Tidlig oppdagelse og AI-basert håndtering av hudrelaterte neglisjerte tropiske sykdommer i Afrika sør for Sahara av helsearbeidere i første linje (SkincAIr)

ABSTRAKT:

Hudrelaterte neglisjerte tropiske sykdommer (Skin NTDs) utgjør en betydelig folkehelseutfordring og rammer 1,8 milliarder mennesker globalt. Skin NTDs påvirker marginaliserte samfunn betydelig på grunn av flere faktorer, som mangel på trent helsepersonell og diagnostiske verktøy. For tiden, på grunn av mangel på hudspesialister, blir flertallet av landbefolkningen med hudsykdommer betjent av frontlinjehelsearbeidere (FHWs) med begrenset dermatologisk kunnskap. Den lave forekomsten av skin NTDs forverrer ytterligere deres diagnose og gjenkjenning av FHWs. Nye innovative tilnærminger er derfor nødvendige for å bygge kapasitet og forbedre diagnosen for skin NTDs. Mobile helse (mHealth)-intervensjoner, spesielt de som integrerer kunstig intelligens (AI), tilbyr en lovende løsning for å forbedre de diagnostiske evnene til FHWs. SkincAIr-prosjektet har som mål å evaluere om introduksjonen av en mobilapp med AI-funksjonalitet kan forbedre den diagnostiske nøyaktigheten (følsomhet og spesifisitet) til FHWs i deteksjon av skin NTDs, og å fastslå deres opprettholdelse av forbedrede diagnostiske ferdigheter etter at AI-assistanse er fjernet, noe som indikerer potensiell kapasitetsbygging og vedvarende forbedring i helsetjenesteleveransen. I den kliniske bildedatainnsamlingsarmen (36 måneder) vil hudspesialister i 5 land (Kenya, Etiopia, Senegal, Den demokratiske republikken Kongo og Nigeria) samle bilder av skin NTD og andre hudsykdommer (Bildedatainnsamlingsfase) som vil bli brukt til trening og utvikling av SkincAIr-appen, før den evalueres blant FHWs under den 24-måneders valideringsstudien. Valideringsstudiearmen for appen vil involvere et longitudinelt design med innenfor-subjekt som vil inkludere 50 FHWs og vil rekruttere omtrent 750 pasienter med hudplager fra områder med høyt forekomst av skin NTDs i hvert av 3 land (Kenya, Etiopia, Senegal) over en 24-måneders valideringsstudieperiode. Data vil bli analysert ved bruk av R og Python, med beskrivende statistikk (frekvens, sentraltendens og spredning) oppsummert i tabeller og diagrammer. Diagnostisk nøyaktighet av FHWs før og etter appintroduksjon vil bli evaluert ved bruk av følsomhet, spesifisitet, prediktive verdier og prosentvis samsvar med en hudspesialist. Kvalitative data fra intervjuer og FGDs vil bli lydinnspilt, transkribert, kodet og tematisk analysert ved bruk av Atlas.ti Versjon 7. Studiefunn vil bli delt med nasjonale helseministerier, presentert på lokale og internasjonale konferanser, og rapportert til IRBs og reguleringsmyndigheter. Det er forventet at appen vil forbedre den diagnostiske nøyaktigheten til FHWs i tidlig deteksjon av skin NTDs og vil legge til rette for sanntidsepidemiologisk overvåking, noe som bidrar til forbedret sykdomskartlegging og hotspotidentifikasjon.

INNLEDNING/BAKGRUNN:

Hudrelaterte neglisjerte tropiske sykdommer (MDPI, 2019) (skin NTDs) som spedalskhet, Buruli-sår, yaws (endemisk treponematose), kutane leishmaniasis, chromoblastomykose, myketom, skabb, tungiasis, Post Kala-azar Dermal Leishmaniasis (PKDL), lymfatisk filariasis, onkocerkiasis, podokoniose og sporotrikose utgjør en betydelig folkehelseutfordring og rammer 1,8 milliarder mennesker globalt til enhver tid (WHO, 2023). Spesielt i Afrika sør for Sahara (SSA) er disse sykdommene svært utbredte og er knyttet til betydelige helseulikheter, og påvirker hovedsakelig marginaliserte samfunn (Kariuki et al. 2023). Kenya har for eksempel en betydelig byrde av Skin NTDs, inkludert Lymfatisk filariasis i kystregionen (Njenga et al. 2017; Ofire et al. 2025), Myketom i Turkana (Colom et al. 2023), Leishmaniasis i Rift Valley og østlige deler (Baringo, Naivasha/Gilgil, Laikipia, Samburu, Nakuru, Meru, West Pokot, Elgeyo Marakwet, Isiolo, Nyandarua, og Marsabit) (Ngere et al. 2020; van Dijk et al. 2024), Tungiasis (Elson et al. 2019; Nyangacha et al. 2019) og Skabb (Schmeller og Dzikus, 2001; Mbogori 2014; Macharia et al. 2024) som har en vid distribusjon over hele landet og noen lommer med tilfeller av Spedalskhet i Kwale, Kilifi, Kisumu, Siaya, Homabay og Busia fylker (Kenya NTLLD Program Annual Report, 2014; Wangara et al. 2019).

Forekomsten av disse sykdommene forverres av faktorer som fattigdom og mangel på tilstrekkelige helseressurser, spesielt utilstrekkelig trent personell for effektiv håndtering av skin NTDs (Ochola et al. 2021). Stigmaet rundt skin NTDs, forankret i sosiale og økonomiske sammenhenger, fører til isolasjon og diskriminering, som fraråder diagnose eller behandling, noe som igjen forverrer sykdomsspredning og kompliserer kontroll- og elimineringsinnsatser, og skaper en selvforsterkende syklus av utfordringer. En høy andel av NTDs har store hudmanifestasjoner. Derfor tjener undersøkelse av huden som en mulighet til å identifisere flere NTDs i en enkelt intervensjon. Den integrerte tilnærmingen, anbefalt av Verdens helseorganisasjon (WHO) (https://www.who.int/activities/promoting-the-integrated-approach-to-skin-related-neglected-tropical-diseases), resulterer i forbedret tilfelledeteksjon og økt effektivitet gjennom deling av ressurser og utvidet programdekning. Imidlertid er det en stor hindring for integrering av skin NTD-intervensjoner: mangel på hudspesialister (Schmid-Grendelmeier et al. 2019) (én hudspesialist for 1-2 millioner innbyggere) og tilstrekkelig trent helsepersonell. For tiden blir flertallet av landbefolkningen med hudsykdommer betjent av frontlinjehelsearbeidere (FHWs) med begrenset dermatologisk kunnskap (Mieras et al. 2018). Denne utfordringen forverres ytterligere av den lave forekomsten av hudrelaterte NTDs, noe som gjør dem vanskelige å gjenkjenne for FHWs (Mieras et al. 2018; Hotez et al. 2009). Siden skin NTDs stort sett er avhengige av klinisk diagnose, utgjør mangel på tilstrekkelig opplæring av FHWs en trussel mot sykdomskontrollprogrammer og oppnåelsen av det overordnede 2021-2030 WHO NTD-veikartmålet om å redusere morbiditet, funksjonshemming og den psykososiale påvirkningen av skin NTDs innen 2030. Nye innovative tilnærminger er nødvendige for å bygge kapasitet og forbedre diagnosen for skin NTDs for å realisere 2030-målene. I denne sammenhengen gir Kunstig intelligens (AI) nå en enestående mulighet til å bruke fremskritt innen medisinsk bildebehandling anvendt på huden for å takle nåværende barrierer i diagnosen og håndteringen av skin NTDs i SSA.

Eksisterende AI-modeller i dermatologi fokuserer ofte på sykdommer som er utbredt i utviklede land og er avhengige av homogene datasett, noe som fører til modeller som ikke generaliserer godt til ulike populasjoner. De bruker typisk interne valideringsmetoder, som er utilstrekkelige for virkelighetsnær implementering der modeller møter varierte datakilder (Daneshjou et al. 2021). Mens AI-drevne algoritmer har demonstrert diagnostisk nøyaktighet lik ekspertklinikere i høyt ressurssterke omgivelser (Salinas et al. 2024), har svært få studier utforsket bruken av AI-drevne apper for å diagnostisere skin NTDs i lavt ressurssterke omgivelser i SSA. Dette skyldes nyheten til teknologien som bidrar til knappheten på slik forskning. WHO NTD-ledede globale initiativ diskuterer fremgang, utfordringer, hull og løsninger i utvikling og implementering av kunstig augmentert intelligens-baserte apper som et kapasitetsbyggende og overvåkingsverktøy for skin NTDs og utvalgte vanlige hudsykdommer i ressursbegrensede omgivelser. Nylig inkorporerte WHO to online AI-algoritmer som har til hensikt å klassifisere 12 skin NTDS og 24 vanlige hudsykdommer (Quilter et al. 2024) inn i WHO Skin NTDs-appen (hovedsakelig bygget som et depot for pedagogiske ressurser og opplæringsmateriell, som følger WHO-retningslinjer). Mens appen har som mål å forbedre kapasitetsbygging gjennom AI, er dens "virkelige verden"-påvirkning på sykdomshåndtering fortsatt ikke tilgjengelig, og kommende studier vil fastslå dens nytte. Ytelsen til AI-algoritmer er også begrenset av tilgjengeligheten av bildedatasett. I AI4Leprosy-studien utført i 2022 på Brasils nasjonale referansesenter for spedalskhet, selv om den konvolusjonelle nevrale nettverk (CNN)-baserte AI-algoritmen kunne bidra til diagnosen av spedalskhet med høy klassifiseringsnøyaktighet (90%) (AI4Leprosy), har dette så vidt vi vet ikke blitt validert i et lavt ressurssterkt miljø med mangel på høyt spesialisert personell. Lenger borte, mens teknologiens ytelse i økende grad blir validert i dermatologiske tilstander som melanom og andre hudkreftformer (Patel et al. 2023), er det direkte beviset for dens effektivitet i å diagnostisere skin-NTDs fortsatt begrenset. Samlet sett, mens disse studiene og initiativene demonstrerer potensialet til AI-drevne diagnostiske verktøy, er bevis spesifikke for deres bruk for skin NTDs i lavt ressurssterke omgivelser fortsatt under utvikling.

Vår foreslåtte valideringsstudie har som mål å adressere de ovennevnte hullene ved å evaluere den diagnostiske nøyaktigheten til en AI-drevet app i å diagnostisere skin NTDs i Kenya, Etiopia og Senegal, og gi avgjørende innsikt i dens praktiske nytte og påvirkning på klinisk praksis i disse omgivelsene. Intervensjonen er SkincAIr Research App, en enhetlig mobilplattform som inneholder tre rolle-spesifikke moduler: en Dermatolog Dataset eCRF for strukturert bildesamling av hudspesialister på tvers av 5 land; en FHW eCRF for klinisk datainnsamling og saksdokumentasjon på tvers av alle 3 studie faser; og SkincAIr Detection App - en AI-drevet diagnostisk beslutningsstøttefunksjon innebygd i FHW eCRF, aktivert utelukkende under Fase B (6 måneder), og trukket tilbake under Fase C for å vurdere opprettholdelse av forbedrede diagnostiske ferdigheter. Studien måler: (SO1) diagnostisk ytelse av FHWs med og uten appen, inkludert tidlig deteksjonsrate, diagnostisk nøyaktighet, følsomhet og spesifisitet mot en hudspesialistreferansestandard; (SO2) datakvalitet inkludert antall, geografisk mangfold og bildekvalitet; (SO3) reduksjon i diagnostisk forsinkelse; (SO4) epidemiologiske overvåkingsindikatorer inkludert DHIS2-integrasjon, tilfellebekreftelsesforhold og hotspotidentifikasjon; (SO5) FHW kunnskapsgevinst og brukertilfredshet. Kostnadseffektivitet vurderes gjennom primær vs sekundær helsetjenestekostnadsammenligning og ICER-beregning.

Denne kliniske studien vil gi vital data for å vurdere den praktiske nytten av AI i å forbedre diagnostisk nøyaktighet og hastighet blant ikke-spesialisthelsearbeidere. Ved å utnytte AI og mobilteknologi kan vi utstyre FHWs i lavt ressurssterke omgivelser med verktøy for raskt å oppdage og håndtere skin NTDs.

Begrunnelse for studien:

Neglisjerte tropiske sykdommer (NTDs) rammer over en milliard mennesker globalt, med skin NTDs som spedalskhet, kutane leishmaniasis og onkocerkiasis som bidrar betydelig til morbiditet, funksjonshemming og stigma i berørte populasjoner. Tidlig deteksjon og behandling er avgjørende for å forebygge komplikasjoner, redusere overføring og forbedre pasientutfall. I ressursbegrensede omgivelser som Kenya, Etiopia, Senegal, Nigeria og Den demokratiske republikken Kongo er FHWs ofte det første kontaktpunktet for pasienter med hudtilstander. Imidlertid mangler FHWs typisk spesialisert opplæring i dermatologi, noe som fører til feildiagnose eller forsinket diagnose av skin NTDs. Mobile helse (mHealth)-intervensjoner, spesielt de som integrerer AI, tilbyr en lovende løsning for å forbedre de diagnostiske evnene til FHWs. SkincAIr-prosjektet har som mål å evaluere om introduksjonen av en mobilapp med AI-funksjonalitet kan forbedre den diagnostiske nøyaktigheten til FHWs i deteksjon av skin NTDs. I tillegg søker studien å fastslå om FHWs opprettholder forbedrede diagnostiske ferdigheter etter at AI-assistanse er fjernet, noe som indikerer potensiell kapasitetsbygging og vedvarende forbedring i helsetjenesteleveransen. Vårt prosjekt overskrider de tvillingbegrensningene av mangel på spesialisert opplæring i dermatologi og tilgjengeligheten av bildedatasett ved å samle reelle kliniske data fra flere geografiske steder innen lav- og mellominntektsland (LMICs), og sikre at våre modeller er trent og eksternt validert på mangfoldige datasett representative for målpopulasjonene. Inkludering av Kenya, Etiopia, Senegal, Nigeria og Den demokratiske republikken Kongo vil bidra til mangfoldet av bilder som er representative for Skin NTDs endemiske i flere geografiske steder i Afrika sør for Sahara. Siden disse stedene presenterer unike utfordringer, inkludert begrenset helseinfrastruktur og varierende sykdomsfremvisninger, er den foreslåtte studien avgjørende for å bygge bro over dette gapet. Vi vil implementere en kontrollert bildeopptaksprotokoll for å standardisere datainnsamling, og minimere risikoen for snarveilæring - hvor modeller kan stole på irrelevante funksjoner på grunn av falske korrelasjoner (Winkler et al. 2019). Ved å integrere multimodal data, inkludert kliniske parametere, og sikre robusthet mot manglende data, vil våre modeller tilby mer nøyaktige og personlig tilpassede diagnostiske og prediktive evner.

Nullhypotese:

Bruken av SkincAIr AI-drevne mobilapplikasjonen vil ikke forbedre den diagnostiske nøyaktigheten (følsomhet og spesifisitet) til FHWs i deteksjon av skin-NTDs sammenlignet med deres basisytelse uten appen.

Generelt mål:

Å utvikle et AI-støttet diagnostisk verktøy for skin NTDs (SkincAIr) og teste dens ytelse og påvirkning blant frontlinjehelsearbeidere (FHWs) i deteksjon av utvalgte skin NTDs.

Spesifikke mål:

1. Å samle bildedata for skin NTDs og andre hudsykdommer av hudspesialister/dermatologioffiserer eller andre offiserer opplært på skin NTDS for å bli brukt i trening og utvikling av SkincAIr-appen.
2. Å kvantifisere påvirkningen av SkincAIr-mobilapplikasjonen på den diagnostiske nøyaktigheten (følsomhet og spesifisitet) til frontlinjehelsearbeidere (FHWs) i identifisering av hud-negligerte tropiske sykdommer (skin-NTDs) og andre hudsykdommer.

3. Å måle påvirkningen av SkincAIr-assistert diagnose på nøkkelkliniske og operative mål:

   • Tid til diagnose fra første besøk - Hvor lang tid det tar for en pasient å motta en diagnose, fra tiden de først presenterer seg for en helsetjenesteyter
   • Tid fra første presentasjon til endelig diagnose - tiden fra enhver første kontakt (kanskje på samfunnsnivå eller første klinikk) til den endelige bekreftede diagnosen av en spesialist
   • Reduksjon i behandlingsinitieringsforsinkelser
   • Endringer i henvisningsmønstre til spesialiserte sentre - Endringer i hvor ofte og hvor hensiktsmessig pasienter henvises til spesialister eller høyere sentre
   • Kostnadsbesparelser i sekundær helsetjeneste tilskrives forbedret primærdiagnose (tidlige og nøyaktige diagnoser av FHWs)
   • Nye hotspots av mistenkte eller bekreftede skin NTDs i løpet av prosjektperioden (opp til M60).
4. Å evaluere bærekraften av forbedrede diagnostiske ferdigheter blant FHWs etter tilbaketrekking av AI-assistanse.