Da Orsina Fiorentini 
In un recente studio pubblicato su JAMA PediatriaI ricercatori hanno sviluppato e convalidato un classificatore automatizzato per la diagnosi dell'otite media acuta (AOM) nei bambini.
Soggiorno: Sviluppo e validazione di un classificatore automatizzato per la diagnosi dell'otite media acuta nei bambini. Credito immagine: Image Point Fr/Shutterstock.com
sfondo
L'OMA è la seconda malattia più comune tra i bambini negli Stati Uniti (USA). Nonostante l’elevata prevalenza, l’accuratezza diagnostica dell’OMA è sempre stata ≥75%.
I metodi per migliorare la precisione e facilitare la diagnosi si sono evoluti nel corso degli anni. I recenti sforzi per migliorare l’accuratezza diagnostica si sono concentrati sull’intelligenza artificiale (AI).
Diversi studi hanno sfruttato il deep learning per addestrare le reti neurali a rilevare OMA e altre condizioni correlate all’orecchio, anche se con applicazioni cliniche limitate.
A proposito dello studio
In questo studio, i ricercatori hanno sviluppato e convalidato uno strumento di supporto decisionale basato sull’intelligenza artificiale per interpretare i video della membrana timpanica (TM) e migliorare la diagnosi di OMA.
Innanzitutto, un'applicazione mobile o un'applicazione di livello medico è progettata per acquisire video di Meditazione Trascendentale; Gli utenti possono regolare la luminosità e la messa a fuoco per catturare la foto migliore. L'app è inclusa anche con il software di riconoscimento vocale per abilitare i controlli tramite comandi vocali.
Come funzionalità opzionale, gli utenti possono registrare le proprie impressioni (della TM) e la diagnosi presunta. Successivamente, è stata sviluppata una libreria di formazione utilizzando valutazioni endoscopiche di bambini che frequentavano visite di benessere o malattia. Il campionamento di convenienza è stato applicato a bambini selezionati.
Per catturare i video delle schede di memoria dei bambini è stato utilizzato un endoscopio o un otoscopio collegato a uno smartphone. Due specialisti di otoscopia hanno esaminato i video e hanno assegnato la diagnosi.
Il team ha condotto un sondaggio tra i genitori dei bambini sottoposti a screening utilizzando il classificatore AI.
Una rete neurale ricorrente profonda (DR) (RNN) è stata addestrata utilizzando video di Meditazione Trascendentale come input e diagnosi personalizzate da parte di esperti come riferimento. L'output del modello erano le caratteristiche TM e la diagnosi AOM. Circa l'80% dei video è stato utilizzato per la formazione e il 20% per i test.
Il modello DR-RNN ha generato la probabilità di OMA per ciascun video e l'OMA è stata diagnosticata se la probabilità era ≥ 50%. L'indice di Youden, ovvero la differenza tra tassi di veri e falsi positivi, è stato stimato a diverse soglie di probabilità per convalidare la scelta della soglia.
Inoltre, è stato sviluppato un modello di albero decisionale (DT) come alternativa per esaminare se i risultati sarebbero stati diversi; Ciò ha utilizzato le caratteristiche TM previste del modello DR-RNN.
Il team ha confrontato diversi metodi di estrazione dei fotogrammi: massimizzazione della diversità, minimizzazione del rumore, massimizzazione della nitidezza, campionamento a larghezza uguale e massimizzazione della varianza.
Inoltre, è stato addestrato e testato un classificatore della qualità delle immagini per avvisare gli utenti che i video catturati potrebbero non essere ottimali per scopi diagnostici.
I ricercatori hanno confrontato l’output generato da entrambi i modelli con la diagnosi assegnata dagli esperti e hanno calcolato la sensibilità, la specificità e i valori predittivi positivi e negativi.
La curva delle caratteristiche operative del ricevitore (ROC) del modello DR-RNN è stata generata tracciando veri e falsi positivi a diverse soglie di probabilità. Il ROC non è stato tracciato per il modello DT perché non era probit.
le scoperte
Complessivamente sono stati selezionati 1.151 video tra 635 bambini, la maggior parte dei quali aveva meno di tre anni. Gli esperti hanno designato 305 video come AOM e il resto come non AOM.
Sono stati ottenuti sessanta questionari da parte dei genitori; I risultati sono stati positivi, con l’80% dei genitori incoraggiati a riutilizzare il quaderno di esercizi nelle visite future.
La precisione dei modelli DT e DR-RNN era quasi identica. La sensibilità e la specificità del modello DR-RNN erano rispettivamente del 93,8% e del 93,5%.
I numeri corrispondenti per il modello DT erano rispettivamente 93,7% e 93,3%. Per il modello DR-RNN, l’area sotto il ROC era 0,973.
Massimizzare la diversità ha prodotto risultati più accurati per la selezione del fotogramma. Le clip più brevi di 2 s erano più difficili da classificare rispetto alle clip più lunghe. L'esclusione dei segmenti a bassa risoluzione non ha migliorato l'output del modello. Il tempo medio di previsione è stato di 4,6 secondi.
Il valore Youden massimo era 0,88 alla soglia del 42%, che equivale approssimativamente a (0,876) al 50%. Tra le caratteristiche della Meditazione Trascendentale generate dal modello, il gonfiore della Meditazione Trascendentale era quello più strettamente coerente con la diagnosi prevista.
Il gonfiore è stato rilevato in tutti i 230 casi previsti come OMA. La sensibilità e la specificità del filtro della qualità dell'immagine erano rispettivamente del 92,3% e del 78,3%.
Conclusioni
In breve, i ricercatori hanno creato un algoritmo di intelligenza artificiale per classificare i video di Meditazione Trascendentale in categorie AOM o non AOM. Il classificatore era più accurato di quello dei medici di base, dei pediatri e dei medici di pratica avanzata.
In quanto tale, può essere utilizzato per aiutare a prendere decisioni sul trattamento. Nel complesso, i risultati suggeriscono che uno strumento di supporto decisionale basato sull’intelligenza artificiale può migliorare l’accuratezza della diagnosi di OMA nei bambini.
Inoltre, i video della Meditazione Trascendentale possono essere utilizzati per migliorare l’esame endoscopico, le discussioni con colleghi o genitori e la documentazione nelle cartelle cliniche.