AI-app for behandling av atopisk dermatitt

Prosjektet vil bli utført ved Department of Dermatovenereology, West China Hospital ved Sichuan University. Protokollen vil bli godkjent av den biologisk-medisinske etiske komiteen ved West China Hospital ved Sichuan University, og skriftlig informert samtykke vil bli innhentet fra alle deltakere før vi tar bilder av hudlesjonene og før vi rekrutterer dem i kliniske studier.

1. Automatisk deteksjon og evaluering av AD basert på AI dyp læring 1.1 Datasett av atopisk dermatitt Datasettet vil bli etablert fra mer enn 10 000 kliniske bilder av AD pasienter for AI dyp læring. Bilder av lav kvalitet vil bli ekskludert, og bildene som inneholder bakgrunnen rundt vil bli beskåret slik at de bare inkluderer AD-lesjonene.

   1.2 Merking av kliniske tegn på hudlesjoner Merkingen vil bli fullført av tre sertifiserte hudleger og tre trente algoritmeingeniører. Hudlegene vil merke de kliniske tegnene, inkludert erytem, ​​papulasjon, ødem, utsivning, ekskoriasjon, lichenification og tørrhet, og alvorlighetsgraden av hvert tegn vil bli evaluert og merket på en firepunkts skala (0: ingen, 1: mild, 2: moderat og 3: alvorlig). Resultatet av hvert klinisk tegn i et bilde vil bli merket som et eksempel på erytem-2, ødem-2 eller oozing-3. Etter merking av bildene, verifiserer hudleger og algoritmeingeniører kvaliteten på de merkede bildene fra både kliniske regler og merkingsregler og kryssvaliderer nøyaktigheten av tegn og alvorlighetsgrad. Bilder som oppfyller kravene vil bli brukt til modellopplæring. Under merkings- og modellopplæringsprosessen vil relevant personell være uvitende om all privat pasientinformasjon.

   1.3 Modellopplæring Modellopplæringen vil bli gjennomført etter merking av bildene.

   En nøyaktig og effektiv semantisk segmenteringsmodell vil bli trent for å skille unormale hudlesjonsområder for å identifisere alle kliniske tegn. En rask og nøyaktig hudsegmenteringsmodell på pikselnivå vil bli trent for å bestemme forholdet mellom lesjonsområdet og det totale hudområdet. Dessuten vil det bli laget en effektiv og praktisk metode for å konvertere det segmenterte hudlesjonsområdet til reelle hudarealenheter for å oppnå nøyaktig gjenoppretting av den sanne størrelsen så mye som mulig fra forvrengningen av hudlesjonen på grunn av skyteavstanden, vinkelen, eller automatisk forbedring. Datasettet vil bli delt inn for opplæring, validering og testing. Bilder av 6 500 av 10 000 vil bli brukt i opplæring og validering av den foreslåtte modellen, og bilder av de resterende 3 500 av 10 000 vil bli brukt til testing. Etter trening, kombinert med de forskjellige spørreskjemaelementene fylt ut av pasienter, vil evalueringsverktøyene inkludert EASI, SCORED, POEM, pp-NRS og DLQI beregnes av modellen.

2. Utvikling av AIADMS-appen Appen skal støtte Android-systemet og IOS-systemet, og den vil være utformet som to versjoner for både pasienter og klinikere med den fornemme påloggingsinngangen. Den grunnleggende funksjonen til appen vil inkludere "Push", "Påminnelse", "Last opp", "Evaluering" og "Databehandling".

   2.1 "Push"-funksjonen er designet for å overføre informasjon til pasienter og medisinsk personell. Den pushede informasjonen kan mottas og vises på skjermen til mobiltelefonen selv om appen ikke er åpnet og mobiltelefonen er i låst skjermtilstand, og brukerne kan stille inn tidspunktet for mottak av den pushede informasjonen selv. For eksempel vil det forhåndsbestemte tidspunktet for oppfølging i klinikker presenteres som "Du bør komme til legen neste mandag 25. juli 2023". "Push"-funksjonen kan aktivere bruk av app, øke viskositeten til brukere og drive utnyttelse av andre funksjonsmoduler.

   2.2 "Påminnelse"-funksjonen brukes hovedsakelig for å minne pasientene på å ta medisin, laste opp bilder av hudlesjoner, selvevaluering og planlagt oppfølging.

   2.3 «Last opp»-funksjonen er utviklet for å hjelpe pasienter med å delta i den systemiske behandlingen. De kan laste opp bilder av hudlesjoner, beskrivelsen av utviklingen av AD eller spørreskjemaer.

   2.4 «Evaluering»-funksjonen er utviklet for å gi informasjon til både pasienter og medisinsk personell. Ved å laste opp bilder av hudlesjoner og fylle ut de forskjellige spørreskjemaelementene, vil appen automatisk evaluere alvorlighetsgraden av lesjonene og beregne EASI-, POEM-, PP-NRS-, SCORAD- eller DLQI-poengsummene. Denne funksjonen kan hjelpe pasienter med å vite mer om sykdomssituasjonen deres, og ta del i selvevaluering og egenomsorg slik T2T-strategien anbefales.

   2.4 "Datahåndtering"-funksjonen er designet for at medisinsk personell skal kunne administrere pasientene mer praktisk og utforme den medisinske forskningen. De kan logge inn på appplattformens nettsted for å samle inn og eksportere data, utføre statistiske analyser og stordatautvinning. Appen selv kan også lage enkel statistikk og håndtering av data. For eksempel kan data som EASI, POEM og PP-NRS-score på tidspunktet før behandling, 2 uker, 4 uker, 12 uker og 6 måneder etter behandling genereres automatisk til statistiske rapporter som presenteres i form av histogrammer eller kurver. Appen kan også forbedres ytterligere og oppdateres til den nye versjonen gjennom analyse av brukernes vaner, og funksjonsmodulene kan optimaliseres med høy bruksfrekvens og tilbakemeldinger fra både medisinsk personell og pasienter.

3. Effektiviteten og sikkerheten til AIADMS-appen for forbedring av de kliniske resultatene hos AD-pasienter: en randomisert kontrollert studie.

Denne studien er en enkeltsentrert, prospektiv, randomisert kontrollert studie som tester overlegenheten til implementeringen av T2T-strategi ved bruk av AIADMS-appen hos pasienter med AD når det gjelder forbedring av kliniske resultater.

Dette vil være det første AI-assisterte verktøyet for AD under prosessen med diagnose, ledelse og oppfølging. Det vil gi solid bevis for anvendelsen av AI i dermatologi over hele verden.