Bbabo NET

Vetenskap & Teknik Nyheter

Ny AI-driven smartphone-app diagnostiserar öroninfektioner korrekt

En ny mobilapp utvecklad av läkare och forskare vid University of Pittsburgh Medical Center som använder artificiell intelligens (AI) för att exakt diagnostisera öroninfektioner, eller akut otitis media (AOM), kan hjälpa till att minska onödig antibiotikaanvändning hos små barn, säger en rapport, ny studie publicerad idag i JAMA Pediatrics.

AOM är en av de vanligaste barninfektioner som antibiotika skrivs ut för, men utan intensiv läkarutbildning kan det vara svårt att skilja den från andra öronsjukdomar. Ett nytt verktyg för artificiell intelligens som ställer diagnoser genom att bedöma en kort video av trumhinnan i örat fångad av ett otoskop kopplat till en mobiltelefonkamera erbjuder en enkel och effektiv lösning som kan vara mer exakt än utbildade läkares åsikter.

"Akut otitis media är ofta feldiagnostiserat", säger senior studieförfattare Alejandro Hoberman, MD, professor i pediatrik, chef för allmän akademisk pediatrik vid Pitt School of Medicine och ordförande för UPMC Children's Community Pediatrics. "Underdiagnostik leder till olämplig behandling och överdiagnostik leder till onödig antibiotikabehandling, vilket kan minska effektiviteten hos tillgängliga antibiotika. Vårt verktyg hjälper till att ställa rätt diagnos och ordinera rätt behandling."

Cirka 70 procent av barnen får en öroninfektion före sin första födelsedag, sa Hoberman. Även om detta tillstånd är vanligt, kräver noggrann diagnos av NDU ett erfaret öga som kan upptäcka subtila visuella ledtrådar som erhålls från en snabb undersökning av trumhinnan hos ett slingrande barn. AOM förväxlas ofta med otitis media med effusion, eller vätska bakom örat, ett tillstånd som vanligtvis inte är förknippat med bakterier och inte svarar på antimikrobiell behandling.

För att utveckla ett praktiskt verktyg för att förbättra noggrannheten i AOM-diagnos började Hoberman och hans team med att skapa och kommentera ett träningsbibliotek med 1 151 trumhinnorfilmer från 635 barn som besökte UPMC pediatriska polikliniker mellan 2018 och 2023. Två experter med lång erfarenhet inom området AOM-forskning granskade videorna och ställde diagnosen AOM eller icke-AOM.

Forskarna använde 921 videor från ett träningsbibliotek för att träna två olika artificiell intelligensmodeller för att upptäcka NDU genom att uppmärksamma egenskaper hos trumhinnan, inklusive form, position, färg och transparens. De använde sedan de återstående 230 filmerna för att testa hur modellerna presterade.

Båda modellerna var mycket exakta, med sensitivitet och specificitet som översteg 93 %, vilket indikerar låga frekvenser av falska negativa och falska positiva. Enligt Hoberman, i tidigare studier av kliniker, varierade noggrannheten för att diagnostisera AOM från 30 till 84 %, beroende på typen av anläggning, utbildningsnivå och ålder på de undersökta barnen.

"Dessa data tyder på att vårt verktyg är mer exakt än många läkares åsikter", säger Hoberman. "Det kan vara en "game changer" i primärvården, som hjälper läkare att korrekt diagnostisera AOM och fatta behandlingsbeslut."

Ny AI-driven smartphone-app diagnostiserar öroninfektioner korrekt