Machine learning effectief in diagnose PsA

Digitale tools en machine learning-modellen kunnen psoriasis en psoriatische artritis (PsA) op afstand nauwkeurig meten en leveren betrouwbare resultaten die vergelijkbaar zijn met die van artsen. Dat blijkt uit een studie gepubliceerd door een groot Amerikaans consortium. De studie had als doel digitale tools en machine learning-modellen voor het op afstand meten van psoriasis en PsA te valideren.

In totaal werden 104 deelnemers gerekruteerd, waarvan 79 PsA hadden, 16 psoriasis en 9 gezonde controles. De deelnemers waren gemiddeld 42,3 jaar oud en 49% was vrouw. Het onderzoek vergeleek de nauwkeurigheid en overeenstemming van digitale metingen en beeldgebaseerde machine learning-modellen met klinische metingen door getrainde reumatologen en dermatologen.

Digitale metingen van het percentage aangetast huidoppervlak (BSA) bij psoriasis kwamen zeer sterk overeen met de metingen van artsen, met een concordantiegraad van 0,94 (95% CI 0,91-0,96). Voor erytheem was de concordantiegraad 0,72 (95% CI 0,59-0,85), voor induratie eveneens hoog, en voor schilfering 0,60 (95% CI 0,48-0,72). De machine learning-modellen herkenden nagelpsoriasis op door patiënten zelf gemaakte foto's met een nauwkeurigheid van 0,76.

Een test waarbij patiënten een digitale potopener (Digital Jar Open-assessment) gebruikten om aantasting van de bovenste ledematen te meten, liet een nauwkeurigheid van 0,68 zien (95% CI 0,47-0,85). De onderzoekers stellen dat verdere validatie in grotere studies nodig is voordat de tools in de evidence-based geneeskunde of klinisch onderzoek gebruikt kunnen worden. De software en analysemethoden van de Psorcast-suite zijn open source en gratis beschikbaar.