要点
问题一个人工智能的支持工具可以帮助患者更好的皮肤损害图像远程医疗使用?
发现在这个质量改进研究包括98名患者和357张图片,机器学习算法训练的回顾发现远程医疗图像识别低质量图像和质量差的原因。在临床试验研究中,患者使用机器学习算法减少了68%的数量与基线相比低质量图像。
意义本研究的结果表明,人工智能支持工具可以为远程医疗协助病人拍照使用和导致更高比例的有效质量提交照片。
重要性远程医疗使用加速COVID-19大流行期间,皮肤病是一个常见的用例。然而,许多图像质量不足的提交可能使临床的决心。
客观的确定一个人工智能(AI)决策支持工具,机器学习算法,可以提高图像的质量提交远程医疗的病人提供实时反馈和解释。
设计,设定和参与者这个质量改进研究与一个AI单组临床试验研究性能组件和组件是2020年3月至2021年10月进行的。训练后,人工智能决策支持工具进行了测试在357年回顾性收集远程医疗图像从斯坦福大学远程医疗从2020年3月到2021年6月。随后,单臂临床评估可行性试验研究与98名患者在斯坦福皮肤病学系2临床网站从2021年7月到2021年10月。在临床试验研究中,患者的入选标准包括成年人(年龄≥18年),呈现为皮肤病诊所,能够用智能手机拍摄自己的皮肤。
干预措施临床试验研究中,患者手持智能手机设备和机器学习算法接口加载并被要求采取任何病变的关心的图像。患者能够审查并夺回照片提交之前,所以每个提交照片见过病人的临床可接受性标准。一种机器学习算法,然后给病人反馈图像是否可以接受。如果图像被拒绝,病人被人工智能决策支持工具提供了一个理由,允许重新夺回照片。
主要结果和措施回顾图像分析的主要结果是接收方运营商曲线曲线下面积(ROC-AUC)。临床试验研究的主要结果是图像质量差异基准图像和图像通过人工智能决策支持。
结果的包括98名患者,平均为49.8(17.6)岁(SD),和50(51%)的患者是男性。在回顾远程医疗图像,机器学习算法有效地确定了低质量图像(ROC-AUC 0.78)和质量差的原因(模糊ROC-AUC 0.84;照明问题ROC-AUC 0.70)。在年龄和性别的性能是一致的。病人的临床试验研究,利用机器学习算法,提高图像质量。人工智能算法与患者低质量图像的数量减少了68.0%。
结论和意义在这个质量改进研究中,患者使用人工智能决策支持的机器学习算法与改进的皮肤病照片提交质量远程医疗使用。