Cedera Ginjal Akut di antara orang Afrika-Amerika dengan Ciri dan Penyakit Sel Sabit

Artificial Intelligence Secara Akurat Mendeteksi Radiographic Sacroiliitis pada Axial Spondyloarthritis, Meningkatkan Diagnosis dan Penelitian


UNTUK DITERBITKAN SEGERA

Newswise – ATLANTA – Penelitian baru yang dipresentasikan di ACR Convergence, pertemuan tahunan American College of Rheumatology, menunjukkan bahwa model analisis berbasis kecerdasan buatan, yang disebut jaringan saraf tiruan, memungkinkan deteksi akurat dari sakroiliitis radiografik tertentu pada orang dengan spondyloarthritis aksial, sebuah kemajuan yang mungkin berguna untuk diagnosis di klinik dan klasifikasi pasien untuk dimasukkan dalam uji klinis (ABSTRACT # 2018).

Spondyloarthritis aksial (AxSpA) adalah jenis spondyloarthritis. Bentuk radang sendi ini biasanya menyerang tulang belakang dan panggul. Gejala utama pada kebanyakan pasien adalah nyeri punggung bawah. Banyak orang dengan spondyloarthritis aksial berkembang menjadi beberapa derajat fusi tulang belakang, yang dikenal sebagai spondilitis ankilosa. AxSpA mempengaruhi pria dan wanita, biasanya berkembang sebelum usia 30 tahun.

Jika dokter mencurigai AxSpA, mereka biasanya merekomendasikan radiografi konvensional, atau sinar-X, dari sendi sakroiliaka. Pencitraan resonansi magnetik (MRI) juga digunakan untuk menilai pasien dengan dugaan AxSpA. Peneliti memilih pasien untuk pendaftaran dalam uji klinis menggunakan kriteria klasifikasi untuk penyakit mereka. Pasien diklasifikasikan memiliki AxSpA radiografi atau non-radiografik berdasarkan tanda-tanda penyakit yang pasti pada pencitraan mereka yang dilihat oleh pembaca. Namun, keandalan penilaian sakroiliitis radiografi diketahui buruk. Pembaca ahli – berlawanan dengan evaluasi oleh ahli reumatologi atau radiologi lokal – biasanya memberikan hasil yang lebih dapat diandalkan, tetapi tidak tersedia di banyak lokasi.

Salah satu solusi yang diusulkan untuk masalah ini adalah menentukan apakah model berbasis kecerdasan buatan (AI) dapat digunakan untuk menganalisis radiografi untuk meningkatkan akurasi pembacaan ini sehingga dapat dibandingkan dengan pakar top. Penelitian ini bertujuan untuk mengembangkan dan memvalidasi model jaringan saraf tiruan yang menggunakan teknologi AI untuk mendeteksi sakroiliitis radiografi tertentu sebagai manifestasi dari AxSpA.

Sinar-X konvensional pada sendi sakroiliaka masih merupakan yang pertama dan terkadang satu-satunya prosedur pencitraan yang tersedia untuk mendiagnosis AxSpA di banyak bagian dunia, ”kata rekan penulis studi Profesor Denis Poddubnyy, Kepala Divisi Reumatologi di Charité Universitätsmedizin Berlin di Jerman .

“Penilaian sakroiliitis radiografi yang akurat relevan untuk membuat diagnosis yang benar. Dengan adanya sakroiliitis radiografi yang pasti pada pasien dengan gejala sugestif spondyloarthritis, tidak ada prosedur pencitraan lain yang biasanya diperlukan, dan pengobatan dapat segera dimulai. Ada atau tidak adanya sakroiliitis radiografi juga relevan untuk dimasukkan dalam banyak uji klinis pada spondyloarthritis. Kami melihat perbedaan besar antara penilaian lokal dan pusat sakroiliitis yang terkadang mencapai setengah dari kasus. ”

Untuk penelitian ini, para peneliti menggunakan radiografi konvensional dari sendi sakroiliaka dari dua kohort independen pasien dengan AxSpA, termasuk 1.669 radiografi yang digunakan untuk melatih dan memvalidasi jaringan saraf, dan 100 radiografi digunakan sebagai set data uji. Semua radiografi melalui pembacaan oleh manusia dan jaringan saraf tiruan. Pembaca menggunakan kriteria New York yang dimodifikasi untuk menentukan ada atau tidak adanya sakroiliitis radiografi yang pasti. Para peneliti kemudian menganalisis apakah pembaca manusia atau jaringan saraf tiruan setuju.

Jaringan saraf tiruan mencapai kinerja yang sangat baik dalam secara akurat mengenali sakroiliitis radiografi tertentu pada pasien ini, dengan tingkat sensitivitas dan spesifisitas yang tinggi, temuan penelitian menunjukkan. Model yang digerakkan oleh kecerdasan buatan ini dapat memungkinkan deteksi sakroiliitis yang akurat, membuatnya relevan untuk diagnosis pasien di klinik dan klasifikasi AxSpA saat memilih pasien untuk uji klinis.

“Saya pikir bahwa yang dikembangkan mungkin berguna baik dalam praktik klinis (sebagai alat pendukung keputusan) dan penelitian (klasifikasi pasien yang disertakan),” kata Dr. Poddubnyy. “Namun, ini baru langkah awal. Tantangan besar berikutnya adalah mengembangkan alat berbasis kecerdasan buatan untuk penilaian MRI sendi sakroiliaka. Ini akan sangat relevan untuk diagnosis dan diagnosis banding AxSpA pada tahap awal. “

###

Tentang Konvergensi ACR

ACR Convergence, pertemuan tahunan ACR, adalah tempat pertemuan reumatologi untuk berkolaborasi, merayakan, berkumpul, dan belajar. Bergabunglah dengan ACR untuk mendapatkan pengalaman menyeluruh yang dirancang untuk seluruh komunitas reumatologi. Konvergensi ACR bukan hanya pertemuan biasa – di sinilah inspirasi dan peluang bersatu untuk menciptakan pengalaman pendidikan yang tak tertandingi. Untuk informasi lebih lanjut tentang pertemuan tersebut, kunjungi https://www.rheumatology.org/Annual-Meeting, atau bergabunglah dalam percakapan di Twitter dengan mengikuti hashtag resmi (# ACR20).

Tentang American College of Rheumatology

American College of Rheumatology (ACR) adalah perkumpulan medis internasional yang mewakili lebih dari 7.700 ahli reumatologi dan ahli kesehatan reumatologi dengan misi untuk memberdayakan para profesional reumatologi agar unggul dalam spesialisasi mereka. Dalam melakukannya, ACR menawarkan pendidikan, penelitian, advokasi dan dukungan manajemen praktik untuk membantu anggotanya melanjutkan pekerjaan inovatif mereka dan memberikan perawatan pasien yang berkualitas. Ahli reumatologi adalah ahli dalam diagnosis, manajemen, dan pengobatan lebih dari 100 jenis radang sendi dan penyakit rematik.

ABSTRACT: Pengembangan dan Validasi Pendekatan Kecerdasan Buatan untuk Deteksi Radiografi Sakroiliitis

Latar Belakang / Tujuan:

Radiografi konvensional sendi sakroiliaka masih direkomendasikan sebagai metode pencitraan pertama jika diduga spondyloarthritis aksial (axSpA). Lebih lanjut, sakroiliitis radiografik dimasukkan – bersama dengan sakroiliitis pada pencitraan resonansi magnetik – dalam kriteria klasifikasi Assessment of Spondyloarthritis International Society (ASAS) untuk axSpA. Tergantung pada ada atau tidaknya sakroiliitis radiografik tertentu, axSpA dapat diklasifikasikan sebagai radiografik axSpA (r-axSpA, sinonim dengan ankylosing spondylitis) atau non-radiographic axSpA (nr-axSpA). Meskipun radiografi konvensional sendi sakroiliaka masih memainkan peran penting dalam praktik klinis dan uji klinis, keandalan penilaian sakroiliitis radiografi telah dilaporkan dalam sejumlah penelitian karena sebagian besar buruk, bahkan jika dilakukan oleh pembaca ahli. Lebih lanjut, ditunjukkan bahwa pembaca lokal yang tidak terlatih memiliki kinerja yang lebih buruk daripada pembaca ahli yang berspesialisasi dalam SpA. Salah satu solusi yang mungkin untuk mencapai akurasi tinggi yang sebanding sebagai ahli dalam mendeteksi sakroiliitis radiografi, bahkan di klinik yang tidak terspesialisasi, adalah pengembangan model berbasis kecerdasan buatan untuk analisis radiografi.

Tujuan dari penelitian ini adalah untuk mengembangkan dan memvalidasi jaringan saraf tiruan untuk mendeteksi sakroiliitis radiografi definitif sebagai manifestasi dari spondyloarthritis aksial.

Metode:

Radiografi konvensional sendi sakroiliaka dari dua kohort independen pasien dengan axSpA digunakan. Kohort pertama (PROOF) terdiri dari 1669 radiografi dan digunakan untuk pelatihan dan validasi jaringan saraf. Kelompok kedua terdiri dari 100 radiografi yang dipilih secara acak dari GESPIC, yang digunakan sebagai set data uji independen. Dalam kedua kelompok, semua radiograf menjalani pembacaan sentral; keputusan akhir tentang ada atau tidaknya sakroiliitis radiografi yang pasti menurut kriteria radiografi dari kriteria New York yang dimodifikasi digunakan sebagai referensi. Untuk evaluasi kinerja jaringan saraf, area di bawah kurva karakteristik operasi penerima (AUROC) dihitung. Sensitivitas dan spesifisitas untuk prediksi cut-off dihitung. Kappa Cohen dan kesepakatan absolut digunakan untuk menilai kesepakatan antara jaringan saraf dan pembaca manusia.

Hasil:

Jaringan saraf mencapai kinerja yang sangat baik dalam mengenali sakroiliitis radiografi pasti dengan AUROC 0,97 dan 0,96 untuk validasi dan set data pengujian, masing-masing (Gambar 1). Sensitivitas dan spesifisitas untuk pembobotan cut-off kedua pengukuran sama-sama adalah 0,90 dan 0,93 untuk validasi dan 0,87 dan 0,97 untuk set pengujian. Kappa Cohen antara jaringan saraf dan penilaian referensi adalah 0,80 untuk validasi dan set pengujian, dan kesepakatan absolut pada klasifikasi masing-masing menghasilkan 91% dan 90% (Tabel). Contoh peta aktivasi jaringan saraf disajikan pada Gambar 2.

Kesimpulan: Jaringan saraf tiruan memungkinkan deteksi akurat dari sakroiliitis radiografi tertentu yang relevan untuk diagnosis dan klasifikasi axSpA.


Diposting Oleh : https://totohk.co/

About the author