Avertissement : Cette page est une traduction automatique de cette page à l'origine en anglais. Veuillez noter puisque les traductions sont générées par des machines, pas tous les traduction sera parfaite. Ce site Web et ses pages Web sont destinés à être lus en anglais. Toute traduction de ce site et de ses pages Web peut être imprécis et inexacte, en tout ou en partie. Cette traduction est fournie dans une pratique.

Apprendre profond a pu transformer la capacité d'interpréter exactement des résultats de test de VIH

Le lancement de la technologie développée par UCL (centre d'enseignement supérieur Londres) et chercheurs d'institut de recherches de santé (AHRI) de l'Afrique pourrait transformer la capacité d'interpréter exactement des résultats de test de VIH, en particulier dans des pays de revenu inférieur et moyen.

Les universitaires de Londres centrent pour la nanotechnologie à UCL et à AHRI utilisés profondément apprenant (intelligence/AI artificiel) les algorithmes pour améliorer la capacité des professionnels de la santé de diagnostiquer le VIH utilisant les tests de flux transversaux en Afrique du Sud rurale.

Leurs découvertes, aujourd'hui publié en médicament de nature, concernent la première et plus grande étude des résultats de test inducteur-acquis de VIH, qui ont appliqué l'apprentissage automatique (AI) pour aider à les classifier comme positifs ou négatifs.

Plus de 100 millions d'essais de VIH sont réalisés autour du monde annuellement, la signification même d'une petite amélioration de quality assurance pourrait influencer les durées des millions de gens en réduisant le risque de faux positifs et de négatifs.

En armant le potentiel des détecteurs de téléphone portable, appareils-photo, puissance de traitement et capacités de partage des informations, l'équipe a développé un APP qui peut afficher des résultats de test d'une image prise par des utilisateurs finaux sur un périphérique mobile. Il peut également pouvoir enregistrer des résultats aux systèmes de santé publics pour une meilleure collecte des informations et des soins actuels.

Des tests de flux transversaux - ou les tests diagnostique rapides (RDTs) - ont été employés dans toute la pandémie COVID-19 et jouent un rôle majeur dans la lutte contre la maladie et l'examen critique.

Tandis qu'ils fournissent un rapide et la manière simple du contrôle en dehors de des réglages cliniques, y compris l'auto-contrôle, évaluation des résultats de test peut parfois être provocante pour les gens étendus.

l'Auto-contrôle se fonde sur des résultats d'auto-enregistrement de gens pour des buts cliniques de support et de contrôle. La preuve propose que quelques travailleurs sociaux de configuration puissent lutter pour interpréter RDTs à cause de l'achromatopsie ou du court-sightedness.

L'étude neuve examinée si une AI APP pourrait supporter des décisions de test du VIH prises par des fieldworkers, des infirmières et des professionnels de la santé de communauté.

Une équipe de plus de 60 travailleurs d'inducteur qualifiés à la construction d'abord aidée d'AHRI une bibliothèque de plus de 11.000 images de VIH vérifie des conditions variées rentrées dans le domaine dans Kwazulu Natal, Afrique du Sud, utilisant un protocole mobile d'outil et de capture d'images de santé développé par UCL.

L'équipe d'UCL a alors employé ces images comme caractéristiques de formation pour leur algorithme d'apprentissage automatique. Elles comparées comment exactement l'algorithme a classifié des images en tant que le négatif ou positif, contre des usagers interprétant des résultats de test par l'oeil.

L'auteur important et le directeur de professeur Rachel McKendry (centre de je-sens d'UCL Londres pour la nanotechnologie et la Division d'UCL du médicament) ont dit : « Cette étude est un partenariat réellement intense avec AHRI qui explique le pouvoir de l'emploi apprenant profondément à classifier avec succès des images rapides inducteur-acquises « du monde réel » de test, et réduit le nombre d'erreurs qui peuvent se produire en affichant des résultats de test par l'oeil. Cette recherche montre que le choc positif que les outils mobiles de santé peuvent avoir dans des pays de revenu inférieur et moyen, et prépare le terrain pour une plus grande étude à l'avenir. »

Une étude sur le terrain pilote de cinq usagers d'une expérience variable (s'échelonnant des infirmières aux professionnels de la santé neuf qualifiés de communauté) impliqués ils utilisant le APP mobile pour enregistrer leur évaluation de 40 résultats de test de VIH, ainsi que pour capter une illustration des tests à afficher automatiquement par le classificateur d'apprentissage automatique. Tous les participants pouvaient employer le APP sans formation.

Le classificateur d'apprentissage automatique pouvait ramener des erreurs dans RDTs de affichage, classifiant correctement des images de transformateur rotatif avec l'exactitude 98,9% en général, comparé à l'évaluation traditionnelle des tests par l'oeil (92,1%).

Une étude précédente des usagers d'une expérience variable d'interpréter le VIH RDTs a montré l'exactitude variée entre 80% et 97%.

D'autres maladies que RDTs pourrait supporter comprennent la malaria, le syphilis, la tuberculose, la grippe et les maladies non-transmissibles.

Le premier M. Valérian Turbé (centre d'auteur d'UCL Londres pour la nanotechnologie) et le chercheur de je-sens dans le groupe de McKendry ont dit : « Après avoir passé une certaine heure dans Kwazulu Natal avec des fieldworkers dispensant la collecte des données, j'ai vu à quel point elle difficile est pour que les gens atteignent des services de soins fondamentaux. Si ces outils peuvent aider à former des gens pour interpréter les images, vous pouvez effectuer une différence importante en trouvant très le VIH de stade précoce, en signifiant un meilleur accès à la santé ou en évitant un diagnostic erroné. Ceci pourrait avoir des implications massives des vies des gens, particulièrement car le VIH est transmissible. »

L'équipe planification maintenant une plus grande étude de bilan pour évaluer les performances du système, avec des usagers des âges, de genre et des niveaux différents d'instruction digitale.

Un système digital a été également conçu pour brancher aux systèmes de gestion de laboratoire et de santé, où le déploiement et l'offre de transformateur rotatif peuvent mieux être surveillés et managés.

Les essais que nous avons conduits dans l'endroit ont constaté que l'auto-contrôle de VIH est efficace en atteignant un grand nombre d'adolescents et de jeunes hommes. Cependant, l'auto-contrôle de VIH a été moins couronné de succès en joignant des gens à la prévention biomédicale et à la demande de règlement. Un système digital qui branche un résultat de test et la personne à la santé, y compris le lien à la prophylaxie de traitement antirétroviral et de pré-exposition, a le potentiel de décentraliser la prévention de VIH et de la livrer sur des objectifs d'UNAIDS pour éliminer le VIH. »

Professeur Maryam Shahmanesh, fil clinique de corps enseignant de recherches d'AHRI, institut d'UCL pour la santé globale

M. Kobus Herbst, fil de corps enseignant de la Science de la population d'AHRI, ajouté : « Cette étude montre comment les approches d'apprentissage automatique peuvent tirer bénéfice de grands et divers ensembles de données fournis par les sud globaux, mais soit en même temps sensible aux priorités et aux besoins locaux de santé. »

Les chercheurs proposent également que l'enregistrement en temps réel des résultats de transformateur rotatif par un périphérique connecté pourrait aider dans la formation de main-d'oeuvre et le management de manifestation, par exemple en mettant en valeur les « hotspots où les nombres positifs de test sont élevés. Ils étendent actuel l'approche à d'autres infections comprenant COVID-19, et la maladie non-transmissible.

Le directeur professeur Deenan Pillay de l'ancien AHRI (infection et immunité d'UCL), a dit : « Pendant que la recherche digitale de santé entre dans le courant principal, là restent des préoccupations que ces populations plus au besoin autour du monde ne bénéficieront pas autant que ceux dans des réglages de revenus élevés. Notre travail explique comment, avec des partenariats appropriés et l'engagement, nous pouvons expliquer l'installation et l'avantage pour ceux dans des réglages de revenu inférieur et moyen. »

Source:
Journal reference:

Turbé, V., et al. (2021) Deep learning of HIV field-based rapid tests. Nature Medicine. doi.org/10.1038/s41591-021-01384-9.