Identifikasjon av hypospadiparametre ved bruk av digital fotografering og kunstig intelligens (ASHOKA)

Dette er en utviklingsprotokoll for et digitalt mønstergjenkjenningsprogram for identifikasjon av ulike hypospadi-parametere ved bruk av kunstig nevrale nettverk. Populasjonen for denne studien er barn mistenkt for å ha hypospadi som er innlagt eller henvist til sykehus i Indonesia.

Samtykke for fangst av bildene som trengs i studien vil bli innhentet fra foreldrene til hypospadipasienter som en del av standarden for omsorg som skal brukes som en klinisk referanse. Bildet tatt for denne studien ble oppbevart i en kryptert database. Inklusjonskriteriene for denne studien er barn i alderen <18 år som mistenkes for å ha hypospadi, med alderstilpasset kontroll. De med historie med reparasjon av hypospadi eller de som nekter å delta i studien er ekskludert.

De kliniske resultatene målt i denne studien er:

1. Hypospadistatus: hypospadi eller ikke-hypospadi
2. Plassering av kjøtt: glanulær, koronal, distal skaft, proksimal skaft, penoskrotal
3. Kjøttform: normal, unormal
4. Kvaliteten på urinrørsplaten: god, dårlig
5. Glans diameter: i mm
6. Glansform: normal, unormal De kliniske resultatene ble målt preoperativt og 1 måned postoperativt

Et hypospadi- og normal penisbilde med matchet aldersdatabase ble brukt for å trene det kunstige nevrale nettverket. Tre bildeaspekter av penis (ventrale, dorsal og laterale aspekter som inkluderer glans, skaft og pungen) ble tatt fra hvert individ. Dataene ble merket med hypospadiparametere: hypospadistatus, kjøttplassering, kjøttform, kvalitet på urinrørsplaten, glansdiameter og glansform. Dataene ble lastet opp for å trene det kunstige nevrale nettverket.

Den statistiske analyseplanen vil bli fulgt for alle kliniske utfallsanalyser. Standardfeil, 95 % konfidensintervaller og P-verdier vil bli rapportert når det er mulig. Intra- og interrateranalyse vil bli utført ved å bruke Fleiss Kappa statistiske analyse. Dataene anses å være statistisk signifikante dersom p-verdien er mindre enn 0,05. I tillegg vil nøyaktighet, presisjon, tilbakekalling og f1-poengverdier bli beregnet for å måle ytelsen til gjenkjenningsmodellen.