"False"
Hoppa direkt till innehållet

Studenter som inte bytt lösenord sedan 7 maj kan inte logga in på studentwebben. Läs hur du byter lösenord.

printicon
Huvudmenyn dold.

eHEar

Kan diagnostik av öronsjukdom förbättras och tillgängliggöras med digital teknik och artificiell intelligens?

Forskningsprojekt Behovet av prevention och upptäckt av öronsjukdom och hörselnedsättning är stort, men i många delar av världen är tillgången till läkare och diagnostik bristfällig. Noggrannheten i diagnostiken behöver förbättras. Tidig och träffsäker upptäckt är essentiell för att förebyggande åtgärder och rätt behandling ska kunna sättas in. Syftet med projektet är att utveckla och utvärdera nya metoder för tidig, lättillgänglig och mer träffsäker bedömning av öronsjukdom och hörselnedsättning.

...

Projektansvarig

Thorbjörn Lundberg
Universitetslektor, specialistutbildad läkare
E-post
E-post
Telefon
090-786 66 20

Projektöversikt

Projektperiod:

2020-01-01 2025-12-31

Medverkande institutioner och enheter vid Umeå universitet

Institutionen för diagnostik och intervention, Institutionen för folkhälsa och klinisk medicin, Institutionen för klinisk vetenskap

Forskningsområde

Klinisk medicin, Medicinsk teknik

Externa finansiärer

Vetenskapsrådet, Region Västerbotten, Medtech4Health

Projektbeskrivning

PROJEKTBESKRIVNING

I projektet utvecklas, testas och utvärderas en nyutvecklad mobilbaserad smartphone-applikation för bedömning av öroninflammation (otitis media).

Projektet har fyra faser:

A. Utreda diagnostisk träffsäkerhet av öroninflammation i primärvård med en systematisk översikt samt med enkäter – vad är utgångsläget?

B. Utveckla och testa ny smartphonebaserad teknik med artificiell intelligens – kan vi ta fram en tillförlitlig teknisk lösning?

C. Utvärdera tekniken i klinisk miljö och se om den kan förbättra diagnostiken jämfört med vanlig klinik – kan vår teknik användas i primärvård och kan den förbättra träffsäkerheten?

D. Undersöka förtroendet för och uppfattning om artificiell intelligens i klinisk verksamhet – vågar kliniskt verksamma och patienter lita på bedömningar gjorda med artificiell intelligens och kan de se något värde i att använda den?

Öroninflammation i mellanörat och i hörselgången är vanliga problem inom primärvården och barnhälsovården. Akut mellanöreinflammation (akut otitis media - AOM) är en av de vanligaste infektionerna hos barn och som orsakar en betydande global belastning för vården. Öroninflammation diagnostiseras oftast inom primärvården men det kan vara svårt att få träffsäkra bedömningar, det anges att cirka en tredjedel av bedömningarna är felaktiga. Tillgången till läkare som kan göra bedömningar är i många delar av värden mycket bristfällig.

För att diagnostisera öroninflammation används vanligtvis ett otoskop för att inspektera hörselgången och trumhinnan. Trumhinnans utseende och indirekt även mellanörat bedöms med otoskopet. Det svåra kan vara att bedöma om det finns vätska bakom trumhinnan, vilket är avgörande för en säker diagnos och korrekt vidare behandling. Diagnostisk osäkerhet kan leda till överdiagnostik av AOM (30–50 %). Detta leder till överanvändning av antibiotika med risk för ökad antibiotikaresistens samt att de som felaktigt får diagnosen normalt öra går miste om en behandling de skulle behöva.

 

Fotografering eller filmning av trumhinnan med videootoskopi kan användas för att öka tillgänglighet till diagnos av AOM och för att i viss mån förbättra diagnostisk noggrannhet.

Vätska i mellanörat är ett tecken på inflammation i mellanörat, men är svårt att bedöma enbart på bilder. Bedömning av vätska kan göras med en tillsats till otoskopet där lufttrycket i hörselgången varieras så att trumhinnan rör sig, så kallad pneumatisk otoskopi. Om trumhinnan inte rör sig kan det vara ett tecken på vätska i mellanörat. En annan teknik för att bedöma vätska i mellanörat är att skicka in ljudsignaler mot trumhinnan och mäta ekon som studsar mot trumhinnan. Tympanometri är en sådan teknik, men är tämligen kostsam och outnyttjad. Ett enklare och billigare alternativ är akustisk reflektometri.

För att öka noggrannheten vid bedömning av öroninflammation skulle artificiell intelligens kunna användas. Neurala nätverk, som är en typ av artificiell intelligens, har visat sig användbar vid bedömning av bilder och det finns en stor potential i att analysera trumhinnebilder med hög noggrannhet. Artificiell intelligens och neurala nätverk har krävt avancerade datorer, men på senare tid har moderna smartphones utvecklats med snabba processorer och de skulle kunna användas i kombination med neurala nätverk.

Det övergripande syftet med detta tvärvetenskapliga projekt är att förbättra tillgången till och noggrannheten för diagnos av öroninflammation genom att använda smartphone-teknik med inbäddad artificiell intelligens. Med vår egenutvecklade applikation anpassad både för iOS och Android, kan ett enkelt digitalt otoskop kopplas till smartphonen och bilder av trumhinnan lagras. Uppgifter om patientens symtom registreras i applikationen tillsammans med bilderna. För bedömning av vätska i mellanörat använder vi smartphonens högtalare och mikrofon för en enkel akustisk reflektometri. Nätverket gör därefter en bedömning baserat på alla dessa uppgifter. För att jämföra med dagens kliniska arbete och utvärdera systemets användbarhet kommer vi att genomföra studier i klinisk miljö i ett nationellt samarbete. Den diagnostiska noggrannheten i vårt nätverk jämförs med allmänläkares egna kliniska bedömningar. En ”sann” diagnos (referens) ställer en expertpanel bestående av öronläkare och allmänläkare genom att bedöma all insamlad information.

Vår hypotes är att kombinationen av bilder, symtom och ljud som analyseras av ett smartphonebaserat neuralt nätverk kommer att förbättra den diagnostiska noggrannheten för öroninflammation.

För att få kunskap om utgångsläget genomför vi en systematisk översikt av diagnostisk träffsäkerhet för öroninflammation i primärvården. Vi genomför även en undersökning av allmänläkares diagnostiska träffsäkerhet i enkätform. För att förstå hur vårt diagnostiska system baserat på artificiell intelligens skulle kunna accepteras i klinisk verksamhet behöver vi ta reda på användares och patienters förväntan, föreställning och farhågor kring artificiell intelligens. Detta gör vi med enkät- och intervjustudier.

Externa finansiärer

Senast uppdaterad: 2024-04-23