El aprendizaje profundo podría transformar la capacidad de interpretar con precisión los resultados de las pruebas del VIH



La tecnología pionera desarrollada por investigadores de la UCL (University College London) y el Africa Health Research Institute (AHRI) podría transformar la capacidad de interpretar con precisión los resultados de las pruebas del VIH, especialmente en países de ingresos bajos y medios.

Los académicos del Centro de Nanotecnología de Londres en UCL y AHRI utilizaron algoritmos de aprendizaje profundo (inteligencia artificial / IA) para mejorar la capacidad de los trabajadores de la salud para diagnosticar el VIH mediante pruebas de flujo lateral en las zonas rurales de Sudáfrica.

Sus hallazgos, publicados hoy en Medicina de la naturaleza, involucran el primer y más grande estudio de resultados de pruebas de VIH adquiridas en el campo, que han aplicado el aprendizaje automático (IA) para ayudar a clasificarlos como positivos o negativos.

Más de 100 millones de pruebas del VIH se realizan anualmente en todo el mundo, lo que significa que incluso una pequeña mejora en la garantía de calidad podría afectar la vida de millones de personas al reducir el riesgo de falsos positivos y negativos.

Aprovechando el potencial de los sensores, las cámaras, la potencia de procesamiento y las capacidades de intercambio de datos de los teléfonos móviles, el equipo desarrolló una aplicación que puede leer los resultados de las pruebas a partir de una imagen tomada por los usuarios finales en un dispositivo móvil. También puede informar los resultados a los sistemas de salud pública para una mejor recopilación de datos y atención continua.

Las pruebas de flujo lateral, o pruebas de diagnóstico rápido (PDR), se han utilizado durante la pandemia de COVID-19 y desempeñan un papel importante en el control y la detección de enfermedades.

Si bien proporcionan una forma rápida y fácil de realizar pruebas fuera de los entornos clínicos, incluida la autoevaluación, la interpretación de los resultados de las pruebas a veces puede ser un desafío para los legos.

La autoevaluación se basa en los resultados de autoevaluación de las personas con fines de apoyo clínico y vigilancia. La evidencia sugiere que algunos cuidadores legos pueden tener dificultades para interpretar las PDR debido a la ceguera al color o la miopía.

El nuevo estudio examinó si una aplicación de IA podría respaldar las decisiones de pruebas del VIH tomadas por trabajadores de campo, enfermeras y trabajadores de salud comunitarios.

Un equipo de más de 60 trabajadores de campo capacitados en AHRI ayudó primero a construir una biblioteca de más de 11,000 imágenes de pruebas de VIH tomadas en diversas condiciones en el campo en KwaZulu-Natal, Sudáfrica, utilizando una herramienta de salud móvil y un protocolo de captura de imágenes desarrollado por UCL.

Luego, el equipo de UCL utilizó estas imágenes como datos de entrenamiento para su algoritmo de aprendizaje automático. Compararon la precisión con la que el algoritmo clasificaba las imágenes como negativas o positivas frente a los usuarios que interpretaban los resultados de las pruebas a simple vista.

La autora principal y directora de i-sense Professor Rachel McKendry (UCL London Centre for Nanotechnology y UCL Division of Medicine) dijo: “Este estudio es una asociación realmente sólida con AHRI que demuestra el poder de utilizar el aprendizaje profundo para clasificar con éxito el ‘mundo real ‘imágenes de pruebas rápidas adquiridas en el campo y reducir la cantidad de errores que pueden ocurrir al leer los resultados de las pruebas a ojo. Esta investigación muestra el impacto positivo que las herramientas de salud móviles pueden tener en los países de ingresos bajos y medianos, y allana el camino para un estudio más amplio en el futuro “.

En un estudio de campo piloto de cinco usuarios de diversa experiencia (que van desde enfermeras hasta trabajadores de salud comunitarios recién capacitados), participaron en el uso de la aplicación móvil para registrar su interpretación de 40 resultados de pruebas de VIH, así como para capturar una imagen de las pruebas para leerlas automáticamente. por el clasificador de aprendizaje automático. Todos los participantes pudieron usar la aplicación sin capacitación.

El clasificador de aprendizaje automático pudo reducir los errores en la lectura de las PDR, clasificando correctamente las imágenes de las PDR con una precisión del 98,9% en general, en comparación con la interpretación tradicional de las pruebas a simple vista (92,1%).

Un estudio anterior de usuarios de diversa experiencia en la interpretación de las PDR del VIH mostró que la precisión variaba entre el 80% y el 97%.

Otras enfermedades que las PDR podrían apoyar son la malaria, la sífilis, la tuberculosis, la influenza y las enfermedades no transmisibles.

El primer autor, el Dr. Valérian Turbé (Centro de Nanotecnología de Londres de la UCL) e investigador de i-sense del grupo McKendry, dijo: “Después de pasar algún tiempo en KwaZulu-Natal con los trabajadores de campo organizando la recopilación de datos, he visto lo difícil que es para las personas para acceder a los servicios básicos de atención médica. Si estas herramientas pueden ayudar a capacitar a las personas para interpretar las imágenes, puede marcar una gran diferencia en la detección del VIH en una etapa muy temprana, lo que significa un mejor acceso a la atención médica o evitar un diagnóstico incorrecto. Esto podría tener enormes implicaciones en las personas vidas, especialmente porque el VIH es transmisible “.

El equipo ahora planea un estudio de evaluación más amplio para evaluar el desempeño del sistema, con usuarios de diferentes edades, género y niveles de alfabetización digital.

También se ha diseñado un sistema digital para conectarse a los sistemas de gestión de laboratorio y atención médica, donde la implementación y el suministro de RDT se pueden monitorear y administrar mejor.

Los ensayos que hemos realizado en el área han encontrado que la autoprueba del VIH es eficaz para llegar a un gran número de adolescentes y hombres jóvenes. Sin embargo, la autoprueba del VIH ha tenido menos éxito en vincular a las personas con la prevención y el tratamiento biomédicos. Un sistema digital que conecta el resultado de una prueba y la persona con la atención médica, incluido el vínculo con la terapia antirretroviral y la profilaxis previa a la exposición, tiene el potencial de descentralizar la prevención del VIH y cumplir los objetivos de ONUSIDA de eliminar el VIH “.

Profesora Maryam Shahmanesh, Líder de la facultad de investigación clínica de AHRI, Instituto de Salud Global de la UCL

El Dr. Kobus Herbst, líder de la Facultad de Ciencias de la Población de AHRI, agregó: “Este estudio muestra cómo los enfoques de aprendizaje automático pueden beneficiarse de conjuntos de datos grandes y diversos disponibles en el Sur global, pero al mismo tiempo responder a las prioridades y necesidades de salud locales”.

Los investigadores también sugieren que la presentación de informes en tiempo real de los resultados de la RDT a través de un dispositivo conectado podría ayudar en la capacitación de la fuerza laboral y la gestión de brotes, por ejemplo, al resaltar los “puntos críticos” donde los números positivos de las pruebas son altos. Actualmente están ampliando el enfoque a otras infecciones, incluida la COVID-19 y las enfermedades no transmisibles.

El exdirector de AHRI, el profesor Deenan Pillay (Infección e inmunidad de UCL), dijo: “A medida que la investigación en salud digital avanza hacia la corriente principal, sigue habiendo preocupaciones serias de que las poblaciones más necesitadas en todo el mundo no se beneficiarán tanto como las que viven en entornos de altos ingresos. Nuestro trabajo demuestra cómo, con las asociaciones y el compromiso adecuados, podemos demostrar utilidad y beneficio para quienes viven en entornos de ingresos bajos y medios “.

Fuente:

Referencia de la revista:

Turbé, V., et al. (2021) Aprendizaje profundo de las pruebas rápidas de campo del VIH. Medicina de la naturaleza. doi.org/10.1038/s41591-021-01384-9.

.



Source link