Melindungi Kesehatan Ibu di Rwanda | Berita MIT


Dunia sedang menghadapi krisis kesehatan ibu. Menurut Organisasi Kesehatan Dunia, sekitar 810 wanita meninggal setiap hari dari penyebab yang dapat dicegah terkait dengan kehamilan dan persalinan. Dua pertiga dari kematian ini terjadi di sub-Sahara Afrika. Di Rwanda, luka sesar yang terinfeksi merupakan penyebab utama kematian ibu.

Sebuah tim multidisiplin yang terdiri dari dokter dan peneliti dari MIT, Harvard University dan Partners in Health (PIH) di Rwanda telah mengusulkan solusi untuk masalah ini. Mereka telah mengembangkan platform kesehatan seluler (mHealth) yang menggunakan kecerdasan buatan dan visi komputer waktu nyata untuk memprediksi infeksi pada luka sesar dengan akurasi sekitar 90 persen.

“Deteksi dini infeksi merupakan masalah penting di seluruh dunia, tetapi di daerah miskin sumber daya seperti pedesaan Rwanda masalahnya bahkan lebih buruk karena kurangnya dokter terlatih dan tingginya prevalensi infeksi bakteri yang resisten terhadap antibiotik,” kata Richard Ribon Fletcher ’89, SM ’97, PhD ’02, ilmuwan peneliti di bidang teknik mesin di MIT dan pemimpin teknologi tim. “Ide kami adalah menggunakan ponsel yang dapat digunakan oleh petugas kesehatan masyarakat untuk mengunjungi ibu muda di rumah mereka dan memeriksa luka mereka untuk memeriksa infeksi.”

Musim panas ini, tim yang dipimpin oleh profesor Harvard Medical School Bethany Hedt-Gauthier, diakui dengan penghargaan tempat pertama senilai $500.000 dalam Tantangan Akselerator Teknologi NIH untuk Kesehatan Ibu.

“Kehidupan wanita yang melahirkan melalui operasi caesar di negara berkembang dipengaruhi oleh terbatasnya akses ke operasi berkualitas dan perawatan pascapersalinan,” tambah Fredrick Kateera, anggota tim di PIH. “Penggunaan teknologi kesehatan seluler untuk mendeteksi dini dan secara akurat mendiagnosis pasien dengan infeksi luka pasca operasi di komunitas ini akan menjadi pengubah permainan yang terukur dalam mengoptimalkan kesehatan wanita.”

Algoritme pelatihan untuk mendeteksi infeksi

Asal-usul proyek adalah hasil dari beberapa pertemuan kebetulan. Pada tahun 2017, Fletcher dan Hedt-Gauthier bertemu selama pertemuan penyelidik NIH di Washington Metro. Hedt-Gauthier, yang saat itu telah mengerjakan proyek penelitian di Rwanda selama lima tahun, sedang mencari solusi untuk kesenjangan dalam persalinan sesar yang dia dan rekan-rekannya temui dalam penelitian mereka. Secara khusus, ia tertarik untuk meneliti penggunaan kamera ponsel sebagai alat diagnostik.

Also Read :  Biaya hidup Australia: Warga Australia yang bergulat dengan krisis keuangan menyusul COVID-19 sebagai penyebab utama stres

Fletcher, yang memimpin sekelompok mahasiswa di lab AutoID Profesor Sanjay Sarma dan telah menghabiskan puluhan tahun menerapkan ponsel, algoritme pembelajaran mesin, dan teknologi seluler lainnya untuk kesehatan global, sangat cocok untuk proyek tersebut.

“Ketika kami menyadari bahwa jenis algoritma berbasis gambar ini dapat membantu dalam perawatan di rumah wanita setelah operasi caesar, kami menghubungi Dr. Fletcher sebagai mitra karena ia memiliki pengalaman luas dalam mengembangkan teknologi mHealth di lingkungan berpenghasilan rendah dan menengah. “, kata Hedt-Gauthier.

Untungnya, dalam perjalanan yang sama, Hedt-Gauthier duduk di sebelah Audace Nakeshimana ’20, yang merupakan mahasiswa baru MIT dari Rwanda dan kemudian bergabung dengan tim Fletcher di MIT. Dengan bimbingan Fletcher, Nakeshimana mendirikan Insightiv, perusahaan rintisan Rwanda yang menerapkan algoritme AI untuk menganalisis gambar klinis, di tahun seniornya dan merupakan penerima hibah teratas kompetisi MIT IDEAS tahunan pada tahun 2020.

Langkah pertama proyek ini adalah menyusun database gambar luka yang diambil oleh petugas kesehatan di pedesaan Rwanda. Mereka mengumpulkan lebih dari 1.000 gambar luka yang terinfeksi dan tidak terinfeksi dan kemudian melatih algoritma dengan data tersebut.

Dengan kumpulan data pertama ini, yang dikumpulkan antara 2018 dan 2019, muncul masalah utama. Banyak dari foto-foto itu berkualitas buruk.

“Kualitas gambar luka yang dikumpulkan oleh petugas kesehatan sangat bervariasi dan membutuhkan banyak pekerjaan manual untuk memotong dan menghitung ulang gambar. Karena gambar-gambar ini digunakan untuk melatih model pembelajaran mesin, kualitas dan variabilitas gambar pada dasarnya membatasi kinerja algoritme,” kata Fletcher.

Untuk mengatasi masalah ini, Fletcher beralih ke alat yang telah dia gunakan di proyek sebelumnya: visi komputer waktu nyata dan augmented reality.

Meningkatkan kualitas gambar melalui pemrosesan gambar waktu nyata

Untuk mendorong petugas kesehatan masyarakat mengambil gambar berkualitas lebih tinggi, Fletcher dan tim mendesain ulang aplikasi seluler pemeriksaan luka dan memasangkannya dengan bingkai kertas sederhana. Bingkai menyertakan pola warna kalibrasi tercetak dan pola optik lain yang memandu perangkat lunak visi komputer aplikasi.

Also Read :  Aset berisiko hancur dengan sedikit tanda Drama telah berakhir: pasar membungkus

Petugas kesehatan diinstruksikan untuk menempatkan bingkai di atas luka dan membuka aplikasi, yang memberikan umpan balik waktu nyata tentang penempatan kamera. Augmented Reality digunakan oleh aplikasi untuk menampilkan tanda centang hijau saat ponsel berada dalam jangkauan. Begitu berada dalam jangkauan, bagian lain dari perangkat lunak visi komputer secara otomatis menyeimbangkan warna, memotong gambar, dan menerapkan transformasi untuk mengoreksi paralaks.

“Dengan menggunakan visi komputer waktu-nyata pada saat pengumpulan data, kami dapat menghasilkan gambar yang indah, bersih, dengan keseimbangan warna yang seragam yang kemudian dapat digunakan untuk melatih model pembelajaran mesin kami tanpa perlu pembersihan data manual atau pasca- pemrosesan sedang diproses,” kata Fletcher.

Menggunakan model pembelajaran mesin Convolutional Neural Net (CNN) dan metode yang disebut transfer learning, perangkat lunak ini berhasil memprediksi infeksi pada luka sesar dalam 10 hari setelah melahirkan dengan akurasi sekitar 90 persen. Wanita yang diperkirakan terinfeksi melalui aplikasi kemudian dirujuk ke klinik tempat mereka dapat menerima tes bakteri diagnostik dan diberi resep antibiotik yang menyelamatkan jiwa jika diperlukan.

Aplikasi ini telah diterima dengan baik oleh wanita dan petugas kesehatan di Rwanda.

“Kepercayaan yang diberikan wanita kepada petugas kesehatan komunitas, yang telah menjadi promotor besar aplikasi, menyebabkan diterimanya alat mHealth oleh wanita di daerah pedesaan,” tambah Anne Niyigena dari PIH.

Menggunakan pencitraan termal untuk menghilangkan bias algoritmik

Salah satu rintangan terbesar dalam menskalakan teknologi berbasis AI ini ke audiens yang lebih global adalah bias algoritmik. Ketika dilatih pada populasi yang relatif homogen seperti pedesaan Rwanda, algoritme bekerja seperti yang diharapkan dan berhasil memprediksi infeksi. Tetapi ketika gambar pasien dengan warna kulit berbeda diperkenalkan, algoritmanya kurang efektif.

Untuk mengatasi masalah ini, Fletcher menggunakan pencitraan termal. Modul kamera pencitraan termal sederhana yang dirancang untuk dipasang ke telepon seluler berharga sekitar $200 dan dapat digunakan untuk menangkap gambar luka inframerah. Algoritma kemudian dapat dilatih menggunakan pola termal dari gambar luka inframerah untuk memprediksi infeksi. Sebuah studi yang diterbitkan tahun lalu menunjukkan akurasi prediksi lebih dari 90 persen ketika gambar termal ini dipasangkan dengan algoritme CNN aplikasi.

Also Read :  AI algorithm may help lung cancer radiation therapy

Meskipun lebih mahal daripada sekadar menggunakan kamera ponsel, pendekatan pencitraan termal dapat digunakan untuk menskalakan teknologi mHealth tim ke populasi global yang lebih beragam.

“Kami memberikan dua pilihan kepada petugas kesehatan: Dalam populasi homogen seperti pedesaan Rwanda, mereka dapat menggunakan kamera ponsel standar mereka menggunakan model yang dilatih dengan data populasi lokal. Jika tidak, mereka dapat menggunakan model yang lebih umum yang memerlukan dudukan kamera termal,” kata Fletcher.

Sementara generasi aplikasi seluler saat ini menggunakan algoritme berbasis cloud untuk menjalankan model prediksi infeksi, tim sekarang sedang mengerjakan aplikasi seluler mandiri yang tidak memerlukan akses internet dan juga memperhitungkan semua aspek kesehatan ibu. dari kehamilan sampai setelah lahir.

Selain mengembangkan perpustakaan gambar luka yang digunakan dalam algoritme, Fletcher bekerja sama dengan mantan siswa Nakeshimana dan timnya di Insightiv untuk mengembangkan aplikasi, menggunakan ponsel Android yang dibuat secara lokal di Rwanda. PIH kemudian akan melakukan pengujian pengguna dan validasi berbasis lapangan di Rwanda.

Dalam pengembangan aplikasi kesehatan ibu yang komprehensif, privasi dan perlindungan data menjadi prioritas utama.

“Saat alat ini dikembangkan dan disempurnakan, perhatian yang lebih besar harus diberikan pada privasi pasien. Lebih banyak detail keamanan data harus dimasukkan sehingga alat ini mengisi celah yang ingin dijembatani dan memaksimalkan kepercayaan pengguna, yang pada akhirnya akan mendukung penerapannya pada skala yang lebih besar,” kata Niyigena.

Tim pemenang penghargaan meliputi: Bethany Hedt-Gauthier dari Harvard Medical School; Richard Fletcher dari MIT; Robert Riviallo dari Brigham and Women’s Hospital; Adeline Boatin dari Rumah Sakit Umum Massachusetts; Anne Niyigena, Frederick Kateera, Laban Bikorimana dan Vincent Cubaka dari PIH di Rwanda; dan Audace Nakeshimana ’20, pendiri Insightiv.ai.



Source link