Enhancing Anemia Detection With Non-invasive Anemia Detection With AI (NiADA): Insights From Clinical Validations and Physician Observations
Notice bibliographique
Résumé
Background Anemia, a critical public health issue, affects nearly two billion people globally. Frequent monitoring of blood hemoglobin levels is essential for managing its burden. While point-of-care testing (POCT) devices facilitate hemoglobin testing in resource-limited settings, most are invasive and have inherent limitations. The Non-Invasive Anemia Detection App (NiADA) (Monere, UT) offers a non-invasive alternative, utilizing artificial intelligence (AI) to estimate hemoglobin levels from images of the lower eyelid. This low-cost, real-time solution employs a custom computer vision deep-learning algorithm for hemoglobin levels, offering significant potential for early diagnosis and management of anemia. Methods This study evaluated NiADA in two phases. In the first phase, its performance was compared to laboratory measurements and the minimally invasive POCT device, Hemocue Hb 301. In this study, the current version of NiADA version 2 (V2) is also compared against the previous version of NiADA version 1 (V1) to show the improvement in the last six months. In the second phase, NiADA's results were compared against hemoglobin estimations made by a group of medical professionals, as well as against lab analyzers. For both phases, NiADA performance was evaluated using the Bland-Altman plot, regression coefficients, percentage of acceptable limit, Pearson correlation coefficient, and Lin's concordance correlation coefficient. Results The mean difference between NiADA-V2 and laboratory-estimated hemoglobin values was -0.11 g/dL, with limits of agreement (LOA) ranging from +2.86 to -2.64 g/dL, where the upper limit is comparable with HemoCue. The NiADA-V2-acceptable range (percentage of samples falling within ±1 g/dL absolute error) increased to 54% compared to 40% in NiADA-V1. Additionally, NiADA outperformed medical professionals, showing a mean difference of 0.07 g/dL compared to medical professionals' 0.42 g/dL. Conclusion NiADA, as a non-invasive application, exhibits performance comparable to minimally invasive tools and other POCT devices. Its accuracy exceeds that of medical professionals, making it a viable option for anemia screening and monitoring, particularly in community medicine and regions with limited healthcare resources.
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 | 0,010 | 0,029 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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) | 0,001 | 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 ».