携手健康网携手健康网

AI应用程序可以帮助更准确地诊断艾滋病毒

由伦敦大学学院和非洲健康研究所 (AHRI) 研究人员开发的开创性技术可以改变准确解释 HIV 检测结果的能力,尤其是在低收入和中等收入国家。UCL 伦敦纳米技术中心和 AHRI 的学者使用深度学习(人工智能/AI)算法来提高卫生工作者在南非农村使用横向流动测试诊断 HIV 的能力。

他们的研究结果今天发表在Nature Medicine 上,涉及对现场获得的 HIV 检测结果的第一次也是最大的研究,这些研究已应用机器学习(AI) 帮助将它们分类为阳性或阴性。

全世界每年进行超过 1 亿次 HIV 检测,这意味着即使质量保证的微小改进也可能通过降低误报和误报的风险来影响数百万人的生活。

通过利用手机传感器、摄像头、处理能力和数据共享功能的潜力,该团队开发了一款应用程序,可以从最终用户在移动设备上拍摄的图像中读取测试结果。它还可以向公共卫生系统报告结果,以便更好地收集数据和持续护理。

横向流动测试或快速诊断测试 (RDT) 在整个 COVID-19 大流行期间得到使用,并在疾病控制和筛查中发挥重要作用。

虽然它们提供了一种快速简便的临床环境之外的测试方法,包括自我测试,但有时对于外行人来说,对测试结果的解释可能具有挑战性。

自我测试依赖于人们出于临床支持和监测目的的自我报告结果。有证据表明,由于色盲或近视,一些非专业护理人员可能难以解释 RDT。

这项新研究检查了人工智能应用程序是否可以支持现场工作人员、护士和社区卫生工作者做出的艾滋病毒检测决定。

AHRI 的一个由 60 多名训练有素的现场工作人员组成的团队首先帮助建立了一个图书馆,其中包含在南非夸祖鲁-纳塔尔省各种条件下现场拍摄的 11,000 多张 HIV 检测图像,使用的是由 AHRI 开发的移动健康工具和图像捕获协议。伦敦大学学院

UCL 团队随后将这些图像用作其机器学习算法的训练数据。他们比较了算法将图像分类为阴性或阳性的准确度,以及用户通过眼睛解释测试结果的准确程度。

第一作者兼 i-sense 主任 Rachel McKendry 教授(UCL 伦敦纳米技术中心和 UCL 医学部)说:“这项研究与 AHRI 建立了非常牢固的合作伙伴关系,证明了使用深度学习成功对‘现实世界’进行分类的能力' 现场获取的快速测试图像,并减少了用眼睛读取测试结果时可能发生的错误数量。这项研究表明移动健康工具可以在低收入和中等收入国家产生积极影响,并为将来进行更大规模的研究。”

对五名具有不同经验的用户(从护士到新培训的社区卫生工作者)进行的试点实地研究让他们使用移动应用程序记录他们对 40 项 HIV 检测结果的解释,并拍摄了自动读取的检测图片通过机器学习分类器。所有参与者都无需培训即可使用该应用程序。

机器学习分类器能够减少阅读 RDT 时的错误,与传统的眼睛测试解释 (92.1%) 相比,正确分类 RDT 图像的准确率为 98.9%。

之前对具有不同经验的用户在解释 HIV RDT 方面进行的一项研究表明,准确度在 80% 到 97% 之间变化。

RDT 可以支持的其他疾病包括疟疾、梅毒、肺结核、流感和非传染性疾病。

第一作者 Valérian Turbé 博士(伦敦大学学院伦敦纳米技术中心)和 McKendry 小组的 i-sense 研究员说:“在夸祖鲁-纳塔尔省与田野工作者一起组织数据收集工作了一段时间后,我看到了这对我来说是多么困难人们获得基本医疗保健服务。如果这些工具可以帮助训练人们解读图像,那么您就可以在检测非常早期的艾滋病毒方面产生很大的不同,这意味着更好地获得医疗保健或避免错误诊断。这可能会对以下方面产生巨大影响人们的生活,特别是因为艾滋病毒是可以传播的。”

该团队现在计划进行更大规模的评估研究,以评估系统的性能,针对不同年龄、性别和数字素养水平的用户。

还设计了一个数字系统来连接实验室和医疗保健管理系统,在那里可以更好地监控和管理 RDT 的部署和供应。

AHRI 临床研究学院负责人 Maryam Shahmanesh 教授(伦敦大学学院全球健康研究所)说:“我们在该地区进行的试验发现,艾滋病毒自我检测对大量青少年和年轻男性有效。然而,艾滋病毒自我检测- 检测在将人们与生物医学预防和治疗联系起来方面不太成功。将检测结果和人与医疗保健联系起来的数字系统,包括与抗逆转录病毒治疗和暴露前预防的联系,有可能分散艾滋病毒预防并提供联合国艾滋病规划署的目标是消除艾滋病毒。”

AHRI 人口科学学院负责人 Kobus Herbst 博士补充说:“这项研究表明,机器学习方法如何从全球南方可用的大型多样数据集中受益,同时响应当地的健康优先事项和需求。”

研究人员还建议,通过联网设备实时报告 RDT 结果有助于劳动力培训和疫情管理,例如通过突出显示阳性检测数量高的“热点”。他们目前正在将该方法扩展到其他感染,包括 COVID-19 和非传染性疾病。

前 AHRI 主任 Deenan Pillay 教授(伦敦大学学院感染与免疫)说:“随着数字健康研究进入主流,人们仍然严重担心世界上最需要帮助的人群不会像高收入环境中的人群那样受益。我们的工作表明,通过适当的合作伙伴关系和参与,我们可以为中低收入环境中的人们展示效用和利益。”

郑重声明:本文版权归原作者所有,转载文章仅为传播更多信息之目的,如作者信息标记有误,请第一时间联系我们修改或删除,多谢。