Dieser Beitrag ist eine Zusammenfassung einer wissenschaftlichen Veröffentlichung, die im Journal of Investigative Dermatology (JID) Innovations erschienen ist. Wir laden Sie ein, die gesamte unten eingebettete Veröffentlichung zu lesen.
Lesen Sie die Veröffentlichung
Wir laden Sie ein, die vollständige Veröffentlichung selbst zu lesen, oder Sie können nach unten scrollen, um die Zusammenfassung in diesem Blogbeitrag zu lesen.
Einführung
Wir stellen AUAS vor, ein automatisches Äquivalent zu UAS, das einen Deep-Learning-Algorithmus namens Legit.Health-UAS-HiveNet zur Erkennung von Läsionen einsetzt. Unsere Ergebnisse zeigen, dass unser Algorithmus den Schweregrad von chronischer Urtikaria mit einer Effizienz bewertet, die mit der von erfahrenen Ärzten vergleichbar ist.
Außerdem kann der Algorithmus in CADx-Systeme implementiert werden, um Ärzte in ihrer klinischen Praxis zu unterstützen und als neuer Endpunkt in klinischen Studien zu dienen.
Die tatsächliche Wirkung des Legit.Health-UAS-HiveNet in der klinischen Praxis liegt darin, dass es Ärzte nicht nur bei der Diagnose, sondern auch bei der Überwachung von Patienten mit chronischer Urtikaria unterstützen kann, indem es ihnen hilft, Behandlungen zu verschreiben und die Angemessenheit von Behandlungen zu erhöhen.
Im Hinblick auf klinische Studien hat der AUAS das Potenzial, ein neuer klinischer Endpunkt zu werden, der sowohl die Qualität als auch die Quantität der den Forschern zur Verfügung stehenden Daten erhöhen könnte.
Autoren der Veröffentlichung
Rubén Garcia
Dermatologische Abteilung des FJD Lehrkrankenhauses
Alejandro Vilas
Dermatologische Abteilung des Lehrkrankenhauses Ferrol
Laura Vergara
Dermatologische Abteilung des Lehrkrankenhauses Toledo
Taig Mac Carthy
Abteilung für klinische Endpunktinnovation Legit.Health
Fernando Alfageme
Dermatologische Abteilung des Krankenhauses Puerta de Hierro
Ana María González
Dermatologische Abteilung des Krankenhauses Zamora
Ignacio Hernandez
Medizinische Datenwissenschaft Legit.Health
Alfonso Medela
Medizinische Datenwissenschaft Legit.Health
Was ist eine Urtikaria-Schweregradbewertung?
Urtikaria ist eine sehr häufige Erkrankung, die durch erythematöse, ödematöse, juckende und vorübergehende Ausschläge gekennzeichnet ist, die die Haut und die Schleimhäute betreffen. Sie kann in Unterformen wie akute spontane Urtikaria, chronische spontane Urtikaria, chronische induzierbare Urtikaria und episodische chronische Urtikaria unterteilt werden.
Die Diagnose der chronischen Urtikaria wird in der Regel durch klinische Beobachtung gestellt. Mit anderen Worten: Die Bewertung des Schweregrads der Krankheit erfolgt durch manuelle Bewertungssysteme, die subjektiv ausgefüllt werden.
Das am häufigsten verwendete Bewertungssystem ist der Urticaria Activity Score (UAS), der auch für 7 aufeinanderfolgende Tage verwendet werden kann, in diesem Fall wird er als UAS7 bezeichnet.
Das Problem mit der visuellen Bewertung
Die unbestreitbarste Einschränkung manueller Bewertungssysteme ist die dem Menschen innewohnende Schwierigkeit, Parameter auf objektive, stabile und präzise Weise zu quantifizieren.
Der Mensch ist nur begrenzt in der Lage, die Quaddeln zu zählen, die Oberfläche einer Läsion zu quantifizieren oder die Rötung eines Bereichs zu bestimmen. Diese menschliche Einschränkung bei der Parameterschätzung spiegelt sich auch in dem Aufwand und der Zeit wider, die für das Ausfüllen der Urtikaria-Aktivitätsfragebögen erforderlich sind, was sich für die Patienten als sehr unbefriedigende Aufgabe erweist und zu einer schlechten Adhärenz führen kann.
Auf der anderen Seite klassifizieren Bewertungssysteme den Schweregrad der Krankheit anhand einer begrenzten Bandbreite von Scores, mit drei oder vier Kategorien, wie z. B.: keine, leicht, mittelschwer und schwer im Falle des UAS. Fragebögen haben in der Tat eine sehr hohe minimal nachweisbare Abweichung, da es sich um diskrete Bereiche und nicht um kontinuierliche Skalen handelt.
Und schließlich sind diese Fragebögen anfällig für Verzerrungen. Dies gilt insbesondere in Fällen, in denen der Patient weiß, dass die Behandlung, die er erhält, von den Informationen abhängt, die er zur Verfügung stellt. Und aufgrund des asynchronen Charakters der gemeldeten Messung fehlen dem klinischen Team die Mittel, um sicherzustellen, dass die vom Patienten gemeldeten Werte chronologisch korrekt oder einfach wahrheitsgemäß sind, was eine externe Überprüfung ausschließt.
Das Ziel des automatischen UAS
In diesem Beitrag präsentieren wir den Automatic Urticaria Activity Score (AUAS). Hierbei handelt es sich um eine automatische Version des objektiven Teils des UAS, bei der faltungsneuronale Netzwerke eingesetzt werden, um die Nesselsucht automatisch und mit hoher Präzision zu zählen.
Ziel ist es, Mediziner dabei zu unterstützen, Bewertungssysteme wie den UAS objektiver und schneller auszufüllen, was die gesundheitlichen Ergebnisse verbessern und qualitativ hochwertige Endpunkte zur Messung der Wirksamkeit von Behandlungen für Urtikaria liefern könnte.
Erläuterung, wie die künstliche Intelligenz Nesselsucht in Urtikaria-Bildern identifiziert .
Die Lösung
Wir haben ein neuronales Netzwerk namens Legit.Health-UAS-HiveNet zur Zählung von Nesselsucht trainiert.
Um künstliche Intelligenz für medizinisches Fachpersonal zugänglich zu machen, haben wir ein vollständig integriertes CADx-System entwickelt. Dabei handelt es sich um eine Webanwendung, die den Legit.Health-UAS-HiveNet-Algorithmus integriert und den patientenbezogenen UAS anhand der mit Smartphone-Kameras aufgenommenen Bilder berechnet.
Das CADx-System arbeitet in drei Stufen: Eingabe von Bildern und Grad des Juckreizes, Verarbeitung der Bilder und Erstellung eines Berichts mit der Bewertung des Schweregrads.
Auszug eines vollständigen Berichts aus dem CADx-System. Das Diagramm oben rechts zeigt die Entwicklung der Urtikaria, indem die AUAS-Werte im Laufe der Zeit eingetragen werden.
Der Bericht kann auch die Bewertungen mehrerer Bilder, die am selben Tag hochgeladen wurden, kombinieren, um die globale AUAS-Bewertung zu ermitteln.
Mit anderen Worten: Wenn der Benutzer Bilder von mehreren Körperteilen hochlädt, zeigt der Bericht des CADx-Systems sowohl die lokalen als auch die globalen AUAS-Werte an. Der globale AUAS wird berechnet, indem die Ergebnisse aller vom CADx-System verarbeiteten Bilder addiert werden.
Möchten Sie die klinische KI-Technologie in Aktion sehen?
Fazit
In diesem Beitrag haben wir den AUAS vorgestellt, die erste künstliche Intelligenz, die das UAS-Bewertungssystem automatisch ausfüllt, indem sie Smartphone-Bilder analysiert. Die wichtigsten Fortschritte dieses Algorithmus sind die Verringerung des Zeitaufwands, den die Patienten für das Ausfüllen des manuellen Schweregrad-Bewertungssystems aufwenden müssen, und die Standardisierung der Urtikaria-Bewertung mit reduzierter Variabilität zwischen Beobachtern sowie eine höhere Zuverlässigkeit.
Wir konnten die Variabilität in der klinischen Bewertung überwinden, indem wir einen Zusammenführungsalgorithmus entwickelten, der die Anmerkungen aller Experten zu einem Konsens zusammenführt.
Das AUAS als Bewertungssystem weist bessere klinische Eigenschaften auf, hat aber auch den Vorteil, dass es zusammen mit dem Schweregrad ein Gesamtbild der Läsion liefert, was den Forschern einen besseren Überblick über die Studien ermöglicht. Zusammenfassend glauben wir, dass das AUAS und Legit.Health-UAS-HiveNet das Potenzial haben, die Gesundheitsergebnisse zu verbessern, die Kosten zu senken und die Praxis der faktenbasierten Medizin in Gesundheitsorganisationen zu verbessern.
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.