5 publicaciones etiquetados con "Ensayos Clínicos"

Introducción​

El futuro de la medición de la hidradenitis supurativa está aquí gracias al revolucionario AIHS4 (Sistema Automático de Puntuación de la Gravedad de la Hidradenitis Supurativa Internacional) de Legit.Health. Los investigadores han desarrollado una herramienta que procesa imágenes tomadas con cualquier camara y las analiza automáticamente usando los mismos criterios que el IHS4.

Nadie duda que las medidas de resultados objetivas, fiables y precisas son clave para la práctica de la medicina basada en la evidencia. En el caso de la hidradenitis supurativa, el IHS4 es la herramienta de medición más moderna y fiable, ampliamente recomendada para su uso en ensayos clínicos y práctica diaria. Por eso Legit.Health lo ha elegido como base para su nueva y revolucionaria tecnología.

El AIHS4 ha sido mencionado en publicaciones científicas recientes, como el siguiente artículo del Consejo Nacional de Investigaciones de Italia y las Universidades de Palermo y Messina:

(...) para superar el IHS4, que requiere mucho tiempo y está sujeto a variabilidad, se introduce el AIHS4, utilizando un modelo aprendizaje profundo, Legit.Health-IHS4net, para la detección de lesiones (...). Esta evidencia resalta la utilidad de la IA en la dermatología basada en evidencia, ofreciendo una herramienta para empoderar a los dermatólogos en la práctica diaria y en ensayos clínicos.

Los orígenes del IHS4​

Antes del desarrollo del IHS4, en 2017, otros sistemas como la escala de Hurley o la puntuación modificada de Sartorius eran ampliamente utilizados por los médicos en el manejo de la HS. Aunque estos sistemas anteriores carecían de granularidad y precisión, la ausencia de un método alternativo hizo que fueran utilizados tanto en la práctica clínica como en los ensayos de fármacos.

Sin embargo, [la clasificación de Hurley] es estática y no fue diseñada como una puntuación dinámica para una evaluación precisa de la extensión de la inflamación en cada etapa.

El IHS4 se desarrolló teniendo en cuenta estos problemas, y el panel de expertos que lo elaboró se centró en alcanzar una forma más objetiva, precisa y fiable de medir la gravedad de la hidradenitis supurativa.

La fórmula desarrollada por el panel de expertos añadió los tres síntomas más comunes de la hidradenitis supurativa y los multiplicó por un factor relevante para cuán indicativos eran de la gravedad de la enfermedad. De esta manera, el número de nódulos se multiplica por 1, el número de abscesos por 2, y el número de túneles drenantes (fístulas/sinus) por 4.

La combinación de estos factores da lugar a la puntuación IHS4. Dicha puntuación se compara luego con una pequeña tabla de referencia que asigna un significado interpretable a cada intervalo de puntuaciones.

• Menos de 4 puntos: Leve
• Entre 4 y 10 puntos: Moderado
• Más de 10 puntos: Severo

Limitaciones del IHS4 en papel y lápiz​

Una clasificación precisa de la gravedad de la enfermedad se basa en la evaluación subjetiva de la manifestación clínica por parte de un médico, por lo que la experiencia del médico juega un papel significativo.

A pesar de sus contribuciones para resolver los problemas de sus predecesores, el IHS4 presenta los mismos problemas que muchos otros sistemas de puntuación: un alto grado de subjetividad derivado de la naturaleza visual de la prueba y un proceso que muchos médicos informan como demasiado lento y tedioso.

Más allá de las calculadoras digitales​

El caso del IHS4 es muy especial. A diferencia de la mayoría de los sistemas de puntuación dermatológica para otras enfermedades, como PASI o SCORAD, el desarrollo relativamente nuevo de este método ha permitido a la comunidad médica omitir un paso común pero anticuado en el avance del estado del arte para este campo.

Este paso, que consiste en desarrollar una calculadora informática, intenta abordar uno de los principales problemas con cualquier sistema de puntuación: el tiempo necesario para aplicarlo correctamente. Lo hacen convirtiendo los muchos cálculos que los médicos suelen necesitar hacer en un proceso automático.

Esto aún no ha ocurrido en el diagnóstico de la hidradenitis supurativa, ya que el IHS4 es un sistema de puntuación relativamente joven y no ha habido suficiente tiempo para que emerja una de estas calculadoras.

En lugar de eso, con AIHS4, estamos saltando directamente al futuro de la dermatología abordando tanto los problemas de tiempo como de objetividad dentro del método tradicional.

¿Cómo sabemos si un sistema de puntuación es bueno?​

Cuando se trata de evaluaciones dermatológicas, la efectividad de un sistema de puntuación es primordial. Pero, ¿qué es exactamente lo que hace que un sistema de puntuación sea fiable y útil? A través del consenso científico, se han identificado varios factores clave que contribuyen a la robustez de estas escalas. Vamos a profundizar en los elementos cruciales:

• Facilidad de uso: Este factor considera si el sistema puede aplicarse sin esfuerzo dentro de las limitaciones de tiempo y recursos financieros. Que un sistema sea fácil de usar es crucial para su adopción generalizada en entornos clínicos.
• Sensibilidad al cambio: Un sistema de puntuación efectivo debe ser capaz de detectar cambios clínicamente significativos a lo largo del tiempo. Esta sensibilidad asegura que cualquier progreso o deterioro en la condición de un paciente se captura con precisión.
• Fiabilidad interobservador: Esto se refiere a la consistencia de los resultados cuando diferentes observadores utilizan el sistema de puntuación. Una alta fiabilidad interobservador significa que diferentes dermatólogos llegarán a conclusiones similares, mejorando la credibilidad del sistema.
• Variabilidad intraobservador: Esto analiza la consistencia de los resultados cuando el mismo observador utiliza el sistema de puntuación varias veces. Una baja variabilidad intraobservador indica que el sistema proporciona resultados similares todas las veces que un mismo dermatólogo evalúe un mismo caso.
• Interpretabilidad: Un sistema de puntuación práctico debería proporcionar interpretaciones cualitativas significativas de sus puntuaciones, como categorizar la gravedad de una condición como leve, moderada o severa.

Estos criterios no solo aseguran la efectividad del sistema de puntuación sino también su aplicabilidad y fiabilidad en diversos escenarios clínicos.

Adaptado de "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.

7 maneras en que el AIHS4 es mejor​

La herramienta revolucionaria desarrollada por Legit.Health permite a los dermatólogos practicar medicina basada en la evidencia mientras acelera el proceso de reporte de la patología y aumenta la autonomía y el control del paciente.

Esta aplicación utiliza algoritmos de aprendizaje profundo para liberar a los médicos del tedioso cálculo manual de sistemas de puntuación, al clasificar automáticamente las lesiones analizando imágenes y PROMs. En otras palabras: la herramienta rellena automáticamente la mayoría de los sistemas de puntuación dermatológicos, tales como PASI, SCORAD, UAS, GAGS, y por supuesto, IHS4.

Esto significa que la nueva versión de este sistema de puntuación extrae datos de manera precisa y consistente, tanto durante evaluaciones rutinarias como en investigación clínica. La mejora se puede ver en la siguiente tabla, que compara las métricas de rendimiento de la forma más común de utilizar los sistemas de puntuación:

	Papel y lápiz	Digital	Automático (IA)
Auto-supervisión	-	-	Realiza diagnóstico
Facilidad de uso	≈ 600 segundos	≈ 420 segundos	≈ 23 segundos
Sensibilidad al cambio	0 a 4	0 a 4	0 a 100
Variabilidad interobservador	Media (20%)	Media (20%)	La más baja (8%)
Variabilidad intraobservador	Alta	Alta	Cero

Gracias a los algoritmos de aprendizaje profundo, Legit.Health libera a los médicos de la tediosa tarea de calcular manualmente los sistemas de puntuación y permite la práctica de una dermatología basada en evidencia más objetiva. Además, al utilizar algoritmos para medir la sequedad, la liquenificación, el eritema, el exudado, el edema y muchos más signos, la herramienta puede calcular signos visuales de manera más fiable y consistente.

1. AIHS4 mejora la tasa de diagnóstico correcto​

El algoritmo creado por Legit.Health no solo se limita a medir la gravedad de la afección como lo hace el IHS4, sino que también ha sido entrenado utilizando la entrada de los mejores dermatólogos para poder distinguir entre cientos de enfermedades, incluyendo la mayoría de las enfermedades que producen abscesos.

Este seguimiento telemático evitó ausencias escolares en pacientes pediátricos, ausencias laborales en adultos, y permitió el seguimiento de pacientes en cuarentena debido a COVID-19 o con enfermedades que dificultan el viaje. Tanto los pacientes como sus dermatólogos mostraron un alto grado de satisfacción con el uso de la aplicación, con el 100% de los pacientes interesados en continuar utilizando la herramienta.

Así, AIHS4 asiste al médico en el proceso de evaluación de la enfermedad, no solo haciéndolo más rápido proporcionando información relevante, sino mejorando la tasa de diagnósticos correctos en un 23% en el caso de los médicos de primaria.

¿Quiere ver la tecnología de IA dermatológica en acción?

Descubrir

2. Más fácil de usar y más rápido que su contraparte analógica​

Una de las principales ventajas del AIHS4 sobre los métodos tradicionales es su velocidad. Donde un médico experimentado podría necesitar seis o siete minutos para completar y calcular el IHS4, el algoritmo de Legit.Health solo necesita 23 segundos para obtener la puntuación final.

La evaluación de la gravedad de la enfermedad a menudo es confusa, especialmente para los dermatólogos jóvenes e inexpertos.

Esto supone una ventaja increíble para sus usuarios, tanto desde una perspectiva de gestión del tiempo como clínica. La cruda realidad es que muchos médicos no se toman el tiempo para rellenar correctamente ningún sistema de puntuación, y confian en una estimación intuitiva para determinar la gravedad de la afección. Esto ocurre porque los sistemas de puntuación tradicionales son demasiado tediosos y lentos para una aplicación práctica en el día a día.

Gracias al AIHS4 eso ya no debería ser una preocupación. Esta herramienta rápida y fácil de usar pone la usabilidad en el centro de su diseño y se esfuerza por facilitar la práctica de la medicina basada en la evidencia.

3. AIHS4 puede detectar pequeños cambios en la evolución de la patología​

La herramienta de Legit.Health analiza las patologías usando un sistema de puntuación validado que tiene tanto el MID más bajo (Diferencia Importante Mínima) como la sensibilidad al LDC más baja (Cambio Detectable Más Bajo), lo que significa que el algoritmo analiza cada imagen con más precisión y atención al detalle que cualquier observador humano.

Además, tiene una mayor validez y fiabilidad mientras mantiene propiedades clinimétricas comparables, gracias al funcionamiento intrínseco de los algoritmos de visión por computadora.

Dada la complejidad de determinar la gravedad de una enfermedad como la hidradenitis supurativa, el AIHS4 proporciona el tipo de granularidad y precisión necesarias para proporcionar al médico toda la información necesaria para un diagnóstico exitoso.

4. Proporciona una reducción en la variabilidad interobservador​

Los resultados experimentales muestran que el AIHS4 supera significativamente los métodos de referencia cuando se trata de variabilidad interobservador, ya que el algoritmo logra un porcentaje absoluto medio de error de solo el 8%, mucho menor que el 20% habitual que se observa en la aplicación clásica del IHS4.

Estimar es adivinar, contar es medir

Además, la fiabilidad de este método solo aumentará a medida que pase el tiempo y la tecnología mejore, haciendo posible que la evaluación automática de la gravedad usando algoritmos sea aún más precisa en el futuro.

¿Quiere ver la tecnología de IA dermatológica en acción?

Descubrir

5. AIHS4 reduce la variabilidad intraobservador a cero​

Debido a su naturaleza algorítmica, AIHS4 elimina completamente la variabilidad intraobservador, ya que la red neuronal es perfectamente estable en sus parámetros. En otras palabras, la aplicación tiene una memoria perfecta de cada imagen y cada diagnóstico con la que ha sido entrenada, y por tanto sus resultados son fiables a lo largo del tiempo.

Legit.Health permite al médico no depender de su memoria al evaluar la gravedad de la afección y centrarse en el análisis de los datos objetivos almacenados en la aplicación reduce considerablemente el riesgo de recordar mal, proporcionando una forma más objetiva, precisa y precisa de rastrear el desarrollo de la enfermedad.

Esto se vuelve especialmente importante en ensayos clínicos, donde reducir este tipo de variabilidad es clave para recopilar los datos precisos requeridos en este tipo de estudio.

6. Los datos son más accesibles y fáciles de leer​

La interfaz de Legit.Health proporciona acceso a toda la información relevante sobre el paciente de manera fácil de leer.

Cada dato derivado del AIHS4 se muestra claramente en la pantalla, mostrando la gravedad de la afección y los diferentes factores considerados por el algoritmo al analizar la imagen y sus puntuaciones.

Por otro lado, los rastros de papel fáciles de perder son cosa del pasado, especialmente cuando puedes tener toda la información del paciente, resultados de pruebas y fotos en una base de datos digital que se respalda constantemente.

7. Una forma fácil de seguir el progreso de un tratamiento​

Dado que la hidradenitis supurativa es una enfermedad crónica, el seguimiento post-diagnóstico es crucial para el buen desarrollo del tratamiento.

Legit.Health mejora la comunicación entre médico y paciente, permitiendo a los segundos convertirse en una parte más activa de su tratamiento. La aplicación logra esto al proporcionar al usuario una forma fácil y fiable de enviar datos precisos al médico.

Además, la aplicación muestra los datos en un gráfico fácil de leer que muestra el progreso de la afección, haciendo que responder a la pregunta usualmente difícil "¿Me estoy mejorando, Doctor?" sea pan comido.

¿Quiere ver la tecnología de IA dermatológica en acción?

Descubrir

Potenciando la Medicina Basada en la Evidencia​

En la práctica de la medicina basada en la evidencia, las medidas de resultado objetivas, fiables y precisas son cruciales. Tradicionalmente, la evaluación de la gravedad de HS ha sido subjetiva, basándose únicamente en el juicio clínico. Sin embargo, el AIHS4 desarrollado por Legit.Health introduce un cambio transformador al proporcionar un enfoque automatizado y estandarizado para la puntuación de gravedad de HS.

Al utilizar los mismos criterios que el IHS4, que es muy considerado y recomendado para su uso en ensayos clínicos, Legit.Health asegura que los profesionales tengan acceso a una herramienta de medición moderna y fiable. Este avance empodera a los profesionales de la salud para tomar decisiones informadas, seguir la progresión de la enfermedad con precisión y evaluar la eficacia del tratamiento con mayor confianza.

Implementación del Value-Based Healthcare​

La atención médica basada en valor tiene como objetivo optimizar los resultados de los pacientes mientras maximiza el valor de los recursos sanitarios. Al ofrecer un sistema automatizado de puntuación de gravedad de HS, Legit.Health apoya la implementación de la Value-Based Healthcare en el manejo de HS, a través de las siguientes características:

• Estandarización y consistencia: El AIHS4 asegura una evaluación estandarizada y consistente en diversos entornos de atención médica. Al eliminar la variabilidad subjetiva, los profesionales pueden establecer un lenguaje unificado para la gravedad de HS, facilitando una comunicación efectiva y mejorando la planificación del tratamiento.
• Eficiencia y ahorro de tiempo: El análisis automatizado de imágenes de teléfonos inteligentes reduce significativamente el tiempo y esfuerzo requeridos para la evaluación de la gravedad de HS. Este proceso optimizado permite a los profesionales concentrarse en proporcionar intervenciones oportunas, mejorar la atención al paciente y optimizar la asignación de recursos.
• Atención centrada en el paciente: Al proporcionar puntuaciones de gravedad de HS precisas y objetivas, el AIHS4 de Legit.Health contribuye a la atención centrada en el paciente. La documentación clara de la progresión de la enfermedad ayuda a los clínicos a involucrar a los pacientes en la toma de decisiones compartida, personalizar planes de tratamiento y establecer objetivos realistas, mejorando en última instancia la satisfacción y los resultados del paciente.
• Datos del mundo real e investigación: La herramienta AIHS4 genera una gran cantidad de datos estandarizados que pueden utilizarse para investigaciones y estudios clínicos. Este repositorio de datos permite una mayor comprensión de HS, la identificación de nuevos enfoques de tratamiento y la evaluación de intervenciones, fomentando la mejora continua y la innovación en la gestión de HS.

¿Quiere ver la tecnología de IA dermatológica en acción?

Descubrir

El Sistema Automático de Puntuación de la Gravedad de la Hidradenitis Supurativa Internacional (AIHS4) de Legit.Health representa un gran avance en el campo de HS. Al aprovechar el poder de la IA y adherirse a los criterios establecidos del IHS4, esta tecnología innovadora proporciona a los profesionales una metodología fiable, eficiente y objetiva para evaluar la gravedad de HS. La implementación del AIHS4 no solo potencia la medicina basada en la evidencia sino que también permite la implementación de la atención médica basada en valor, beneficiando tanto a los proveedores de salud como a los pacientes de HS. Con la contribución pionera de Legit.Health, el futuro del cuidado de HS luce más prometedor que nunca.

En conclusión​

No podemos mejorar lo que no podemos medir, y gracias al AIHS4 y Legit.Health el futuro del estudio y tratamiento de la hidradenitis supurativa es más prometedor que nunca.

No es difícil ver cómo una tecnología que ayuda a los médicos a gestionar mejor su tiempo y a recopilar datos de manera más fiable y consistente forma parte del futuro del campo dermatológico.

Gracias a Legit.Health, los médicos de todo el mundo pueden mejorar su tasa de diagnósticos correctos en un 23% y hacer que el tratamiento sea más fácil de seguir para el paciente al convertirlos en participantes activos en su propia recuperación mientras permiten al médico practicar medicina basada en la evidencia.

Colabora con nosotros​

En Legit.Health estamos trabajando para mejorar aún más la tecnología de AIHS4, esforzándonos por crear herramientas aún mejores. Esto incluye, por ejemplo, mejorar la diferenciación entre tipos de lesiones de HS, o asegurar que la tecnología funciona correctamente en todos los fototipos de piel.

Si quieres colaborar con nosotros, por favor rellena el siguiente formulario y nos pondremos en contacto contigo a la mayor brevedad.

Introducción​

La dermatología ha dado un gran salto adelante con la introducción del innovador ALEGI (Índice de Graduación de Lesiones de Acné) de Legit.Health. Los principales investigadores en el campo del deep learning y las redes neuronales se han aliado con dermatólogos expertos para desarrollar esta herramienta algorítmica médicos.

Está ampliamente aceptado que las medidas de resultados objetivas, fiables y precisas son clave para la práctica de la medicina basada en evidencia. A la hora de medir la gravedad del acné, esto implica el uso de escalas o sistemas de puntuación como IGA o GAGS. Por desgracia, en el caso del acné es especialmente difícil y tedioso utilizar los sistemas de puntuación más aceptados, ya que requieren que el médico cuente las lesiones manualmente.

Es por eso que Legit.Health ha desarrollado esta herramienta que cuenta el número y la densidad de las lesiones de acné. Gracias a ella, medir la gravedad del acné es una tarea que requiere solo segundos.

La siguiente captura de pantalla muestra un uso real del sistema de puntuación para el acné. Esto se puede utilizar tanto en móviles como en ordenadores de sobremesa.

La limitación de los sistemas tradicionales de puntuación del acné​

Desde que DM. Pillsbury y su equipo desarrollaron el primer sistema de puntuación para el acné en 1956, ha habido una miríada de intentos de encontrar un sistema fácil de usar, fiable y preciso para esta enfermedad. Hoy en día, existen más de 30 métodos, y todos ellos comparten uno de dos problemas subyacentes.

Por un lado, algunos métodos, como GAGS, se centran en la identificación de lesiones. Estos sistemas de puntuación intentan lograr un alto grado de precisión sacrificando la velocidad y la comodidad para el médico. Al final, los médicos tienden a desechar estos métodos por ser demasiado tediosos y que consumen mucho tiempo.

Uno de los métodos comúnmente utilizados es el contaje de lesiones, que consume tiempo pero podría representar un método más preciso.

Por otro lado, otros métodos como el IGA buscan un sistema de puntuación más utilizable en la práctica diaria. Lamentablemente, logran este resultado sacrificando precisión y confiabilidad, lo que hace que su uso no sea apto para ensayos clínicos.

La evaluación visual directa y la fotografía con flash ordinario representan una evaluación clínica normal. Sin embargo, ambos métodos están comprometidos por la subjetividad del observador.

Sin embargo, todos estamos de acuerdo en que es esencial disponer una herramienta aceptable y fácil de usar para la evaluación del acné que pueda utilizarse tanto en la práctica clínica diaria como en estudios clínicos.

ALEGI: Lo mejor de ambos mundos​

El hecho de que los dermatólogos tengan que elegir entre velocidad y precisión en el siglo XXI es deprimente. Elegir es un signo de limitación, y la tecnología debería tender hacía liberarnos de esas limitaciones. Ahí es donde entra ALEGI.

El revolucionario algoritmo de aprendizaje profundo desarrollado por Legit.Health hereda el enfoque de contaje de lesiones de los métodos tradicionales y lo eleva a un nuevo nivel, no solo haciéndolo más objetivo, preciso y confiable, sino también sustancialmente más rápido. Los dermatólogos de la próxima generación finalmente tienen una herramienta que les permite practicar medicina basada en la evidencia.

Usando algoritmos de visión artificial, ALEGI puede contar con mucha precisión la cantidad de lesiones en una imagen tomada con un teléfono. Además, tiene en cuenta la densidad de lesiones al calcular la gravedad, y traduce todo a una medida de resultado fácilmente interpretable, y validada por expertos en el campo.

Los ingredientes de un nuevo sistema de puntuación​

Al desarrollar un sistema de puntuación, es vital tener en mente algunos principios de diseño para asegurar que dicho sistema se ajuste a su uso previsto. Después de todo, una herramienta solo es tan buena como su utilidad al completar la tarea para la que fue diseñada.

¿Cómo sabemos si un sistema de puntuación es bueno?​

Cuando se trata de evaluaciones dermatológicas, la efectividad de un sistema de puntuación es primordial. Pero, ¿qué es exactamente lo que hace que un sistema de puntuación sea fiable y útil? A través del consenso científico, se han identificado varios factores clave que contribuyen a la robustez de estas escalas. Vamos a profundizar en los elementos cruciales:

• Facilidad de uso: Este factor considera si el sistema puede aplicarse sin esfuerzo dentro de las limitaciones de tiempo y recursos financieros. Que un sistema sea fácil de usar es crucial para su adopción generalizada en entornos clínicos.
• Sensibilidad al cambio: Un sistema de puntuación efectivo debe ser capaz de detectar cambios clínicamente significativos a lo largo del tiempo. Esta sensibilidad asegura que cualquier progreso o deterioro en la condición de un paciente se captura con precisión.
• Fiabilidad interobservador: Esto se refiere a la consistencia de los resultados cuando diferentes observadores utilizan el sistema de puntuación. Una alta fiabilidad interobservador significa que diferentes dermatólogos llegarán a conclusiones similares, mejorando la credibilidad del sistema.
• Variabilidad intraobservador: Esto analiza la consistencia de los resultados cuando el mismo observador utiliza el sistema de puntuación varias veces. Una baja variabilidad intraobservador indica que el sistema proporciona resultados similares todas las veces que un mismo dermatólogo evalúe un mismo caso.
• Interpretabilidad: Un sistema de puntuación práctico debería proporcionar interpretaciones cualitativas significativas de sus puntuaciones, como categorizar la gravedad de una condición como leve, moderada o severa.

Estos criterios no solo aseguran la efectividad del sistema de puntuación sino también su aplicabilidad y fiabilidad en diversos escenarios clínicos.

Adaptado de "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.

Cuando el equipo de expertos en Legit.Health desarrolló el revolucionario ALEGI, consideraron los muchos criterios que son necesario para que un sistema de puntuación sea excelente en proporcionar medidas de resultado de alta calidad.

Las 7 cualidades más destacadas de ALEGI​

La herramienta desarrollada por Legit.Health permite a los dermatólogos practicar medicina basada en la evidencia a la vez que acelera el proceso de informe de la patología y aumenta la autonomía y el control del paciente.

Esta aplicación utiliza algoritmos de aprendizaje profundo para liberar a los médicos del tedioso cálculo manual de las esclas, al clasificar automáticamente las lesiones a partir de imagenes. En otras palabras: la herramienta completa automáticamente la mayoría de los sistemas de puntuación dermatológicos para las enfermedades más comunes como Psoriasis, Dermatitis atópica, Hidradenitis supurativa y, por supuesto, acné.

Esto significa que la nueva versión de este sistema de puntuación extrae datos de manera precisa y consistente, tanto durante evaluaciones rutinarias como en investigación clínica. La mejora se puede ver en la siguiente tabla, que compara las métricas de rendimiento de la forma más común de utilizar los sistemas de puntuación:

	Papel y lápiz	Digital	Automático (IA)
Auto-supervisión	-	-	Realiza diagnóstico
Facilidad de uso	≈ 600 segundos	≈ 420 segundos	≈ 23 segundos
Sensibilidad al cambio	0 a 4	0 a 4	0 a 100
Variabilidad interobservador	Media (20%)	Media (20%)	La más baja (8%)
Variabilidad intraobservador	Alta	Alta	Cero

Gracias a los algoritmos de aprendizaje profundo, Legit.Health libera a los médicos de la tediosa tarea de calcular manualmente los sistemas de puntuación y permite la práctica de una dermatología basada en evidencia más objetiva. Además, al utilizar algoritmos para medir la sequedad, la liquenificación, el eritema, el exudado, el edema y muchos más signos, la herramienta puede calcular signos visuales de manera más fiable y consistente.

1. Más rápido que cualquier otro método existente​

La mayoría de los métodos tradicionales de contaje de lesiones pueden tomar varios minutos a un médico experimentado. No solo eso, sino que es un proceso tedioso que la mayoría de los médicos intentan evitar, prefiriendo tomar unos segundos para hacer una estimación aproximada de la gravedad de la enfermedad.

ALEGI rompe completamente este paradigma al automatizar el proceso de conteo de lesiones. En menos de 23 segundos, el médico puede tomar una foto del área afectada, procesarla a través del algoritmo y recibir una medición de la gravedad sin ninguna de la subjetividad implícita en el uso del ojo clínico.

La herramienta fue desarrollada por Legit.Health con el objetivo de poner fin a este tipo de práctica tan profundamente incompatible con la práctica de la medicina basada en evidencia, y para ayudar a los médicos a utilizar la real world evidence para tomar decisiones terapéuticas.

2. Fácil de usar​

Uno de los principales problemas que enfrentan los sistemas de salud en todo el mundo es el cuello de botella formado por la falta de una herramienta confiable que ayude a que los médicos de primaria sepan si un paciente debe ser derivado a un especialista.

Esto se debe, entre otras cosas, a que medir la gravedad del acné es dificil. Esto complica la prescripción del tratamiento y limita la capacidad de seguimiento y monitorización su la efectividad. Para solucionar este problema, ALEGI ha sido concebido para ser facil de usar por cualquier profesional sanitario.

Legit.Health contribuye a solucionar este problema, ya que su herramienta es útil tanto para un primer diagnóstico, como para un seguimiento posterior del tratamiento. Es decir, ALEGI ayuda tanto al especialista como al médico general a tomar decisiones informadas.

¿Quiere ver la tecnología de IA dermatológica en acción?

Descubrir

3. Alto grado de granularidad​

La herramienta de Legit.Health analiza las patologías utilizando un sistema de puntuación validado que proporciona, por un lado, la MID (Diferencia Mínima Importante) más baja, como la LDC (Cambio Detectable Más Bajo) más sensible. Esto significa que el algoritmo analiza cada imagen con más precisión y atención al detalle que cualquier observador.

Además, ALEGI incorpora una idea nueva y revolucionaria a la evaluación de la gravedad del acné: la densidad de lesiones. En el pasado, los sistemas de puntuación han estado limitados por la capacidad del usuario para contar e identificar correctamente papulas, comedones y pústulas. El algoritmo de Legit.Health tiene en cuenta la tendencia de estas lesiones a agruparse como un factor clave para determinar la gravedad de la enfermedad.

Todo esto permite que ALEGI detecte cambios muy pequeños en el desarrollo de la patología con mayor precisión que cualquier observador humano, proporcionando al médico acceso a información más precisa, objetiva y confiable.

4. Margen de error más pequeño​

Gracias a los algoritmos de visión artificial en los que se basa ALEGI, cada lesión se detecta y cuenta individualmente, con un margen de error absoluto medio de +/- 3 lesiones. Esta hazaña, sumada a la capacidad tener en cuenta la densidad de las lesiones en un área determinada, permite que el sistema logre una evaluación de gravedad relevante y clínicamente validada sin necesidad de considerar los diferentes tipos de lesiones.

Esto es relevante porque la literatura muestra que la mayoría de los errores cometidos por los médicos al evaluar la gravedad del acné están relacionados con la identificación errónea de la naturaleza de una lesión, ya que en muchos casos la distinción no está clara ni bien definida dentro de los parámetros de un estudio clínico.

Por eso, disponer de un sistema como el ALEGI, cuya fiabilidad no depende de la capacidad para diferencial una pápula de un comedón, mejor la precisión y disminuye el márgen de error.

5. Cero variabilidad intraobservador​

Debido a su naturaleza algorítmica, ALEGI elimina completamente la variabilidad intraobservador, ya que la red neuronal es perfectamente estable en sus parámetros. En otras palabras, la aplicación tiene una memoria perfecta de cada imagen y cada diagnóstico con la que ha sido entrenada, y por tanto sus resultados son fiables a lo largo del tiempo.

Estimar es adivinar, contar es medir

Additionally, Legit.Health allows physicians not to rely on their memory when assessing the severity of the condition. Thus, the application significantly reduces the risk of faulty recall and provides a more objective, accurate, and precise way to track the progress of the disease.

However, this becomes especially crucial in clinical trials, where reducing variability is key to gathering accurate data.

6. Proporciona datos accesibles y fáciles de leer​

La interfaz de Legit.Health ha sido diseñada para proporcionar acceso a toda la información del paciente de una manera fácil de leer y accesible.

Todos los datos generados por ALEGI se muestran claramente en la pantalla, mostrando la gravedad de la afección y cada factor considerado por el algoritmo al analizar la imagen y su puntuación.

Nos podemos despedir de los datos en papel y su tendencia a perderse, ya que toda la información del paciente, desde los resultados de las pruebas hasta las imágenes relevantes se almacenan en una base de datos digital que se respalda constantemente y es accesible de forma segura desde el ordenador o el teléfono.

7. La mejor manera de seguir el progreso de un tratamiento​

Siendo el acné una enfermedad crónica, el seguimiento después de un diagnóstico exitoso es crucial para el buen desarrollo del tratamiento.

Legit.Health permite al paciente convertirse en una parte más activa de su tratamiento al mejorar la comunicación entre ellos y su médico. La aplicación logra esto al proporcionar al usuario una manera fácil y confiable de enviar datos precisos al médico.

Además, la aplicación muestra los datos en un gráfico fácil de leer que muestra el progreso de la afección, permitiendo al médico responder a la pregunta usualmente difícil "¿Me estoy mejorando, doctor?" con datos científicos que respaldan su respuesta.

En conclusión​

El revolucionario ALEGI representa el futuro de la dermatología. Permite a los médicos de todo el mundo practicar medicina basada en la evidencia utilizando las mejores herramientas durante el diagnóstico de enfermedades, mientras mejora la comunicación entre el médico y el paciente.

El uso de algoritmos que miden la gravedad del acné contando lesiones a partir de imágenes aumenta la tasa de diagnósticos correctos de los médicos en un 23% y mejora el seguimiento del tratamiento al hacer que el paciente participe más activamente en su propia recuperación.

Colabora con nosotros​

En Legit.Health estamos trabajando para mejorar aún más la tecnología de ALEGI, esforzándonos por crear herramientas aún mejores. Esto incluye, por ejemplo, mejorar la diferenciación entre tipos de lesiones de acné, o asegurar que la tecnología funciona correctamente en todos los fototipos de piel.

Si quieres colaborar con nosotros, por favor rellena el siguiente formulario y nos pondremos en contacto contigo a la mayor brevedad.

Introducción​

Los ensayos clínicos son el motor que impulsa la ciencia médica hacia adelante. Por eso, resulta intuitivo que las herramientas a disposición de quienes están a la vanguardia del progreso deben ser tan avanzadas y de última generación como la investigación en la que se trabaja.

La investigación que nos impulsará hacia el futuro no debería llevarse a cabo con herramientas del pasado, especialmente si aumentan la fiabilidad de los reported outcomes.

Legit.Health acepta el desafío de proporcionar a los investigadores una herramienta de inteligencia artificial útil y fiable para sus ensayos clínicos, mediante la incorporación de algoritmos de aprendizaje profundo y tecnología de análisis de imágenes en una interfaz fácil de usar y bien diseñada.

¿Cómo mejora Legit.Health los ensayos clínicos?​

Una buena manera de entender cómo se puede implementar la tecnología de Legit.Health en la investigación clínica para el desarrollo de medicamentos es escuchando la explicación de Diego Herrera. Diego es el Director de Datos Clínicos e Innovación Digital en Almirall.

Como explica Diego Herrera, los promotores de ensayos clínicos dermatológicos enfrentan muchos desafíos:

• Los investigadores deben cuantificar manualmente las lesiones cutáneas, lo cual es difícil y consume mucho tiempo.
• Las reacciones cutáneas locales se evalúan subjetivamente, resultando en alta variabilidad en las medidas de intensidad.
• Esfuerzos tediosos para el investigador, lo que conduce a menor adherencia y un mayor riesgo de error.
• Falta de condiciones estándar para las observaciones clínicas
• A los investigadores clínicos les resulta difícil medir con precisión el área donde se ha aplicado un tratamiento, especialmente a largo plazo.

Sin embargo, Diego también explica las oportunidades que brinda la fotografía digital con inteligencia artifical. Diego agrupa estas oportunidades en dos grupos principales: eficiencias y aumento de la calidad de los datos:

• Eficiencias:
  • Habilitación de la teledermatología y captura de datos remota
  • Documentación digital robusta y transparente durante el estudio
  • Ahorro de tiempo durante las evaluaciones clínicas
• Aumento de la calidad y robustez de los datos:
  • Ubicación más precisa del área de tratamiento
  • Cálculos automáticos de las lesiones cutáneas
  • Introducción de nuevos puntos finales basados en mediciones de fotografía digital

Puedes ver la presentación de Diego en un congreso tecnológico en Barcelona:

Problemas reales con los que podemos ayudar​

Los patrocinadores y las CRO con las que trabajamos encuentran consistentemente que nuestra tecnología ayuda en ciertas áreas.

• Hacer que sea más fácil reclutar sitios reduciendo la carga de trabajo de los investigadores, especialmente en el llenado de sistemas de puntuación.
• Minimizar los riesgos en la formación de sitios, al tiempo que aumenta la velocidad en la formación y reduce los errores de informe.
• Asegurar la calidad de los datos realizando una verificación de la calidad de la imagen y reducir la variabilidad interobservador en los sistemas de puntuación mediante la estandarización de la medición.

Gracias a esto, Legit.Health ayuda a que las terapias efectivas lleguen más rápido a los pacientes al aumentar tanto la calidad como la cantidad de los puntos finales en cualquier estudio dado, facilitando el proceso de determinar la eficacia de un nuevo medicamento revolucionario lo más fácil posible para el investigador, la CRO y el patrocinador.

Capacidades del software​

En este ejemplo en particular, la IA cuenta automáticamente todas las lesiones del acné con gran precisión, mide la gravedad aplicando la fórmula del sistema de puntuación y permite al investigador supervisar y corregir la salida, cuando sea necesario.

La mejor herramienta para ensayos clínicos descentralizados (DCT)​

A medida que COVID-19 comenzó a propagarse por el mundo, los centros de investigación y las compañías farmacéuticas que realizaban ensayos clínicos tuvieron que adoptar rápidamente tecnologías y procesos de recopilación de datos remotos para mantener seguros a los pacientes y que los ensayos clínicos continuaran.

Uno de los mayores desafíos para estos nuevos tipos de ensayos clínicos es estar conformes con las regulaciones actuales, al tiempo que se mantiene al paciente más comprometido que nunca para obtener datos precisos y fiables. Afortunadamente, Legit.Health ha desarrollado la herramienta perfecta para superar estos desafíos.

Al poder conectarse a cualquier software de gestión de DCT establecido, como Medable o Apple ResearchKit, Legit.Health es la principal herramienta APROM (Medidas de Resultado Reportadas por el Paciente Automáticas) en el mercado, ya que permite a sus usuarios llevar a cabo un desarrollo de medicamentos clínicos descentralizados eficiente y permite la selección a mayor escala.

7 maneras atractivas de potenciar los ensayos clínicos​

1. Previene imágenes de baja calidad​

En ensayos clínicos descentralizados o estudios que requieren evidencia fotográfica del proceso de recuperación del paciente, las imágenes defectuosas o de baja calidad pueden obstaculizar el progreso del estudio.

Los revolucionarios algoritmos de aseguramiento de la calidad de la imagen de Legit.Health aumentan la calidad general de las imágenes grabadas convirtiendo un teléfono inteligente ordinario en un dispositivo de captura de imágenes clínicamente fiable, habilitando ensayos clínicos descentralizados y empoderando al paciente para informar sobre su condición de manera autónoma.

Este novedoso algoritmo de aprendizaje profundo lo logra verificando la calidad de la imagen antes de considerarla para los ensayos y, al detectar una caída de calidad o un problema, solicita al usuario que lo corrija antes de tomar otra imagen.

2. Mayor fiabilidad gracias a los algoritmos automáticos de PROMs​

Los algoritmos de última generación de Legit.Health son capaces de rellenar automáticamente la mayoría de los sistemas de puntuación clínica analizando síntomas visibles en imágenes como descamación, sequedad, eritema, área afectada o recuento de lesiones, entre otros.

Esto no solo reduce los posibles errores de informe, sino que también facilita el trabajo del gestor de datos, ya que la mayor parte del trabajo rutinario y agotador se automatiza.

Además, los algoritmos proporcionan mayor fiabilidad y mayor precisión en la recolección de datos, ya que no hay diferencia de tiempo entre el registro de la lesión y su condición real, y reduce significativamente tanto la variabilidad interobservador como intraobservador.

Por último, la asistencia de la máquina hace que escalar los ensayos sea trivialmente fácil, ya que remedia la brecha entre idiomas, países o incluso marcas.

3. Verifica automáticamente los criterios de inclusión del protocolo​

Los algoritmos automáticamente excluirán a los pacientes que no se ajusten a los criterios de inclusión del protocolo, ya sea porque la gravedad es incompatible con los objetivos del estudio o porque la condición no coincide con el ensayo.

Esto permite que la captación de pacientes en línea se convierta en una opción viable, ampliando así el potencial de pacientes disponibles para los ensayos clínicos.

Además, los revolucionarios algoritmos de asistencia al diagnóstico de Legit.Health detectarán cualquier situación que pueda considerarse adversa, como una enfermedad con alta probabilidad de escalada o una lesión que pueda presentar malignidad, e informarán a los investigadores que el paciente necesita atención médica.

4. Ayuda a los investigadores a extraer toda la información de una imagen​

Una de las mayores limitaciones de cualquier ensayo clínico, especialmente uno realizado de manera remota, es el tiempo que se tarda en analizar cada imagen y la experiencia necesaria para convertir una imagen en datos de usuario reales. Esto se hace evidente cuando se considera el horario habitual de un médico y cuánto tiempo tienen para dedicarse a tareas de entrada de datos.

La tecnología de Legit.Health convierte automáticamente cualquier imagen dermatológica en datos en bruto, extrayendo la información oculta en los píxeles y convirtiéndola en valores como rojez, área, gravedad, sequedad, descamación y muchos más.

Esto se traduce en una reducción significativa de la carga de trabajo para el gestor de datos, ya que este proceso es automático, así como en una mayor fiabilidad de los puntos finales clínicos a un costo reducido. La ausencia de cualquier sesgo humano en los algoritmos elimina la variabilidad intraobservador.

Además, esto supondrá una enorme expansión en el alcance de los ensayos clínicos. Hasta ahora, la mayoría de los investigadores se limitan a un par de puntos finales en cualquier estudio dado, ya que tienen que equilibrar las necesidades de la investigación con las limitaciones presupuestarias y de tiempo.

Gracias a Legit.Health, medir 2 variables cuesta lo mismo que medir 200, lo que incrementa exponencialmente el número de puntos finales clínicos y permite a los investigadores alcanzar una mayor granularidad en sus datos.

5. Asegura un Protocolo Robusto de Transferencia de Datos​

Legit.Health está comprometido con el avance de la investigación farmacéutica proporcionando servicios de transferencia de datos de primera categoría. Nuestros protocolos son robustos, nuestra tecnología avanzada y nuestro compromiso con el éxito del ensayo es inquebrantable. Confíe en nosotros para manejar los datos del ensayo clínico con el máximo cuidado y profesionalismo.

Mecanismo Seguro de Transferencia de Datos​

Hemos superado los métodos convencionales de transferencia por correo electrónico. Nuestros canales seguros utilizan la última tecnología de cifrado, protegiendo los datos sensibles más allá de los estándares típicos. Esto significa que cada pieza de datos transferida está protegida contra accesos no autorizados, asegurando que la confidencialidad del paciente y la integridad del ensayo nunca se vean comprometidas.

Formato de Datos Optimizado​

El formato de archivo .CSV es universalmente reconocido y fácilmente accesible. Al emplear este formato, garantizamos que los datos que proporcionamos puedan integrarse sin problemas con sus sistemas de gestión de datos existentes, facilitando un análisis e interpretación de datos sencillos sin necesidad de conversiones complejas ni software adicional.

También ofrecemos otros formatos de datos como JSON y XML. Estos se generan programáticamente para eliminar el riesgo de error y proporcionar agilidad y disponibilidad.

Estructura de Datos Robusta​

Cada punto final clínico es crítico, por lo que nuestra estructura de datos es meticulosamente detallada y adaptada según su protocolo. Desde mediciones de lesiones hasta puntuaciones de gravedad, capturamos todos los puntos de datos relevantes con precisión, asegurando una cobertura completa de los puntos finales clínicos que necesita monitorear.

La siguiente tabla muestra un ejemplo de los datos que nuestro dispositivo puede proporcionar. Cada fila representa una variable registrada en el archivo de transferencia de datos.

Nombre	Etiqueta	Formato	Longitud	Ejemplo
Study_ID	ID del Protocolo	CHAR	40	A-232323_BH
Site_ID	ID del Sitio	CHAR	8	2323
Patient_ID	ID del Sujeto	CHAR	8	2323-23
Fecha	Fecha realizada	CHAR	10	DD-MMM-YYYY
Hora	Hora realizada	CHAR	5	HH:MM
Report ID	UUID del Informe	CHAR	50	0188d3e9-4bf0-7d7d-9904-aec1d69f3e7d
Image ID	ID de la Imagen	CHAR	50	232323_0210037_Week12.jpg
Tipo	Tipo de Lesión	CHAR	20	Nódulo
Px2cm	Conversión de píxeles a cm	CHAR	20	0.32
Quality_score	Valor numérico que representa la calidad de la imagen	CHAR	20	75, 80
Nódulo	Cantidad de nódulos detectados en la imagen	CHAR	20	1, 2, 3
Absceso	Cantidad de abscesos detectados en la imagen	CHAR	20	1, 2, 3
Túnel drenante	Cantidad de túneles drenantes detectados en la imagen	CHAR	20	1, 2, 3
Tamaño de la lesión	Tamaño del cuadro delimitador que define el ROI de la lesión objetivo	CHAR	20	23.12
Puntuación de gravedad	Valor numérico que representa la gravedad de la condición según la puntuación IHS4	CHAR	20	5, 6

Tenga en cuenta que esto es una simplificación, ya que un archivo de transferencia de datos real puede contener más de 50 filas.

Transmisión de Datos Cegados​

Para mantener la integridad del ensayo y asegurar un análisis imparcial, podemos acomodar la transmisión de datos cegados. Este servicio se proporciona bajo solicitud, asegurando que la eficacia del producto investigacional se evalúe con precisión, libre de cualquier posible sesgo.

Frecuencia de Transferencia Adaptable​

La naturaleza dinámica de los ensayos clínicos exige flexibilidad. Es por eso que ofrecemos periodicidad de transferencia de datos personalizables que pueden adaptarse a los hitos específicos y necesidades del ensayo. Ya sea a intervalos mensuales o bajo demanda, nuestro protocolo está diseñado para proporcionar los datos que necesita cuando los necesita, sin demoras innecesarias.

Ofrecemos una programación flexible adaptada a los hitos del ensayo y las necesidades del patrocinador, que varía desde entregas de datos mensuales hasta bajo demanda.

6. Fomenta que el paciente se adhiera al protocolo​

El enfoque revolucionario de Legit.Health para los ensayos clínicos no solo depende de la tecnología algorítmica de vanguardia para realizar todo el trabajo pesado. Su diseño elegante, centrado en la facilidad de uso y la legibilidad, considera las realidades diarias de los pacientes para ayudarles a adherirse al protocolo del ensayo clínico.

Al crear tareas para el paciente, proporcionándoles alertas y recordatorios, recompensando sus informes con principios extraídos de las ideas de la gamificación o proporcionándoles información útil sobre su enfermedad, Legit.Health aumenta la adherencia del paciente, enriquece la diversidad de los puntos finales y permite ensayos clínicos centrados en el paciente.

7. Incluye índices de calidad de vida y cuestionarios personalizados​

Legit.Health incorpora sin problemas los principales índices de calidad de vida como DLQI, CU-QoL o AKQoL, entre otros, permitiendo que los ensayos clínicos enriquezcan los datos que recopilan y les den textura, así como proporcionarles un contexto adicional.

Esto no supone trabajo extra para los investigadores, ya que la aplicación tiene tanto los cuestionarios como la accesibilidad para interpretar esos datos integrados, por lo que los investigadores no necesitan añadir ningún paso al proceso de recopilación de datos.

Obtén acceso ahora​

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.

Legit.Health ha sido validado clínicamente en diversos entornos sanitarios por especialistas líderes en sus campos. Nuestra tecnología ha demostrado su eficacia en la mejora del diagnóstico y el seguimiento, con estudios específicos centrados en ciertas patologías para evaluar la sensibilidad y la precisión.

Varios de estos estudios han sido publicados en revistas prestigiosas de dermatología, mientras que otros se encuentran en distintas etapas de publicación. Además, también proporcionamos evidencia clínica durante el proceso de certificación como dispositivo médico, algunas de las cuales no se han hecho públicas.

You can find a full list of our scientific evidente in the Validation section of our website.

Clinical validation

Find out everything about our clinical validation process and our scientific evidence, including publications, congress presentations, and clinical trials.

Hoja de ruta​

El siguiente diagrama de Gantt muestra la hoja de ruta de nuestras actividades de validación clínica. Nuestro compromiso con el avance del estado del arte nos motiva a expandir continuamente nuestra investigación.

Respuesta breve​

Sí, Legit.Health ha sido validado clínicamente en diversos entornos sanitarios por destacados especialistas en sus campos. Nuestra tecnología ha demostrado su eficacia en mejorar el diagnóstico y seguimiento, con estudios específicos centrados en ciertas patologías para evaluar sensibilidad y precisión.

Varios de estos estudios se han publicado en prestigiosas revistas de dermatología y otros se encuentran en distintas fases de publicación. Además, también aportamos pruebas clínicas durante el proceso de certificación como producto sanitario, algunas de las cuales no se han hecho públicas.

Respuesta detallada​

La tecnología detrás de Legit.Health es compleja y multifacética. Detrás de un proceso aparentemente simple para el usuario, interactúan varios algoritmos. De hecho, nuestra tecnología integra múltiples algoritmos no solo para diagnosticar y evaluar la gravedad de las enfermedades, sino también para optimizar la precisión de la derivación, garantizar la calidad de la imagen y medir la eficacia del tratamiento.

Dermatitis Atópica​

Nuestro estudio ASCORAD (Puntuación Automática de Dermatitis Atópica) fue publicado en la revista Journal of Investigative Dermatology (JID) Innovations en colaboración con el Dr. Ramón Grimalt. Este estudio detalla nuestro enfoque para automatizar la evaluación de la gravedad de la dermatitis y el eccema.

Este trabajo también es reconocido en la literatura científica reciente, destacando su potencial para revolucionar la evaluación de la gravedad de la dermatitis atópica.

(...) muy prometedor es el intento de llegar a una definición automática de la gravedad de la DA utilizando CNN (...) para lograr una precisión de puntuación de eritema, papulación, excoriación y liquenificación comparable a la de los dermatólogos (...). Los avances aplicativos computacionales en esta dirección han llevado al diseño más reciente de la Puntuación Automática de la Dermatitis Atópica (ASCORAD).

Descubre más sobre ASCORAD de sus autores en este webinar:

Hidradenitis Supurativa​

El AIHS4, nuestro nuevo sistema para puntuar la Hidradenitis Supurativa, se detalla en Skin Research and Technology. Este estudio muestra nuestro compromiso por desarrollar soluciones de IA para patologías dermatológicas complejas.

El AIHS4 ha sido destacado en publicaciones científicas recientes, como el siguiente artículo del Consejo Nacional de Investigación de Italia y las Universidades de Palermo y Messina:

(...) para superar el IHS4, que es consumidor de tiempo y está sujeto a variabilidad, se introduce el AIHS4, utilizando un modelo de DL, Legit.Health-IHS4net, para la detección de lesiones (...). Esta evidencia destaca la utilidad de la IA en la dermatología basada en la evidencia, ofreciendo una herramienta potencial para capacitar a los dermatólogos en la práctica diaria y los ensayos clínicos.

También hemos presentado el IHS4 en varios congresos. Por ejemplo, la siguiente imagen muestra nuestro póster en el congreso nacional de dermatología de 2022 (AEDV).

Urticaria (Ronchas)​

El sistema de Puntuación Automática de Actividad de Urticaria (AUAS) ha sido publicado en Journal of Investigative Dermatology (JID) Innovations, mostrando nuestro enfoque basado en aprendizaje profundo para la evaluación de la gravedad de la urticaria.

Nuestro trabajo en el AUAS fue presentado en congresos como la reunión anual de la AEDV en el año 2021. El siguiente video muestra una breve explicación del AUAS en el congreso mencionado anteriormente:

Calidad de imagen​

También publicamos nuestra investigación sobre la tecnología no diagnóstica. Tal es el caso de la Evaluación de la Calidad de Imágenes Dermatológicas (DIQA), que garantiza la utilidad clínica de las imágenes para consultas remotas y ensayos clínicos. Esto fue publicado en el Journal of the American Academy of Dermatology.

En este video (en español), Taig Mac Carthy, coautor de la publicación, explica cómo funciona la inteligencia artificial de derivación, incluida la Garantía de Calidad de Imágenes, en el congreso anual de la Academia Española de Dermatología.

Psoriasis​

Nuestro trabajo en el APASI, el Sistema Automático de Puntuación de Psoriasis desarrollado por nuestro equipo, fue reconocido por la AEDV con un premio en la categoría de imágenes médicas.

Otras investigaciones​

También estamos trabajando para implementar nuestra tecnología en nuevas áreas del conocimiento médico, como el caso de nuestra colaboración con el Dr. Sergio Vañó y su equipo del Hospital Ramón y Cajal, que están liderando la aplicación de la tecnología de IA para medir la gravedad de la alopecia frontal fibrosante (FFA).

Otro ejemplo del equipo de Legit.Health ampliando el alcance de la tecnología algorítmica de aprendizaje profundo aplicada a la medicina sería la parálisis facial. El Dr. Goiztidi Díaz Basterra, el Dr. Luis Barbier Herrero y la Dra. Estíbaliz Ortiz de Zárate están liderando un esfuerzo en el Hospital de Basurto para aplicar esta tecnología revolucionaria a este campo.

Un buen ejemplo sería el extenso ensayo clínico en el que la Dra. Leticia Calzado está liderando en el Hospital de Torrejón, donde ella y su equipo están validando el proceso de diagnóstico asistido por ordenador con excelentes resultados.

En algunos casos, los resultados prometedores han llevado a los equipos de investigación a ampliar el alcance del estudio. Como el estudio que se lleva a cabo tanto en el Hospital de Cruces como en el Hospital de Basurto bajo la supervisión de los Dres. Jesús Gardeazabal y Rosa María Izu Belloso, estudiando las opciones de diagnóstico asistido por ordenador en el caso del Melanoma.

Trabaja con nosotros​

En Legit.Health, estamos trabajando para mejorar aún más la tecnología, esforzándonos por crear herramientas aún mejores. Esto incluye, por ejemplo, mejorar la diferenciación entre tipos de lesiones de HS, o asegurarnos de que la tecnología funcione correctamente en todos los fototipos de piel.

Si deseas trabajar con nosotros, por favor completa el siguiente formulario y nos pondremos en contacto contigo lo antes posible.

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.

Introducción​

Legit.Health presenta con orgullo un avance significativo en las evaluaciones dermatológicas: el sistema ASCORAD (Puntuación Automática de la Dermatitis Atópica SCOR). Esta herramienta innovadora aprovecha algoritmos avanzados de visión por computadora para analizar imágenes capturadas por smartphones y alinearlas automáticamente con el sistema de puntuación SCORAD.

El ASCORAD ha sido mencionado en publicaciones científicas recientes, como el siguiente artículo del Consejo Nacional de Investigaciones de Italia, y las Universidades de Palermo y Mesina:

(...) es muy prometedor el intento de llegar a una definición automática de la gravedad de la DA utilizando CNNs (...) para lograr una precisión de puntuación de eritema, papulación, excoriación y liquenificación comparable a la de los dermatólogos (...). Los avances aplicativos computacionales en esta dirección han llevado al diseño más reciente del SCOR Automático de la Dermatitis Atópica (ASCORAD).

De hecho, las herramientas de medición objetivas, fiables y precisas son fundamentales para la atención sanitaria basada en evidencias. La integración de ASCORAD en la suite de herramientas de Legit.Health representa un cambio de paradigma en cómo se evalúa y maneja la dermatitis atópica. Al automatizar el proceso SCORAD, ASCORAD no solo mejora la precisión y la fiabilidad de las evaluaciones, sino que también simplifica el flujo de trabajo para los profesionales de la salud, estableciendo un nuevo estándar para el cuidado dermatológico.

Mucho ha cambiado desde 1993​

Debemos mucho al Grupo de Trabajo Europeo sobre dermatitis atópica que publicó el primer artículo sobre SCORAD en 1993. Estaban tratando de abordar un enorme obstáculo tanto en la práctica clínica como en los ensayos clínicos. Como afirmaron los autores:

Los métodos de evaluación para la dermatitis atópica (DA) no están estandarizados, y los estudios terapéuticos son difíciles de interpretar.

Esta fue la premisa que llevó a los renombrados profesores Alain Taïeb y Jean-François Stalder a asumir la difícil tarea de desarrollar un índice de gravedad compuesto junto con un brillante equipo de investigadores. La creación del SCORAD fue un golpe de genio y una enorme contribución al conocimiento médico de la humanidad.

El SCORAD de papel y lápiz​

La solución propuesta en 1993 puede parecer algo anticuada hoy en día, pero es una manera muy inteligente de abordar el problema. Su objetivo era crear un sistema de evaluación que destacara en simplicidad y facilidad de uso. Para ello, crearon la siguiente hoja de papel:

La fórmula del índice SCORAD es: A/5 + 7B/2 + C. En esta fórmula, A se define como la extensión (0-100), B como la intensidad (0-18) y C como los síntomas subjetivos (0-20). La puntuación máxima del índice SCORAD es 103.

A pesar de la amplia aceptación y utilidad del SCORAD y EASI en la evaluación de la dermatitis atópica, hay una advertencia notable asociada con estas herramientas:

De hecho, el sistema de puntuación SCORAD es representativo y bien evaluado, pero muestra, como todos los demás sistemas, desacuerdos intra e interobservador. La variación en las puntuaciones es de aproximadamente el 20%.

El enfoque digital: calculadoras en línea​

Con la revolución digital y el auge de los ordenadores, investigadores de todo el mundo desarrollaron versiones digitales del SCORAD de papel y lápiz.

La principal ventaja de estos sistemas es que realizan automáticamente el cálculo de la fórmula A/5 + 7B/2 + C, y por eso la gente los llama calculadoras digitales. Sin embargo, las calculadoras digitales tienen las mismas limitaciones que sus predecesores de papel y lápiz: siguen siendo muy subjetivas y requieren mucho tiempo, así como conocimientos, para utilizarlas correctamente.

Tener que estimar el enrojecimiento o la descamación del área afectada a simple vista, solo mirándola, se siente muy anticuado.

La próxima generación: puntuación automática​

Legit.Health es la herramienta revolucionaria de datos y comunicación clínica para dermatólogos de próxima generación que triplica la fiabilidad de las medidas de resultados. La tecnología acelera el proceso de informes de patología y aumenta la autonomía y el control de los pacientes.

Esto significa que la nueva versión de este sistema de puntuación extrae datos de manera precisa y consistente, tanto durante evaluaciones rutinarias como en investigación clínica. La mejora se puede ver en la siguiente tabla, que compara las métricas de rendimiento de la forma más común de utilizar los sistemas de puntuación:

	Papel y lápiz	Digital	Automático (IA)
Auto-supervisión	-	-	Realiza diagnóstico
Facilidad de uso	≈ 600 segundos	≈ 420 segundos	≈ 23 segundos
Sensibilidad al cambio	0 a 4	0 a 4	0 a 100
Variabilidad interobservador	Media (20%)	Media (20%)	La más baja (8%)
Variabilidad intraobservador	Alta	Alta	Cero

Gracias a los algoritmos de aprendizaje profundo, Legit.Health libera a los médicos de la tediosa tarea de calcular manualmente los sistemas de puntuación y permite la práctica de una dermatología basada en evidencia más objetiva. Además, al utilizar algoritmos para medir la sequedad, la liquenificación, el eritema, el exudado, el edema y muchos más signos, la herramienta puede calcular signos visuales de manera más fiable y consistente.

El problema con el SCORAD​

Es un hecho bien documentado que el SCORAD es una puntuación compuesta válida, internamente consistente, sensible e interpretable que incluye la intensidad y extensión de los signos clínicos de la dermatitis atópica y la gravedad de sus síntomas

Es precisamente por eso que Legit.Health ha elegido este sistema de puntuación como base para su algoritmo revolucionario. En otras palabras: el SCORAD se convierte en el marco para automatizar la puntuación de la enfermedad con aprendizaje profundo. Sin embargo, el SCORAD tradicional lleva un conjunto de problemas y limitaciones

Los sistemas de puntuación como SCORAD y EASI tienen una variabilidad interobservador y son consumidores de tiempo. Un enfoque automatizado de IA como el nuestro puede ayudar a reducir este sesgo y, por lo tanto, ser un criterio más preciso y objetivo

Así como eso, llenar la hoja ha demostrado ser demasiado tedioso para algunos dermatólogos. En muchos casos, los médicos consideran que el esfuerzo de llenar el SCORAD es demasiado alto y terminan no usándolo en su práctica clínica diaria. Esta puede ser la principal razón detrás de la popularidad del EASI, que sacrifica la granularidad en beneficio de convertirse en un sistema de puntuación más simple y rápido.

ASCORAD mejora las propiedades clinimétricas del SCORAD y se convierte en una mejor medida de resultado.

¿Cómo sabemos si un sistema de puntuación es bueno?​

Cuando se trata de evaluaciones dermatológicas, la efectividad de un sistema de puntuación es primordial. Pero, ¿qué es exactamente lo que hace que un sistema de puntuación sea fiable y útil? A través del consenso científico, se han identificado varios factores clave que contribuyen a la robustez de estas escalas. Vamos a profundizar en los elementos cruciales:

• Facilidad de uso: Este factor considera si el sistema puede aplicarse sin esfuerzo dentro de las limitaciones de tiempo y recursos financieros. Que un sistema sea fácil de usar es crucial para su adopción generalizada en entornos clínicos.
• Sensibilidad al cambio: Un sistema de puntuación efectivo debe ser capaz de detectar cambios clínicamente significativos a lo largo del tiempo. Esta sensibilidad asegura que cualquier progreso o deterioro en la condición de un paciente se captura con precisión.
• Fiabilidad interobservador: Esto se refiere a la consistencia de los resultados cuando diferentes observadores utilizan el sistema de puntuación. Una alta fiabilidad interobservador significa que diferentes dermatólogos llegarán a conclusiones similares, mejorando la credibilidad del sistema.
• Variabilidad intraobservador: Esto analiza la consistencia de los resultados cuando el mismo observador utiliza el sistema de puntuación varias veces. Una baja variabilidad intraobservador indica que el sistema proporciona resultados similares todas las veces que un mismo dermatólogo evalúe un mismo caso.
• Interpretabilidad: Un sistema de puntuación práctico debería proporcionar interpretaciones cualitativas significativas de sus puntuaciones, como categorizar la gravedad de una condición como leve, moderada o severa.

Estos criterios no solo aseguran la efectividad del sistema de puntuación sino también su aplicabilidad y fiabilidad en diversos escenarios clínicos.

Adaptado de "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.

6 maneras en que ASCORAD es mejor​

ASCORAD se define como:

(...) un método alternativo rápido y objetivo para la evaluación automática de la dermatitis atópica con gran potencial, ya logrando resultados comparables a la evaluación de expertos humanos, mientras reduce enormemente la variabilidad interobservador y es más eficiente en tiempo. ASCORAD también podría usarse en situaciones donde las consultas presenciales no son posibles, proporcionando una evaluación automática de los signos clínicos y la superficie de la lesión.

Los algoritmos de Legit.Health califican automáticamente las lesiones solo mirando imágenes de smartphones y pequeñas medidas de resultado informadas por el paciente (PROMs). En otras palabras: la herramienta rellenará automáticamente la mayoría de los sistemas de puntuación dermatológicos, como PASI, SCORAD, UAS, GAGS, y muchos más.

El objetivo principal de ASCORAD es proporcionar una herramienta para registrar datos de manera precisa y consistente para evaluaciones rutinarias y estudios clínicos.

1. Es auto supervisado: el algoritmo asegura que es dermatitis atópica​

Cuando se usa el ASCORAD, los profesionales médicos están evaluando el diagnóstico de la patología mientras estiman la gravedad. Esto significa que si el ASCORAD no es el sistema de puntuación correcto porque realmente no es dermatitis atópica, la herramienta le hará saber al médico que puede haber una discrepancia.

La herramienta de Legit.Health no solo mide la gravedad de la afección como lo hace el SCORAD, sino que el algoritmo ha sido entrenado utilizando la entrada de los mejores médicos en su campo para poder distinguir entre cientos de condiciones, la mayoría de los tipos de dermatitis incluidos.

Esto significa que ASCORAD no confundirá un caso de dermatitis atópica con algunos de los sospechosos habituales de diagnóstico erróneo, como la neurodermatitis o la dermatitis seborreica, mejorando la tasa de diagnóstico correcto del médico en un 23%.

2. ASCORAD es más fácil de usar que SCORAD y EASI​

El sistema [tradicional] SCORAD lleva tiempo y incluso los dermatólogos experimentados requerirán siete (7) minutos en total. Un médico inexperto necesitará 10 minutos.

En comparación, usar el ASCORAD solo lleva 23 segundos para obtener la puntuación final, y la mayor parte de ese tiempo se consume en tomar la foto. Además, dicha puntuación y la imagen de la que proviene están ordenadamente archivadas y etiquetadas para futuras evaluaciones.

ASCORAD estima la superficie afectada y la intensidad de todos los signos visuales de la enfermedad simultáneamente, mejorando la eficiencia de ambas tareas.

¿Quiere ver la tecnología de IA dermatológica en acción?

Descubrir

En general, ASCORAD ayuda a practicar dermatología basada en evidencias, liberando a los médicos del tedioso cálculo del SCORAD, permitiendo a los pacientes seguir la gravedad de la dermatitis atópica de una manera amigable y objetiva, y permitiendo una evaluación más precisa de nuevos tratamientos.

3. ASCORAD tiene la mayor sensibilidad al cambio​

La herramienta de Legit.Health identifica patologías utilizando sistemas de puntuación validados que tienen:

• La Diferencia Mínima Importante (MID) más baja
• El Cambio Detectable Más Pequeño (SDC) más bajo
• Mayor validez y fiabilidad

Además, los algoritmos proporcionan datos adicionales con propiedades clinimétricas comparables y mayor sensibilidad al cambio y MIDs, gracias al funcionamiento intrínseco de los algoritmos de visión por computadora.

4. La menor variabilidad interobservador​

De hecho, el sistema de puntuación SCORAD es representativo y bien evaluado, pero muestra, como todos los demás sistemas, desacuerdos intra e interobservador. La variación en las puntuaciones es de aproximadamente el 20%.

Los resultados experimentales muestran que ASCORAD puede lograr un error porcentual absoluto medio del 8%, superando a los métodos de referencia y por debajo de la variabilidad interobservador del 20%.

5. Cero variabilidad intraobservador​

La naturaleza digital del sistema ASCORAD elimina completamente la variabilidad intraobservador, ya que cada imagen y cálculo se almacena en la base de datos de la aplicación.

Permitir que el médico no dependa de su memoria al evaluar la gravedad de la afección y centrarse en el análisis de los datos objetivos almacenados en la aplicación reduce considerablemente el riesgo de recordar mal, proporcionando una manera más objetiva, precisa y precisa de rastrear el desarrollo de la enfermedad.

6. Mejor interpretabilidad​

Legit.Health proporciona una interfaz fácil de leer que da acceso al médico a toda la información relevante sobre el paciente de un vistazo.

Cada dato derivado del ASCORAD se muestra claramente en la pantalla, proporcionando la gravedad de la afección, los diferentes factores considerados al analizar la imagen y sus puntuaciones, y un gráfico de evolución a lo largo del tiempo que sigue la efectividad del proceso de curación del tratamiento muy fácilmente.

Además, cada foto del historial del paciente es fácilmente accesible, proporcionando un registro de imágenes donde el algoritmo resalta automáticamente las áreas afectadas.

En conclusión​

El revolucionario ASCORAD representa el futuro de la dermatología. Permite a los médicos de todo el mundo practicar medicina basada en evidencias utilizando la mejor herramienta durante el diagnóstico de enfermedades mientras mejora la comunicación efectiva entre médico y paciente.

El uso de algoritmos que estiman la gravedad de la dermatitis atópica rellenando el SCORAD y puntuando automáticamente las lesiones solo mirando imágenes de smartphones aumenta la tasa de diagnósticos correctos de los médicos en un 23% y mejora el seguimiento del tratamiento al hacer que el paciente participe más activamente en su propia recuperación.

Consigue acceso​

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.