Przecław News

Informacje o Polsce. Wybierz tematy, o których chcesz dowiedzieć się więcej w Wiadomościach Przecławia.

Głębokie uczenie się może zmienić umiejętność dokładnej interpretacji wyników testu na HIV

Pionierska technologia opracowana przez naukowców z UCL (University College London) i Afrykańskiego Instytutu Badań nad Zdrowiem (AHRI) może zmienić zdolność dokładnej interpretacji wyników testów na obecność wirusa HIV, szczególnie w krajach o niskich i średnich dochodach.

Naukowcy z londyńskiego Centrum Nanotechnologii na UCL i AHRI wykorzystali algorytmy głębokiego uczenia (sztuczna inteligencja/AI), aby poprawić zdolność pracowników służby zdrowia do diagnozowania HIV za pomocą testów przepływu bocznego na wiejskich obszarach RPA.

Ich odkrycia opublikowano dzisiaj w medycyna przyrodnicza, obejmuje pierwsze i największe badanie wyników testów terenowych na obecność wirusa HIV, w którym zastosowano uczenie maszynowe (AI) w celu sklasyfikowania ich jako pozytywnych lub negatywnych.

Rocznie na całym świecie przeprowadza się ponad 100 milionów testów na obecność wirusa HIV, co oznacza, że ​​nawet niewielka poprawa w zakresie zapewniania jakości może wpłynąć na życie milionów ludzi, zmniejszając ryzyko fałszywych wyników pozytywnych i negatywnych.

Wykorzystując możliwości czujników telefonów komórkowych, kamer, możliwości przetwarzania i udostępniania danych, zespół opracował aplikację, która może odczytywać wyniki testów z obrazu wykonanego przez użytkowników końcowych na urządzeniu mobilnym. Może również być w stanie zgłaszać wyniki do systemów zdrowia publicznego w celu poprawy gromadzenia danych i stałej opieki.

Testy przepływu bocznego – lub szybkie testy diagnostyczne (RDT) – były stosowane podczas pandemii COVID-19 i odgrywają ważną rolę w kontroli choroby i badaniach przesiewowych.

Chociaż zapewniają szybki i łatwy sposób testowania poza ustawieniami klinicznymi, w tym samotestowanie, interpretacja wyników testów może czasami być wyzwaniem dla laików. .

Samotestowanie opiera się na samodzielnym zgłaszaniu wyników przez osoby w celu wsparcia klinicznego i celów monitorowania. Dowody sugerują, że niektórzy regularni opiekunowie mogą mieć trudności z interpretacją szybkich testów diagnostycznych z powodu ślepoty barw lub krótkowzroczności.

W nowym badaniu zbadano, czy zastosowanie sztucznej inteligencji może wspierać decyzje dotyczące testów na HIV podejmowane przez pracowników terenowych, pielęgniarki i pracowników służby zdrowia.

READ  Gwiazda płonie jaśniej nawet po wybuchu supernowej

Zespół ponad 60 przeszkolonych przez AHRI pracowników terenowych początkowo pomógł stworzyć bibliotekę ponad 11 000 zdjęć testów na HIV wykonanych w różnych warunkach w terenie w KwaZulu-Natal w RPA, przy użyciu mobilnego narzędzia medycznego i protokołu przechwytywania obrazów, który przez UCL.

Zespół UCL wykorzystał następnie te obrazy jako dane szkoleniowe do algorytmu uczenia maszynowego. Porównali, jak dokładnie algorytm sklasyfikował obrazy jako negatywne lub pozytywne, z interpretacją wyników badania wzroku przez użytkowników.

Główna autorka i dyrektorka i-sense, profesor Rachel McKendry (London Center for Nanotechnology and UCLA Department of Medicine) powiedziała: „To badanie to naprawdę silne partnerstwo z AHRI, które pokazuje moc wykorzystania głębokiego uczenia do skutecznego klasyfikowania „rzeczywistego świata”. szybkie obrazy testowe, uzyskane pole i zmniejsz liczbę błędów, które mogą wystąpić podczas odczytywania wyników testu naocznie. Badanie to pokazuje pozytywny wpływ, jaki mobilne narzędzia zdrowotne mogą mieć w krajach o niskich i średnich dochodach, i torują drogę do większych badań w przyszłości”.

Pilotażowe badanie terenowe pięciu użytkowników o różnym doświadczeniu (od pielęgniarek po nowo przeszkolone osoby pracujące w szpitalu) obejmowało wykorzystanie aplikacji mobilnej do rejestrowania ich interpretacji wyników 40 testów na obecność wirusa HIV, a także wykonanie zdjęcia testów, które zostało automatycznie odczytane przez maszynę uczący się klasyfikator. Wszyscy uczestnicy mogli korzystać z aplikacji bez szkolenia.

Klasyfikator uczenia maszynowego był w stanie zredukować błędy w odczytywaniu RDT, poprawnie klasyfikując obrazy RDT z ogólną dokładnością 98,9% w porównaniu z tradycyjną interpretacją badań wzroku (92,1%).

Wcześniejsze badanie użytkowników o różnym doświadczeniu w interpretacji szybkich testów diagnostycznych na obecność wirusa HIV wykazało, że dokładność wahała się od 80% do 97%.

Inne choroby, które mogą pomóc w szybkich testach diagnostycznych, obejmują malarię, kiłę, gruźlicę, grypę i choroby niezakaźne.

Pierwszy autor, dr Valerian Turbie (Londyńskie Centrum Nanotechnologii UCL) i badacz i-sense z McKendry Group, powiedzieli: „Spędziwszy trochę czasu w KwaZulu-Natal z pracownikami terenowymi organizującymi proces gromadzenia danych, zauważyłem, jak trudne było to dla ludzi Dostęp do usług Podstawowa opieka zdrowotna Jeśli narzędzia te mogą pomóc w szkoleniu ludzi w interpretacji obrazów, mogą mieć duży wpływ na wykrywanie HIV na bardzo wczesnym etapie, co oznacza poprawę dostępu do opieki zdrowotnej lub unikanie nieprawidłowych diagnoz. koszt życia ludzi, zwłaszcza że HIV jest przenoszony”.

READ  Chińscy astronauci robią spacer kosmiczny, aby ulepszyć ramię robota

Zespół planuje obecnie większe badanie ewaluacyjne, aby ocenić wydajność systemu, z użytkownikami w różnym wieku, o różnej płci io różnym poziomie umiejętności cyfrowych.

Zaprojektowano również system cyfrowy do łączenia z systemami zarządzania laboratorium i opieką zdrowotną, dzięki czemu wdrażanie i dostarczanie RDT może być lepiej monitorowane i zarządzane.

Badania, które przeprowadziliśmy w regionie, wykazały, że samotestowanie w kierunku HIV jest skuteczne w docieraniu do dużej liczby nastolatków i młodych dorosłych. Jednak samotestowanie w kierunku HIV okazało się mniej skuteczne w łączeniu ludzi z profilaktyką medyczną i leczeniem. Cyfrowy system, który łączy wyniki badań i osobę z opieką zdrowotną, w tym połączenie z terapią antyretrowirusową i profilaktyką przedekspozycyjną, może zdecentralizować profilaktykę HIV i osiągnąć cele UNAIDS w zakresie eliminacji HIV. „

Profesor Maryam Shahmanesh, Przewodnicząca Szkoły Badań Klinicznych AHRI, Globalny Instytut Zdrowia UCL

Dr Kobus Herbst, przewodniczący School of Population Sciences AHRI, dodał: „To badanie pokazuje, w jaki sposób podejścia do uczenia maszynowego mogą wykorzystać duże i różnorodne zestawy danych dostępne z globalnego południa, ale jednocześnie odpowiadają na lokalne priorytety i potrzeby zdrowotne ”.

Naukowcy sugerują również, że raportowanie w czasie rzeczywistym szybkich wyników testów diagnostycznych za pośrednictwem podłączonego urządzenia może pomóc w szkoleniu pracowników i zarządzaniu epidemiami, na przykład poprzez wyróżnianie „gorących punktów”, w których liczba pozytywnych testów jest wysoka. Rozszerzają podejście do innych infekcji, w tym COVID-19 i chorób niezakaźnych.

Były dyrektor AHRI, profesor Deenan Pillay (UCL Infection & Immunity) powiedział: „Wraz z przechodzeniem badań nad cyfrowym zdrowiem do głównego nurtu, nadal istnieją poważne obawy, że te najbardziej potrzebujące populacje na całym świecie nie odniosą takich korzyści, jak w środowiskach o wyższych dochodach. praca pokazuje, jak poprzez odpowiednie partnerstwa i uczestnictwo możemy wykazać użyteczność i korzyści osób żyjących w środowiskach o niskich i średnich dochodach”.