Detecção Precoce e Gestão Baseada em IA de Doenças Tropicais Negligenciadas Relacionadas com a Pele na África Subsaariana por Trabalhadores de Saúde da Linha da Frente (SkincAIr)

RESUMO:

As Doenças Tropicais Negligenciadas relacionadas com a pele (DTN da pele) representam um desafio significativo para a saúde pública, afetando 1,8 mil milhões de pessoas em todo o mundo. As DTN da pele afetam significativamente as comunidades marginalizadas devido a vários fatores, como a falta de profissionais de saúde treinados e ferramentas de diagnóstico. Atualmente, devido à escassez de dermatologistas, a maioria da população rural com doenças de pele é atendida por trabalhadores de saúde da linha da frente (TSLF) com conhecimentos dermatológicos limitados. A baixa prevalência das DTN da pele confunde ainda mais o seu diagnóstico e reconhecimento pelos TSLF. São, portanto, necessárias novas abordagens inovadoras para capacitar e melhorar o diagnóstico das DTN da pele. As intervenções de saúde móvel (mHealth), particularmente aquelas que incorporam inteligência artificial (IA), oferecem uma solução promissora para melhorar as capacidades de diagnóstico dos TSLF. O projeto SkincAIr visa avaliar se a introdução de uma aplicação móvel com funcionalidade de IA pode melhorar a precisão diagnóstica (sensibilidade e especificidade) dos TSLF na deteção de DTN da pele, e determinar a sua retenção de competências diagnósticas melhoradas após a remoção da assistência de IA, indicando potencial capacitação e melhoria sustentada na prestação de cuidados de saúde. No braço de recolha de dados de imagem clínica (36 meses), dermatologistas em 5 países (Quénia, Etiópia, Senegal, República Democrática do Congo e Nigéria) recolherão imagens de DTN da pele e outras condições cutâneas (fase de recolha de dados de imagem) que serão utilizadas para o treino e desenvolvimento da aplicação SkincAIr, antes de ser avaliada entre TSLF durante o estudo de validação de 24 meses. O braço de estudo de validação para a aplicação envolverá um desenho longitudinal intra-sujeitos que recrutará 50 TSLF e recrutará cerca de 750 pacientes com queixas cutâneas de áreas com elevada carga de DTN da pele em cada um dos 3 países (Quénia, Etiópia, Senegal) durante um período de estudo de validação de 24 meses. Os dados serão analisados utilizando R e Python, com estatísticas descritivas (frequência, tendência central e dispersão) resumidas em tabelas e gráficos. A precisão diagnóstica dos TSLF antes e depois da introdução da aplicação será avaliada utilizando sensibilidade, especificidade, valores preditivos e percentagem de concordância com um dermatologista. Os dados qualitativos de entrevistas e GD serão gravados em áudio, transcritos, codificados e analisados tematicamente utilizando Atlas.ti Versão 7. Os resultados do estudo serão partilhados com os Ministérios Nacionais da Saúde, apresentados em conferências locais e internacionais, e comunicados aos CEP e autoridades reguladoras. Prevê-se que a aplicação melhore a precisão diagnóstica dos TSLF na deteção precoce de DTN da pele e facilitará a vigilância epidemiológica em tempo real, contribuindo para um melhor mapeamento da doença e identificação de pontos críticos.

INTRODUÇÃO/ENQUADRAMENTO:

As Doenças Tropicais Negligenciadas relacionadas com a pele (MDPI, 2019) (DTN da pele), como a lepra, úlcera de Buruli, bouba (treponematose endémica), leishmaniose cutânea, cromoblastomicose, micetoma, sarna, tungíase, Leishmaniose Dérmica Pós Kala-azar (PKDL), filariose linfática, oncocercose, podoconiose e esporotricose, representam um desafio significativo para a saúde pública, afetando 1,8 mil milhões de pessoas em todo o mundo em qualquer momento (OMS, 2023). Particularmente na África Subsaariana (ASS), estas doenças são altamente prevalentes e estão associadas a substanciais desigualdades em saúde, afetando predominantemente comunidades marginalizadas (Kariuki et al. 2023). O Quénia, por exemplo, tem uma carga significativa de DTN da pele, incluindo Filariose linfática na região Costeira (Njenga et al. 2017; Ofire et al. 2025), Micetoma em Turkana (Colom et al. 2023), Leishmaniose no Vale do Rift e partes Orientais (Baringo, Naivasha/Gilgil, Laikipia, Samburu, Nakuru, Meru, West Pokot, Elgeyo Marakwet, Isiolo, Nyandarua e Marsabit) (Ngere et al. 2020; van Dijk et al. 2024), Tungíase (Elson et al. 2019; Nyangacha et al. 2019) e Sarna (Schmeller e Dzikus, 2001; Mbogori 2014; Macharia et al. 2024) que têm uma ampla distribuição em todo o país e alguns focos de casos de Lepra nos condados de Kwale, Kilifi, Kisumu, Siaya, Homabay e Busia (Relatório Anual do Programa NTLLD do Quénia, 2014; Wangara et al. 2019).

A prevalência destas doenças é exacerbada por fatores como a pobreza e a falta de recursos de saúde adequados, nomeadamente pessoal insuficientemente treinado para uma gestão eficaz das DTN da pele (Ochola et al. 2021). O estigma em torno das DTN da pele, enraizado em contextos sociais e económicos, leva ao isolamento e discriminação, desencorajando o diagnóstico ou tratamento, o que por sua vez exacerba a propagação da doença e complica os esforços de controlo e eliminação, criando um ciclo autoperpetuante de desafios. Uma elevada proporção de DTN tem manifestações cutâneas importantes. Portanto, o exame da pele serve como uma oportunidade para identificar múltiplas DTN numa única intervenção. A abordagem integrativa, recomendada pela Organização Mundial da Saúde (OMS) (https://www.who.int/activities/promoting-the-integrated-approach-to-skin-related-neglected-tropical-diseases), resulta numa deteção de casos melhorada e numa maior eficiência através da partilha de recursos e da expansão da cobertura do programa. No entanto, existe uma grande barreira à integração das intervenções para DTN da pele: a falta de dermatologistas (Schmid-Grendelmeier et al. 2019) (um dermatologista para 1-2 milhões de habitantes) e de pessoal de saúde adequadamente treinado. Atualmente, a maioria da população rural com doenças de pele é atendida por trabalhadores de saúde da linha da frente (TSLF) com conhecimentos dermatológicos limitados (Mieras et al. 2018). Este desafio é ainda confundido pela baixa prevalência das DTN relacionadas com a pele, o que as torna difíceis de serem reconhecidas pelos TSLF (Mieras et al. 2018; Hotez et al. 2009). Uma vez que as DTN da pele dependem principalmente do diagnóstico clínico, a falta de formação adequada dos TSLF compromete os programas de controlo da doença e a consecução do objetivo geral do roteiro da OMS para DTN 2021-2030 de reduzir a morbidade, incapacidade e impacto psicossocial das DTN da pele até 2030. São necessárias novas abordagens inovadoras para capacitar e melhorar o diagnóstico das DTN da pele para alcançar as metas de 2030. Neste sentido, a Inteligência Artificial (IA) oferece agora uma oportunidade sem precedentes para utilizar os avanços na imagem médica aplicada à pele para enfrentar as barreiras atuais no diagnóstico e gestão das DTN da pele na ASS.

Os modelos de IA existentes em dermatologia focam-se frequentemente em doenças prevalentes em países desenvolvidos e dependem de conjuntos de dados homogéneos, levando a modelos que não se generalizam bem para populações diversas. Geralmente utilizam métodos de validação interna, que são insuficientes para a implementação no mundo real, onde os modelos encontram fontes de dados variadas (Daneshjou et al. 2021). Embora os algoritmos potenciados por IA tenham demonstrado precisão diagnóstica semelhante à dos clínicos especialistas em contextos de elevados recursos (Salinas et al. 2024), muito poucos estudos exploraram o uso de aplicações potenciadas por IA para diagnosticar DTN da pele em contextos de baixos recursos na ASS. Isto deve-se à novidade da tecnologia que contribui para a escassez de tais investigações. A Iniciativa Global liderada pela OMS para DTN discute o progresso, desafios, lacunas e soluções no desenvolvimento e implementação de aplicações baseadas em inteligência aumentada artificial como ferramenta de capacitação e monitorização para DTN da pele e condições cutâneas comuns selecionadas em contextos de recursos limitados. Recentemente, a OMS incorporou dois algoritmos de IA online que pretendem classificar 12 DTN da pele e 24 condições cutâneas comuns (Quilter et al. 2024) na aplicação da OMS para DTN da pele (principalmente construída como um repositório de recursos educacionais e materiais de formação, que aderem às diretrizes da OMS). Embora a aplicação vise melhorar a capacitação através da IA, o seu impacto "no mundo real" na gestão da doença ainda não está disponível e estudos futuros determinarão a sua utilidade. O desempenho dos algoritmos de IA também é limitado pela disponibilidade de conjuntos de dados de imagens. No estudo AI4Leprosy realizado em 2022 no centro nacional de referência para a lepra no Brasil, embora o algoritmo de IA baseado em redes neuronais convolucionais (CNN) pudesse contribuir para o diagnóstico da lepra com elevada precisão de classificação (90%) (AI4Leprosy), tanto quanto sabemos, isto não foi validado num contexto de baixos recursos com falta de pessoal altamente especializado. Mais longe, embora o desempenho da tecnologia esteja a ser cada vez mais validado em condições dermatológicas como o melanoma e outros cancros de pele (Patel et al. 2023), a evidência direta da sua eficácia no diagnóstico de DTN da pele permanece limitada. No geral, embora estes estudos e iniciativas demonstrem o potencial das ferramentas de diagnóstico potenciadas por IA, a evidência específica para o seu uso em DTN da pele em contextos de baixos recursos ainda está a emergir.

O nosso estudo de validação proposto visa colmatar as lacunas acima mencionadas, avaliando a precisão diagnóstica de uma aplicação potenciada por IA no diagnóstico de DTN da pele no Quénia, Etiópia e Senegal, fornecendo informações críticas sobre a sua utilidade prática e impacto na prática clínica nestes contextos. A intervenção é a Aplicação de Investigação SkincAIr, uma plataforma móvel unificada contendo três módulos específicos por função: um eCRF de Conjunto de Dados de Dermatologista para recolha estruturada de imagens por dermatologistas em 5 países; um eCRF de TSLF para recolha de dados clínicos e documentação de casos em todas as 3 fases do estudo; e a Aplicação de Deteção SkincAIr - uma funcionalidade de apoio à decisão diagnóstica potenciada por IA incorporada no eCRF de TSLF, ativada exclusivamente durante a Fase B (6 meses), e retirada durante a Fase C para avaliar a retenção de competências diagnósticas melhoradas. O estudo mede: (SO1) desempenho diagnóstico dos TSLF com e sem a aplicação, incluindo taxa de deteção precoce, precisão diagnóstica, sensibilidade e especificidade contra um padrão de referência de dermatologista; (SO2) qualidade do conjunto de dados, incluindo número, diversidade geográfica e qualidade da imagem; (SO3) redução no atraso diagnóstico; (SO4) indicadores de vigilância epidemiológica, incluindo integração DHIS2, rácio de confirmação de casos e identificação de pontos críticos; (SO5) ganho de conhecimento dos TSLF e satisfação do utilizador. A relação custo-eficácia é avaliada através da comparação de custos de cuidados primários vs secundários e cálculo do ICER.

Este estudo clínico fornecerá dados vitais para avaliar a utilidade prática da IA na melhoria da precisão e velocidade do diagnóstico entre trabalhadores de saúde não especialistas. Aproveitando a IA e a tecnologia móvel, podemos equipar os TSLF em contextos de baixos recursos com ferramentas para detetar e gerir rapidamente as DTN da pele.

Justificação para o Estudo:

As doenças tropicais negligenciadas (DTN) afetam mais de mil milhões de pessoas em todo o mundo, com DTN da pele como a lepra, leishmaniose cutânea e oncocercose a contribuírem significativamente para a morbidade, incapacidade e estigma nas populações afetadas. A deteção e tratamento precoces são cruciais para prevenir complicações, reduzir a transmissão e melhorar os resultados dos pacientes. Em contextos de recursos limitados como o Quénia, Etiópia, Senegal, Nigéria e República Democrática do Congo, os TSLF são frequentemente o primeiro ponto de contacto para pacientes com condições cutâneas. No entanto, os TSLF tipicamente carecem de formação especializada em dermatologia, levando a diagnósticos errados ou atrasados de DTN da pele. As intervenções de saúde móvel (mHealth), particularmente aquelas que incorporam IA, oferecem uma solução promissora para melhorar as capacidades de diagnóstico dos TSLF. O projeto SkincAIr visa avaliar se a introdução de uma aplicação móvel com funcionalidade de IA pode melhorar a precisão diagnóstica dos TSLF na deteção de DTN da pele. Além disso, o estudo procura determinar se os TSLF retêm competências diagnósticas melhoradas após a remoção da assistência de IA, indicando potencial capacitação e melhoria sustentada na prestação de cuidados de saúde. O nosso projeto transcende as limitações gémeas da falta de formação especializada em dermatologia e da disponibilidade de conjuntos de dados de imagens, recolhendo dados clínicos reais de múltiplas localizações geográficas dentro de Países de Baixo e Médio Rendimento (PBMR), garantindo que os nossos modelos são treinados e validados externamente em conjuntos de dados diversos representativos das populações-alvo. A inclusão do Quénia, Etiópia, Senegal, Nigéria e República Democrática do Congo contribuirá para a diversidade de imagens que são representativas das DTN da pele endémicas em múltiplas localizações geográficas na África Subsaariana. Como estas localizações apresentam desafios únicos, incluindo infraestruturas de saúde limitadas e apresentações variadas da doença, o estudo proposto é crucial para colmatar esta lacuna. Implementaremos um protocolo controlado de aquisição de imagens para normalizar a recolha de dados, minimizando o risco de aprendizagem por atalho - onde os modelos podem depender de características irrelevantes devido a correlações espúrias (Winkler et al. 2019). Ao integrar dados multimodais, incluindo parâmetros clínicos, e garantindo robustez face a dados em falta, os nossos modelos oferecerão capacidades de diagnóstico e previsão mais precisas e personalizadas.

Hipótese Nula:

A utilização da aplicação móvel potenciada por IA SkincAIr não melhorará a precisão diagnóstica (sensibilidade e especificidade) dos TSLF na deteção de DTN da pele em comparação com o seu desempenho basal sem a aplicação.

Objetivo Geral:

Desenvolver uma ferramenta de diagnóstico apoiada por IA para DTN da pele (SkincAIr) e testar o seu desempenho e impacto entre trabalhadores de saúde da linha da frente (TSLF) na deteção de DTN da pele selecionadas.

Objetivos Específicos:

1. Recolher dados de imagem para DTN da pele e outras condições cutâneas por dermatologistas/agentes de dermatologia ou outros agentes treinados em DTN da pele para serem utilizados no treino e desenvolvimento da aplicação SkincAIr.
2. Quantificar o impacto da aplicação móvel SkincAIr na precisão diagnóstica (sensibilidade e especificidade) dos trabalhadores de saúde da linha da frente (TSLF) na identificação de doenças tropicais negligenciadas da pele (DTN da pele) e outras condições cutâneas.

3. Medir o impacto do diagnóstico assistido por SkincAIr em métricas clínicas e operacionais chave:

   • Tempo até ao diagnóstico desde a primeira visita - Quanto tempo leva para um paciente receber um diagnóstico, desde o momento em que se apresenta pela primeira vez a um prestador de cuidados de saúde
   • Tempo desde a apresentação inicial até ao diagnóstico definitivo - o tempo desde qualquer contacto inicial (talvez a nível comunitário ou primeira clínica) até ao diagnóstico final confirmado por um especialista
   • Redução nos atrasos de início do tratamento
   • Alterações nos padrões de referenciação para centros especializados - Alterações na frequência e adequação com que os pacientes são referenciados para especialistas ou centros superiores
   • Poupanças de custos em cuidados secundários atribuíveis ao diagnóstico primário melhorado (diagnósticos precoces e precisos pelos TSLF)
   • Novos pontos críticos de DTN da pele suspeitas ou confirmadas durante o período do projeto (até M60).
4. Avaliar a sustentabilidade das competências diagnósticas melhoradas entre os TSLF após a retirada da assistência de IA.