Vroegtijdige Detectie en AI-Gestuurd Beheer van Huidgerelateerde Verwaarloosde Tropische Ziekten in Sub-Sahara Afrika door Eerstelijns Gezondheidswerkers (SkincAIr)

ABSTRACT:

Huidgerelateerde Verwaarloosde Tropische Ziekten (Skin NTD's) vormen een aanzienlijke uitdaging voor de volksgezondheid en treffen wereldwijd 1,8 miljard mensen. Skin NTD's treffen gemarginaliseerde gemeenschappen aanzienlijk vanwege verschillende factoren, zoals een gebrek aan opgeleid gezondheidspersoneel en diagnostische hulpmiddelen. Momenteel wordt, vanwege een tekort aan dermatologen, de meerderheid van de plattelandsbevolking met huidaandoeningen bediend door eerstelijns gezondheidswerkers (FHW's) met beperkte dermatologische kennis. De lage prevalentie van skin NTD's bemoeilijkt verder de diagnose en herkenning door FHW's. Daarom zijn nieuwe innovatieve benaderingen nodig om capaciteit op te bouwen en de diagnose van skin NTD's te verbeteren. Mobiele gezondheidsinterventies (mHealth), met name die welke kunstmatige intelligentie (AI) incorporeren, bieden een veelbelovende oplossing om de diagnostische capaciteiten van FHW's te verbeteren. Het SkincAIr-project heeft tot doel te evalueren of de introductie van een mobiele app met AI-functionaliteit de diagnostische nauwkeurigheid (gevoeligheid en specificiteit) van FHW's bij het opsporen van skin NTD's kan verbeteren, en te bepalen of zij hun verbeterde diagnostische vaardigheden behouden nadat de AI-ondersteuning is verwijderd, wat duidt op potentiële capaciteitsopbouw en duurzame verbetering in de gezondheidszorg. In de klinische beeldgegevensverzamelingsarm (36 maanden) zullen dermatologen in 5 landen (Kenia, Ethiopië, Senegal, Democratische Republiek Congo en Nigeria) beelden verzamelen van skin NTD's en andere huidaandoeningen (Beeldgegevensverzamelingsfase) die zullen worden gebruikt voor de training en ontwikkeling van de SkincAIr-app, voordat deze wordt geëvalueerd onder FHW's tijdens de 24-maanden durende validatiestudie. De validatiestudiearm voor de app zal een longitudinale binnen-proefpersoon ontwerp omvatten waarbij 50 FHW's zullen worden ingeschreven en ongeveer 750 patiënten met huidklachten zullen worden geworven uit gebieden met een hoge last van skin NTD's in elk van de 3 landen (Kenia, Ethiopië, Senegal) gedurende een 24-maanden durende validatiestudiperiode. Gegevens zullen worden geanalyseerd met behulp van R en Python, met beschrijvende statistieken (frequentie, centrale tendens en spreiding) samengevat in tabellen en grafieken. De diagnostische nauwkeurigheid van FHW's voor en na de introductie van de app zal worden geëvalueerd met behulp van gevoeligheid, specificiteit, voorspellende waarden en percentage overeenkomst met een dermatoloog. Kwalitatieve gegevens uit interviews en FGD's zullen worden opgenomen, getranscribeerd, gecodeerd en thematisch geanalyseerd met behulp van Atlas.ti Versie 7. Studieresultaten zullen worden gedeeld met Nationale Ministeries van Volksgezondheid, gepresenteerd op lokale en internationale conferenties, en gerapporteerd aan IRB's en regelgevende autoriteiten. Het is de bedoeling dat de app de diagnostische nauwkeurigheid van FHW's bij de vroege detectie van skin NTD's zal verbeteren en real-time epidemiologische surveillance zal vergemakkelijken, wat bijdraagt aan verbeterde ziekte-inventarisatie en hotspotidentificatie.

INLEIDING/ACHTERGROND:

Huidgerelateerde Verwaarloosde Tropische Ziekten (MDPI, 2019) (skin NTD's) zoals lepra, Buruli-ulcus, framboesia (endemische treponematose), cutane leishmaniasis, chromoblastomycose, mycetoom, schurft, tungiasis, Post Kala-azar Dermale Leishmaniasis (PKDL), lymfatische filariasis, onchocerciasis, podoconiosis en sporotrichose vormen een aanzienlijke uitdaging voor de volksgezondheid en treffen wereldwijd op elk moment 1,8 miljard mensen (WHO, 2023). Vooral in sub-Sahara Afrika (SSA) zijn deze ziekten zeer prevalent en zijn ze verbonden met aanzienlijke gezondheidsongelijkheden, voornamelijk gemarginaliseerde gemeenschappen treffend (Kariuki et al. 2023). Kenia heeft bijvoorbeeld een aanzienlijke last van Skin NTD's, waaronder Lymfatische filariasis in de Kustregio (Njenga et al. 2017; Ofire et al. 2025), Mycetoom in Turkana (Colom et al. 2023), Leishmaniasis in de Riftvallei en oostelijke delen (Baringo, Naivasha/Gilgil, Laikipia, Samburu, Nakuru, Meru, West Pokot, Elgeyo Marakwet, Isiolo, Nyandarua en Marsabit) (Ngere et al. 2020; van Dijk et al. 2024), Tungiasis (Elson et al. 2019; Nyangacha et al. 2019) en Schurft (Schmeller en Dzikus, 2001; Mbogori 2014; Macharia et al. 2024) die een brede verspreiding hebben over het hele land en enkele geïsoleerde gevallen van Lepra in de provincies Kwale, Kilifi, Kisumu, Siaya, Homabay en Busia (Kenya NTLLD Program Annual Report, 2014; Wangara et al. 2019).

De prevalentie van deze ziekten wordt verergerd door factoren zoals armoede en een gebrek aan adequate gezondheidszorgmiddelen, met name onvoldoende opgeleid personeel voor effectief beheer van skin NTD's (Ochola et al. 2021). Het stigma rond skin NTD's, verankerd in sociale en economische contexten, leidt tot isolatie en discriminatie, wat diagnose of behandeling ontmoedigt, wat op zijn beurt de verspreiding van ziekten verergert en controle- en uitroeiingsinspanningen bemoeilijkt, waardoor een zichzelf in stand houdende cyclus van uitdagingen ontstaat. Een groot deel van de NTD's heeft belangrijke huidmanifestaties. Daarom biedt onderzoek van de huid een kans om meerdere NTD's in één interventie te identificeren. De integrale benadering, aanbevolen door de Wereldgezondheidsorganisatie (WHO) (https://www.who.int/activities/promoting-the-integrated-approach-to-skin-related-neglected-tropical-diseases), resulteert in verbeterde gevaldetectie en verhoogde efficiëntie door het delen van middelen en uitgebreide programma dekking. Er is echter een grote barrière voor de integratie van skin NTD-interventies: het gebrek aan dermatologen (Schmid-Grendelmeier et al. 2019) (één dermatoloog per 1-2 miljoen inwoners) en adequaat opgeleid gezondheidspersoneel. Momenteel wordt de meerderheid van de plattelandsbevolking met huidaandoeningen bediend door eerstelijns gezondheidswerkers (FHW's) met beperkte dermatologische kennis (Mieras et al. 2018). Deze uitdaging wordt verder bemoeilijkt door de lage prevalentie van huidgerelateerde NTD's, waardoor ze moeilijk te herkennen zijn door FHW's (Mieras et al. 2018; Hotez et al. 2009). Omdat skin NTD's voornamelijk afhankelijk zijn van klinische diagnose, brengt een gebrek aan adequate training van FHW's ziektecontroleprogramma's en het bereiken van het algemene WHO NTD-roadmapdoel voor 2021-2030 om morbiditeit, invaliditeit en de psychosociale impact van skin NTD's tegen 2030 te verminderen in gevaar. Nieuwe innovatieve benaderingen zijn nodig om capaciteit op te bouwen en de diagnose van skin NTD's te verbeteren om de 2030-doelen te realiseren. In dit opzicht biedt Kunstmatige Intelligentie (AI) nu een ongekende kans om vooruitgang in medische beeldvorming toegepast op de huid te gebruiken om huidige barrières in de diagnose en het beheer van skin NTD's in SSA aan te pakken.

Bestaande AI-modellen in de dermatologie richten zich vaak op ziekten die prevalent zijn in ontwikkelde landen en vertrouwen op homogene datasets, wat leidt tot modellen die niet goed generaliseren naar diverse populaties. Ze gebruiken typisch interne validatiemethoden, die onvoldoende zijn voor implementatie in de echte wereld waar modellen gevarieerde databronnen tegenkomen (Daneshjou et al. 2021). Hoewel AI-aangedreven algoritmen diagnostische nauwkeurigheid hebben aangetoond vergelijkbaar met expertklinici in omgevingen met hulpbronnen (Salinas et al. 2024), hebben zeer weinig studies het gebruik van AI-aangedreven apps voor het diagnosticeren van skin NTD's in omgevingen met beperkte hulpbronnen in SSA onderzocht. Dit komt door de nieuwheid van de technologie die bijdraagt aan de schaarste van dergelijk onderzoek. De WHO NTD-geleide Global Initiative bespreekt vooruitgang, uitdagingen, hiaten en oplossingen in het ontwikkelen en implementeren van op kunstmatige augmented intelligence gebaseerde apps als een capaciteitsopbouw- en monitoringtool voor skin NTD's en geselecteerde veelvoorkomende huidaandoeningen in omgevingen met beperkte hulpbronnen. Onlangs heeft de WHO twee online AI-algoritmen opgenomen die 12 skin NTD's en 24 veelvoorkomende huidaandoeningen (Quilter et al. 2024) willen classificeren in de WHO Skin NTD's-app (voornamelijk gebouwd als een opslagplaats van educatieve bronnen en trainingsmaterialen, die voldoen aan WHO-richtlijnen). Hoewel de app beoogt capaciteitsopbouw te verbeteren via AI, is de "echte wereld"-impact op ziektebeheer nog niet beschikbaar en zullen aanstaande studies het nut ervan bepalen. De prestaties van AI-algoritmen worden ook beperkt door de beschikbaarheid van beelddatasets. In de AI4Leprosy-studie uitgevoerd in 2022 in het Braziliaanse nationale referentiecentrum voor lepra, hoewel het op convolutionele neurale netwerken (CNN) gebaseerde AI-algoritme zou kunnen bijdragen aan de diagnose van lepra met hoge classificatienauwkeurigheid (90%) (AI4Leprosy), is dit, voor zover wij weten, niet gevalideerd in een omgeving met beperkte hulpbronnen met een gebrek aan zeer gespecialiseerd personeel. Verder, hoewel de prestaties van de technologie steeds vaker worden gevalideerd in dermatologische aandoeningen zoals melanoom en andere huidkankers (Patel et al. 2023), blijft het directe bewijs voor de effectiviteit ervan bij het diagnosticeren van skin NTD's beperkt. Al met al, hoewel deze studies en initiatieven het potentieel van AI-aangedreven diagnostische hulpmiddelen aantonen, is bewijs specifiek voor hun gebruik voor skin NTD's in omgevingen met beperkte hulpbronnen nog in opkomst.

Onze voorgestelde validatiestudie heeft tot doel de bovengenoemde hiaten aan te pakken door de diagnostische nauwkeurigheid van een AI-aangedreven app bij het diagnosticeren van skin NTD's in Kenia, Ethiopië en Senegal te evalueren, wat kritische inzichten verschaft in het praktische nut en de impact op de klinische praktijk in deze omgevingen. De interventie is de SkincAIr Research App, een uniform mobiel platform met drie rol-specifieke modules: een Dermatoloog Dataset eCRF voor gestructureerde beeldverzameling door dermatologen in 5 landen; een FHW eCRF voor klinische gegevensverzameling en casusdocumentatie in alle 3 studiefasen; en de SkincAIr Detection App - een AI-aangedreven diagnostische beslissingsondersteunende functie ingebed in de FHW eCRF, exclusief geactiveerd tijdens Fase B (6 maanden), en teruggetrokken tijdens Fase C om het behoud van verbeterde diagnostische vaardigheden te beoordelen. De studie meet: (SO1) diagnostische prestaties van FHW's met en zonder de app, inclusief vroege detectiesnelheid, diagnostische nauwkeurigheid, gevoeligheid en specificiteit ten opzichte van een dermatoloogreferentiestandaard; (SO2) datasetkwaliteit inclusief aantal, geografische diversiteit en beeldkwaliteit; (SO3) vermindering van diagnostische vertraging; (SO4) epidemiologische surveillance-indicatoren inclusief DHIS2-integratie, gevalbevestigingsratio en hotspotidentificatie; (SO5) FHW-kenniswinst en gebruikers tevredenheid. Kosteneffectiviteit wordt beoordeeld door vergelijking van primaire versus secundaire zorgkosten en ICER-berekening.

Deze klinische studie zal vitale gegevens verschaffen om het praktische nut van AI bij het verbeteren van de diagnostische nauwkeurigheid en snelheid onder niet-gespecialiseerde gezondheidswerkers te beoordelen. Door gebruik te maken van AI en mobiele technologie kunnen we FHW's in omgevingen met beperkte hulpbronnen uitrusten met hulpmiddelen om snel skin NTD's te detecteren en te beheren.

Rechtvaardiging voor de Studie:

Verwaarloosde tropische ziekten (NTD's) treffen wereldwijd meer dan een miljard mensen, waarbij skin NTD's zoals lepra, cutane leishmaniasis en onchocerciasis aanzienlijk bijdragen aan morbiditeit, invaliditeit en stigma in getroffen populaties. Vroege detectie en behandeling zijn cruciaal om complicaties te voorkomen, transmissie te verminderen en patiëntuitkomsten te verbeteren. In omgevingen met beperkte hulpbronnen zoals Kenia, Ethiopië, Senegal, Nigeria en de Democratische Republiek Congo zijn FHW's vaak het eerste aanspreekpunt voor patiënten met huidaandoeningen. FHW's hebben echter typisch gespecialiseerde training in dermatologie, wat leidt tot verkeerde diagnose of vertraagde diagnose van skin NTD's. Mobiele gezondheidsinterventies (mHealth), met name die welke AI incorporeren, bieden een veelbelovende oplossing om de diagnostische capaciteiten van FHW's te verbeteren. Het SkincAIr-project heeft tot doel te evalueren of de introductie van een mobiele app met AI-functionaliteit de diagnostische nauwkeurigheid van FHW's bij het opsporen van skin NTD's kan verbeteren. Bovendien probeert de studie te bepalen of FHW's verbeterde diagnostische vaardigheden behouden nadat de AI-ondersteuning is verwijderd, wat duidt op potentiële capaciteitsopbouw en duurzame verbetering in de gezondheidszorg. Ons project overstijgt de dubbele beperkingen van gebrek aan gespecialiseerde training in dermatologie en beschikbaarheid van beelddatasets door echte klinische gegevens te verzamelen uit meerdere geografische locaties binnen lage- en middeninkomenslanden (LMIC's), waardoor onze modellen worden getraind en extern gevalideerd op diverse datasets die representatief zijn voor de doelpopulaties. Inclusie van Kenia, Ethiopië, Senegal, Nigeria en de Democratische Republiek Congo zal bijdragen aan de diversiteit van beelden die representatief zijn voor de skin NTD's die endemisch zijn in meerdere geografische locaties in sub-Sahara Afrika. Aangezien deze locaties unieke uitdagingen presenteren, waaronder beperkte gezondheidszorginfrastructuur en variërende ziektepresentaties, is de voorgestelde studie cruciaal om deze kloof te overbruggen. We zullen een gecontroleerd beeldverwervingsprotocol implementeren om gegevensverzameling te standaardiseren, waardoor het risico van shortcut learning - waarbij modellen mogelijk vertrouwen op irrelevante kenmerken vanwege valse correlaties (Winkler et al. 2019) - wordt geminimaliseerd. Door multimodale gegevens te integreren, inclusief klinische parameters, en robuustheid voor ontbrekende gegevens te waarborgen, zullen onze modellen nauwkeurigere en gepersonaliseerdere diagnostische en voorspellende capaciteiten bieden.

Nulhypothese:

Het gebruik van de SkincAIr AI-aangedreven mobiele applicatie zal de diagnostische nauwkeurigheid (gevoeligheid en specificiteit) van FHW's bij het detecteren van skin NTD's niet verbeteren in vergelijking met hun basisprestaties zonder de app.

Algemeen Doel:

Een AI-ondersteund diagnostisch hulpmiddel ontwikkelen voor skin NTD's (SkincAIr) en de prestaties en impact ervan testen onder eerstelijns gezondheidswerkers (FHW's) bij het detecteren van geselecteerde skin NTD's.

Specifieke Doelen:

1. Beeldgegevens verzamelen voor skin NTD's en andere huidaandoeningen door dermatologen/dermatologieofficieren of andere officieren getraind in skin NTD's om te worden gebruikt in de training en ontwikkeling van de SkincAIr-app.
2. De impact van de SkincAIr mobiele applicatie kwantificeren op de diagnostische nauwkeurigheid (gevoeligheid en specificiteit) van eerstelijns gezondheidswerkers (FHW's) bij het identificeren van huid-verwaarloosde tropische ziekten (skin NTD's) en andere huidaandoeningen.

3. De impact meten van SkincAIr-ondersteunde diagnose op belangrijke klinische en operationele metrieken:

   • Tijd tot diagnose vanaf eerste bezoek - Hoe lang het duurt voordat een patiënt een diagnose krijgt, vanaf het moment dat hij zich voor het eerst presenteert bij een zorgverlener
   • Tijd vanaf eerste presentatie tot definitieve diagnose - de tijd vanaf elk eerste contact (misschien op gemeenschapsniveau of eerste kliniek) tot de uiteindelijke bevestigde diagnose door een specialist
   • Vermindering van vertragingen in behandelingstart
   • Veranderingen in verwijzingspatronen naar gespecialiseerde centra - Veranderingen in hoe vaak en hoe gepast patiënten worden doorverwezen naar specialisten of hogere centra
   • Kostenbesparingen in secundaire zorg toe te schrijven aan verbeterde primaire diagnose (vroege en accurate diagnoses door FHW's)
   • Nieuwe hotspots van vermoedelijke of bevestigde skin NTD's tijdens de projectperiode (tot M60).
4. De duurzaamheid evalueren van verbeterde diagnostische vaardigheden onder FHW's na het terugtrekken van AI-ondersteuning.