Einführung
Dank der revolutionären Anwendung des PASI-Systems von Legit.Health hat die Zukunft der Dermatologie begonnen APASI (Automatic Psoriasis Area and Severity Index). Mit Hilfe von Computer-Vision-Algorithmen haben die Forscher ein Tool entwickelt, das Smartphone-Bilder verarbeitet und sie automatisch in den Bereich des PASI übersetzt.
Es ist allgemein bekannt, dass objektive, verlässliche und präzise Ergebnismessungen maßgeblich für faktenbasierte Medizin sind. Wenn es um Psoriasis geht, hat der PASI die besten Messeigenschaften und wird am häufigsten für klinische Studien empfohlen. Deshalb haben wir den PASI automatisiert, um Patienten und Ärzten zu helfen, bessere Gesundheitsergebnisse zu erzielen.
Die Ursprünge des PASI
Dieses Bewertungssystem für Psoriasis wurde erstmals 1978 in einem Artikel von T. Fredericksson und U. Pettersson veröffentlicht, in dem sie die Wirksamkeit einer neuen Behandlung für die Krankheit untersuchten.
Ihre Formel zur Beurteilung des Schweregrads der Erkrankung wurde zum allgemeinen Standard für Dermatologen auf der ganzen Welt und wird auch heute noch weithin verwendet.
Um den PASI zu berechnen, wurde die Summe des Schweregrads dieser drei Hauptveränderungen mit dem Zahlenwert der betroffenen Bereiche und mit den verschiedenen Prozentsätzen der vier Körperbereiche multipliziert. Diese Werte wurden dann addiert, um den PASI zu erhalten.
PASI-Bewertungsbogen des Gesundheitsministeriums von British Columbia
Die Einschränkungen des PASI auf Papier
Das Hauptziel des PASI ist es, ein Instrument zur präzisen und konsistenten Erfassung von Daten für Routinebewertungen und klinische Studien zu bieten. Allerdings bringt es eine Reihe von Problemen und Einschränkungen mit sich.
Wir fanden erhebliche Unterschiede [in den Ergebnissen] zwischen erfahrenen und unerfahrenen Ärzten, die den PASI verwenden
Mit anderen Worten, es gibt eine hohe Variabilität zwischen Beobachtern, die am stärksten ausgeprägt ist, wenn erfahrene und unerfahrene Ärzte verglichen werden.
Abgesehen von den Unterschieden zwischen den Beobachtern haben viele Ärzte berichtet, dass das Ausfüllen des Papierbogens zu mühsam und zeitaufwändig ist und dass sie ihn im Alltag nicht wirklich nutzen.
Möchten Sie die klinische KI-Technologie in Aktion sehen?
Digitale Rechner: Eine halbfertige Lösung des Problems
Mit dem Aufkommen einfacher Rechner wurden mehrere digitalisierte Versionen des PASI-Bewertungssystems entwickelt, um den Zeitaufwand für die Berechnungen zu verringern. Diese Online-Rechner lösen, wenn auch ineffizient, nur eines der Probleme, die der traditionelle PASI hat. Die Formel wird zwar automatisch berechnet, aber der Arzt muss dennoch die Werte für jeden Parameter eingeben.
Dies erfordert nicht nur weiterhin die Zeit und Aufmerksamkeit des Arztes, sondern ändert auch nichts an den zahlreichen Problemen der mangelnden Objektivität und Reproduzierbarkeit des PASI-Systems.
Wie können wir wissen, ob ein Punktesystem gut ist?
Wenn es um dermatologische Beurteilungen geht, ist die Wirksamkeit eines Bewertungssystems von größter Bedeutung. Aber was genau macht ein Punktesystem zuverlässig und nützlich? Durch einen wissenschaftlichen Konsens wurden mehrere Schlüsselfaktoren identifiziert, die zur Robustheit dieser Systeme beitragen. Sehen wir uns diese entscheidenden Elemente etwas genauer an:
- Benutzerfreundlichkeit: Bei diesem Faktor geht es darum, ob das System im Rahmen der zeitlichen und finanziellen Möglichkeiten mühelos angewendet werden kann. Ein benutzerfreundliches System ist entscheidend für eine breite Akzeptanz im klinischen Umfeld.
- Empfindlichkeit gegenüber Veränderungen: Ein effektives Bewertungssystem muss in der Lage sein, klinisch bedeutsame Veränderungen im Laufe der Zeit zu erkennen. Diese Sensibilität stellt sicher, dass jede Veränderung oder jede Verschlechterung des Zustands eines Patienten genau erfasst wird.
- Zuverlässigkeit zwischen Beobachtern: Dies bezieht sich auf die Konsistenz der Ergebnisse, wenn verschiedene Beobachter/innen das Punktesystem verwenden. Eine hohe Zuverlässigkeit zwischen den Beobachtern bedeutet, dass verschiedene Ärzte zu ähnlichen Schlussfolgerungen kommen, was die Glaubwürdigkeit des Systems erhöht.
- Abweichungen der einzelnen Beobachter: Dabei geht es um die Konsistenz der Ergebnisse, wenn derselbe Beobachter das Bewertungssystem mehrmals verwendet. Die geringe Abweichung eines einzelnen Beobachters deutet darauf hin, dass das System stabile Ergebnisse liefert, unabhängig von wiederholten Bewertungen durch denselben Arzt.
- Interpretierbarkeit: Ein praktisches Bewertungssystem sollte aussagekräftige qualitative Interpretationen seiner Ergebnisse liefern, z. B. die Einstufung des Schweregrads einer Erkrankung als leicht, mittelschwer oder schwer.
Diese Kriterien gewährleisten nicht nur die Wirksamkeit des Bewertungssystems, sondern auch seine Anwendbarkeit und Zuverlässigkeit in verschiedenen klinischen Szenarien.
Angepasst von "Methods and definitions to rate the quality of outcome measures". Schmitt, J., Langan, S., Deckert, S., Svensson, A., von Kobyletzki, L., Thomas, K., & Spuls, P. (2013). Assessment of clinical signs of atopic dermatitis: A systematic review and recommendation. Journal of Allergy and Clinical Immunology, 132(6), 1337--1347. doi:10.1016/j.jaci.2013.07.008.
Sechs Gründe, warum APASI besser ist
Legit.Health ist das revolutionäre klinische Daten- und Kommunikationstool für Dermatologen der nächsten Generation, das die Patienten in dreifacher Hinsicht unterstützt.
Nach 12 Monaten mit Legit.Health, in denen wir die Anwendbarkeit des Tools in unserem Krankenhaus analysiert haben, waren wir in der Lage, ein neues Pflegeparadigma in der Nachsorge von Psoriasis zu entwickeln.
Der Zweck der Deep-Learning-Algorithmen ist es, Ärzte von der mühsamen manuellen Berechnung von Bewertungssystemen zu befreien und die Ausübung einer objektiveren faktenbasierten Dermatologie zu ermöglichen, während gleichzeitig der Prozess der Berichterstattung der Pathologie beschleunigt und die Autonomie und Kontrolle der Patienten erhöht wird.
Die Algorithmen von Legit.Health stufen Läsionen automatisch ein, indem sie Smartphone-Bilder und kurze von Patienten berichteten Ergebnisdaten (PROMs) auswerten. Mit anderen Worten: Das Tool füllt automatisch die meisten dermatologischen Bewertungssysteme aus, wie z. B. PASI, SCORAD, UAS, GAGS und viele mehr.
Das bedeutet, dass die neue Version dieses Bewertungssystems Daten präzise und konsistent extrahiert, sowohl bei Routinebewertungen als auch in der klinischen Forschung. Die Verbesserung ist in der folgenden Tabelle zu sehen, in der die Leistungskennzahlen der gängigsten Arten der Nutzung von Punktesystemen verglichen werden:
Stift und Papier | Digital | Automatisch (KI) | |
---|---|---|---|
Selbstüberwachung | - | - | Diagnose durchführen |
Benutzerfreundlichkeit | ≈ 600 Sekunden | ≈ 420 Sekunden | ≈ 23 Sekunden |
Empfindlichkeit auf Veränderung | 0 bis 4 | 0 bis 4 | 0 bis 100 |
Abweichungen zwischen Beobachtern | Mittel (20%) | Mittel (20%) | Geringste (8%) |
Abweichungen der einzelnen Beobachter | Hoch | Hoch | Null |
Tabelle 1: Vergleich zwischen verschiedenen Methoden zur Bewertung des Schweregrads einer Krankheit. Die automatische, auf künstlicher Intelligenz basierende Methode schneidet bei den meisten Leistungsindikatoren besser ab.
Dank der Deep-Learning-Algorithmen befreit Legit.Health Ärzte von der mühsamen manuellen Berechnung von Punktesystemen und ermöglicht die Ausübung einer objektiveren evidenzbasierten Dermatologie. Durch die Verwendung von Algorithmen zur Messung von Trockenheit, Lichenifikation, Erythem, Nässen, Ödemen und vielen weiteren Anzeichen kann das Tool außerdem die visuellen Anzeichen zuverlässiger und konsistenter berechnen.
1. Einfacher in der Anwendung und schneller als jede andere bestehende Methode
Während ein erfahrener Arzt vielleicht sechs bis sieben Minuten benötigt, um den PASI-Score eines Patienten vollständig auszufüllen und zu berechnen, benötigt ein unerfahrener Arzt zehn Minuten. Der Algorithmus von Legit.Health benötigt währenddessen nur 23 Sekunden, um die endgültige Bewertung zu erhalten, einschließlich der Aufnahme des Bildes.
Dies ist sowohl aus Sicht des Zeitmanagements wichtig, da die Ärzte so ihre Zeit mit dem Patienten besser nutzen können, als auch aus klinischer Sicht. Die Tatsache, dass viele Ärzte kein Bewertungssystem ausfüllen wollen, weil sie den Prozess für zu mühsam und zeitaufwändig halten, und lieber aus dem Bauch heraus den Schweregrad der Krankheit einschätzen, ist mit der modernen Idee einer faktenbasierten Medizin nicht vereinbar.
2. APASI unterstützt den Arzt bei der Diagnose der Krankheit
Der von Legit.Health entwickelte Algorithmus beschränkt sich nicht nur auf die Messung des Schweregrads, wie es der PASI tut. Er kann auch dabei helfen zu beurteilen, ob es sich tatsächlich um Psoriasis handelt oder nicht. Der APASI wurde mit Hilfe von Top-Dermatologen trainiert, um zwischen Hunderten von Erkrankungen zu unterscheiden, einschließlich der meisten Arten von Psoriasis.
Das bedeutet, dass APASI zwischen verschiedenen Arten von Psoriasis unterscheidet und den Arzt bei der Beurteilung der Krankheit unterstützt. Dadurch wird der Prozess nicht nur schneller, da relevante Informationen bereitgestellt werden, sondern die Anzahl der korrekten Diagnosen um 23 % erhöht.
Möchten Sie die klinische KI-Technologie in Aktion sehen?
3. APASI kann kleine Veränderungen in der Entwicklung der Pathologie erkennen
Das Tool von Legit.Health analysiert die Pathologien mithilfe eines validierten Bewertungssystems, das sowohl die niedrigste MID (kleiner relevanter Unterschied) als auch die niedrigste LDC (kleinste nachweisbare Veränderung) aufweist, was bedeutet, dass der Algorithmus jedes Bild mit größerer Präzision und Detailgenauigkeit analysiert als ein menschlicher Betrachter.
In klinischen Studien ist die Quantifizierung der Krankheit entscheidend, um die Wirksamkeit einer Prüfbehandlung zu messen, indem der Schweregrad der Krankheit vor der Therapie mit dem nach der Behandlung verglichen wird.
Darüber hinaus hat es eine höhere Validität und Zuverlässigkeit bei vergleichbaren klinischen Eigenschaften, dank der intrinsischen Funktionsweise der Computer-Vision-Algorithmen.
4. Verringert die Variabilität zwischen Beobachtern erheblich
Unsere Ergebnisse deuten darauf hin, dass selbst erfahrene Forscher mit dem PASI Schwierigkeiten hatten, die betroffene Fläche […] zu bewerten, insbesondere bei Patienten mit schwerer Psoriasis.
Die experimentellen Ergebnisse zeigen, dass APASI die Basismethoden in Bezug auf die Variabilität zwischen Beobachtern übertrifft und einen mittleren absoluten Fehlerprozentsatz von nur 13 % erreicht, der weit unter den üblichen 20 % liegt, die bei der klassischen Anwendung der traditionellen Bewertungssysteme beobachtet werden können.
5. Keine Variabilität zwischen Beobachtern
Die algorithmische Natur des APASI eliminiert die Variabilität zwischen Beobachtern vollständig und zweifellos, da jede Messung zuverlässig konsistent ist.
Dies ermöglicht es dem Arzt, sich bei der Beurteilung des Schweregrads der Psoriasis nicht auf sein Gedächtnis verlassen zu müssen, sondern sich auf die Analyse der kontextbezogenen Informationen konzentrieren zu können. In diesem Sinne verringern die objektiveren Daten das Risiko von Fehldiagnosen erheblich und bieten eine objektivere, genauere und präzisere Möglichkeit, den Krankheitsverlauf zu verfolgen.
Um einen Behandlungseffekt zu beurteilen, sollte die Schwankung bei der Bewertung eines Patienten über einen Zeitraum gering sein
Dies ist besonders wichtig bei klinischen Studien, bei denen die Verringerung dieser Art von Variabilität ausschlaggebend ist, um die für diese Art von Studien erforderlichen präzisen Daten zu erheben.
6. Besser zugängliche und leichter zu lesende Daten
Und nicht zuletzt bietet die Benutzeroberfläche von Legit.Health Zugang zu allen relevanten Informationen über den Patienten in übersichtlicher Form.
Alle von APASI abgeleiteten Daten werden übersichtlich auf dem Bildschirm angezeigt. Sie zeigen den Schweregrad der Erkrankung und die verschiedenen Faktoren, die der Algorithmus bei der Analyse des Bildes berücksichtigt hat, sowie deren Bewertungen an.
Die App bietet auch ein praktisches Diagramm, das die Entwicklung der Krankheit über einen längeren Zeitraum anzeigt und die Überwachung des Heilungsprozesses und der Wirksamkeit der Behandlung sehr einfach gestaltet.
Möchten Sie die klinische KI-Technologie in Aktion sehen?
Zusammenfassung
Der revolutionäre und innovative APASI repräsentiert die Zukunft der Dermatologie. Wir geben Ärzten Zugang zum besten Tool für die Diagnose von Psoriasis und ermöglichen es ihnen, faktenbasierte Medizin zu praktizieren und die Kommunikation zwischen Arzt und Patient zu verbessern.
Dank Legit.Health können Ärzte auf der ganzen Welt ihre Quote korrekter Diagnosen um 23 % verbessern und die Behandlung für den Patienten leichter nachvollziehbar machen, indem sie ihn zu einem aktiven Teilnehmer an seiner eigenen Genesung machen.
Es lässt sich nicht leugnen, dass die Verwendung von Algorithmen, die den Schweregrad der Krankheit einschätzen, eine strahlende Zukunft für die Praxis der Dermatologie darstellt und zweifelsohne dazu beitragen wird, das Fachgebiet der Dermatologie voranzubringen.
Jetzt Zugang erhalten
This free 23-day trial of Legit.Health gives clinics and hospitals a hands-on look at how to drive increased adherence and improve patient outcomes, as well as improving efficiency and overall quality of life.