login-ingang. De fundamentele functie van de app omvat "Push", "Herinnering", "Uploaden", "Evaluatie" en "Gegevensbeheer".

   2.1 De "Push"-functie is ontworpen om informatie naar patiënten en medisch personeel te verzenden. De gepushte informatie kan worden ontvangen en weergegeven op het scherm van de mobiele telefoon, zelfs als de app niet is geopend en de mobiele telefoon zich in de vergrendelde schermstatus bevindt, en de gebruikers kunnen zelf het tijdstip instellen waarop ze de gepushte informatie ontvangen. Het vooraf bepaalde tijdstip voor follow-up in klinieken wordt bijvoorbeeld weergegeven als "U moet volgende maandag 25 juli 2023 naar de dokter komen". De "Push"-functie kan het gebruik van de app activeren, de viscositeit van gebruikers vergroten en het gebruik van andere functionele modules stimuleren.

   2.2 De functie "Herinnering" wordt voornamelijk gebruikt om patiënten te herinneren aan het innemen van medicijnen, het uploaden van foto's van huidlaesies, zelfevaluatie en geplande follow-up.

   2.3 De functie "Uploaden" is ontworpen om patiënten te helpen deelnemen aan de systemische behandeling. Ze kunnen hun foto's van huidlaesies, de beschrijving van de voortgang van AD of vragenlijsten uploaden.

   2.4 De functie "Evaluatie" is ontwikkeld om informatie te verstrekken aan zowel patiënten als medisch personeel. Door foto's van huidlaesies te uploaden en de verschillende vragenlijstitems in te vullen, evalueert de app automatisch de ernst van de laesies en berekent de EASI-, POEM-, PP-NRS-, SCORAD- of DLQI-scores. Deze functie zou patiënten kunnen helpen meer te weten te komen over hun situatie met betrekking tot de ziekte, en deel te nemen aan zelfevaluatie en zelfzorg, zoals aanbevolen door de T2T-strategie.

   2.4 De functie "Gegevensbeheer" is bedoeld voor medisch personeel om de patiënten gemakkelijker te beheren en het medisch onderzoek te ontwerpen. Ze kunnen inloggen op de website van het app-platform om gegevens te verzamelen en te exporteren, statistische analyses uit te voeren en big data-mining uit te voeren. App zelf kan ook eenvoudige statistieken maken en gegevens beheren. Gegevens zoals EASI-, POEM- en PP-NRS-scores op de tijdstippen vóór de behandeling, 2 weken, 4 weken, 12 weken en 6 maanden na de behandeling kunnen bijvoorbeeld automatisch worden gegenereerd in statistische rapporten die kunnen worden gepresenteerd in de vorm van histogrammen of rondingen. De app kan ook verder worden verbeterd en bijgewerkt naar de nieuwe versie door de analyse van de gewoonten van gebruikers, en de functiemodules kunnen worden geoptimaliseerd met de hoge gebruiksfrequentie en de feedback van zowel medisch personeel als patiënten.

3. Effectiviteit en veiligheid van de AIADMS-app voor verbetering van de klinische resultaten bij AD-patiënten: een gerandomiseerde gecontroleerde studie.

Deze studie is een enkelvoudige, prospectieve, gerandomiseerde gecontroleerde studie die de superioriteit test van de implementatie van de T2T-strategie door toepassing van de AIADMS-app bij patiënten met AD in termen van verbetering van de klinische resultaten.

Dit zou het eerste AI-ondersteunde hulpmiddel voor AD zijn tijdens het proces van diagnose, beheer en follow-up. Het zal solide bewijs leveren voor de toepassing van AI in de dermatologie wereldwijd.