Η διάγνωση του μελανώματος είναι δύσκολη για πολλούς ιατρούς, καθώς ο όγκος του δέρματος είναι σχετικά σπάνιος και μερικές φορές το μελάνωμα αυτό είναι δύσκολο να διακρίνεται από έναν σπίλο. Το αποτέλεσμα είναι ένας μεγάλος αριθμός περιττών παραπομπών σε ειδικούς.
Η τεχνητή νοημοσύνη (ΤΝ) θα μπορούσε να αντικαταστήσει την έλλειψη εμπειρίας των γενικών ιατρών. Από την στιγμή που αρκετές προηγούμενες μελέτες έχουν ήδη δείξει ότι μια τεχνητή νοημοσύνη είναι σε θέση να αναγνωρίσει το μελάνωμα μετά από κάποιου είδους “εκπαίδευση”, ένας Σουηδός παρασκευαστής δοκίμασε για πρώτη φορά το προϊόν του σε γενικούς ιατρούς.
Στην περιοχή Östergötland, γιατροί από 37 ιατρεία συνέδεσαν το smartphone τους στο δερματοσκόπιο όταν δεν ήταν σίγουροι αν ένας ασθενής είχε μελάνωμα ή έναν ακίνδυνο σπίλο.
Το καλοκαίρι του 2022, 253 ύποπτες βλάβες σε 228 ασθενείς αναλύθηκαν από το λογισμικό του smartphone. Στη συνέχεια διενεργήθηκε βιοψία ή παραπομπή σε ειδικό σε κάθε περίπτωση.
Όπως αναφέρει η ομάδα με επικεφαλής τον Magnus Falk από το Πανεπιστήμιο Linköping, 21 βλάβες αποδείχθηκαν μελανώματα, εκ των οποίων έντεκα ήταν διηθητικά μελανώματα και δέκα προκαρκινικές μελανοκυτταρικές αλλοιώσεις (melanoma in situ). Το λογισμικό αναγνώρισε και τα 10 μελανώματα και 10 από τις 11 προκαρκινικές αλλοιώσεις.
Η ευαισθησία για τη διάγνωση του μελανώματος ήταν επομένως 100 %.
Καθώς ο αριθμός των σπίλων που θεωρούνταν μελάνωμα ήταν επίσης χαμηλός, η ειδικότητα ήταν 92,6 %. Στην καμπύλη AUROC (“area under the receiver operating characteristic”), η οποία συνδυάζει την ευαισθησία και την ειδικότητα, επιτεύχθηκε τιμή 0,988 με διάστημα εμπιστοσύνης 95 % από 0,965 έως 0,997, η οποία είναι πολύ κοντά στην ιδανική τιμή 1,0.
Όταν συμπεριλήφθηκε το in situ μελάνωμα, η ευαισθησία μειώθηκε σε 95,2 % και η ειδικότητα σε 84,5 % με AUROC 0,960 (0,928-0,980).
Ένας άλλος δείκτης ποιότητας είναι ο “αριθμός που απαιτείται για τη διερεύνηση” (NNI).
Πρόκειται για τον αριθμό των βλαβών που έπρεπε να επιθεωρήσει ο ειδικός προκειμένου να ανιχνεύσει ένα μελάνωμα.
Η εφαρμογή smartphone μείωσε τον NNI από 5,5 σε 2,8. Τελικά, αυτό σημαίνει ότι η εφαρμογή θα μπορούσε να εξοικονομήσει πόρους για το σύστημα υγειονομικής περίθαλψης αλλά και χρόνο για τον ασθενή όπως και κάποιες βιοψίες.
