Feasibility Study of a Smartphone Application for Detecting Skin Cancers in People With Albinism
Notice bibliographique
Résumé
PURPOSE: Albinism affects some facets of the eye's function and coloration, as well as hair and skin color. The prevalence of albinism is estimated to be one in 2,000-5,000 people in sub-Saharan Africa and one in 270 in Tanzania. People in Tanzania with albinism experience sociocultural and economic disparities. Because of stigma related to albinism, they present to hospitals with advanced disease, including skin cancers. Mobile health (mHealth) can help to bridge some of the gaps in detection and treatment of skin cancers affecting this population. METHODS: We assessed the feasibility of using a mobile application (app) for detection of skin cancers among people with albinism. The study was approved by the Ocean Road Cancer Institute institutional review board. Data, including pictures of the lesions, were collected using a mobile smartphone and submitted to expert reviewers. Expert reviewers' diagnosis options were benign, malignant, or unevaluable. RESULTS: A total of 77 lesions from different body locations of 69 participants were captured by the NgoziYangu mobile app. Sixty-two lesions (81%) were considered malignant via the app and referred for biopsy and histologic diagnosis. Of those referred, 55 lesions (89%) were biopsied, and 47 lesions (85%) were confirmed as skin malignancies, whereas eight (15%) were benign. CONCLUSION: With an increasing Internet coverage in Africa, there is potential for smartphone apps to improve health care delivery channels. It is important that mobile apps like NgoziYangu be explored to reduce diagnostic delay and improve the accuracy of detection of skin cancer, especially in stigmatized groups.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,008 | 0,029 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».