Atopic dermatitis (AD) and other atopic diseases are strongly related to skinbarrier dysfunction, a biomeasure which has limited and unsatisfactory assessmenttechniques. Machine learning (ML) powered electrical impedance spectroscopy(EIS) has been shown to differentiate defective barrier function in mice and adults. Techniques such as principal component analysis (PCA) andsupport vector classifiers (SVC) can be used as ML tools to evaluate EIS measurements. EIS measurements taken on unaffected skin of children aged between 4 monthsand 3 years were collected and analysed using the children’s AD status. Measurements were grouped into one of four groups based on this AD status; No AD (No AD was developed up until 2 years of age), Pre AD (measurements takenbefore the onset of AD), AD remission (measurements taken after the onset ofAD) and AD flare (measurements taken during active AD). A SVC model was trained on the raw EIS measurement data to distinguish measurements from twoof the binarized AD status groups; AD flare and No AD. An additional SVC model was trained on the No AD group, distinguishing measurements based onbinarized age groups: measurements taken at 4 months against measurements taken at 3 years of age. The AD model tested on AD flare against No AD within the test set yielded AUC of 0.92, with a sensitivity and specificity of 89.29% and 88.89% respectively. When testing on all groups of the test set, Pre AD and AD remission groups had group means between the AD flare and No AD groups. No data bias against age was detected in the model. The results of the age model showed that age could be chronologically identified by the age model. The AD model was able to differentiate active AD children from children never experiencing AD symptoms on visually unaffected skin and in turn detecting skin barrier dysfunction. Separate studies would need to be conducted to test the predictive power and external validity of the model. Age is a significant factor to consider when designing ML models using EIS data in children, with proper balance in the training set a data bias within the model can be avoided. EIS is a versatile technique due to its data rich nature. Machine learning powered electrical impedance spectroscopy measurements are able to detect skin barrier dysfunction. Age is a significant factor when measuring EIS on children, but can be managed. / Atopisk dermatit (AD) och andra atopiska sjudomar är starkt kopplade tillhudbarrärdefekter, en hudegenskap där diagnosverktygen är begränsade och otillräckliga. Maskininlärning (ML) i kombination med elektrisk impedansspektroskopi (EIS) har visats att kunna differentiera defekta hudbarrärer i möss och hos vuxna människor. Tekniker såsom principalkomponentanalys (PCA) och stödvektormaskiner (SVM) kan användas som ML verktyg för att utvärdera EIS-mätningar. Statistiska analysverktyg såsom reciever operator characteristics (ROC) tillsammans med arean under kurvan (AUC) och andra precisionsmått kan användas för att utvärdera ML modeller. EIS-mätningar utförda på opåverkad hud hos barn mellan 4 månader och 3 års ålder samlades och analyserades med hjälp av barnens atopiska status. Samtliga mätningarna grupperades i en av totalt fyra grupper baserade på deras atopiska status; Ingen AD (Ingen AD hade utvecklats upp till 2 års ålder), Pre AD (mätningarna togs innan sjukdomsförloppet), AD remission (mätningarna togs efter sjukdomsförloppet) och AD aktiv (mätningarn togs under sjukdomsförloppet). En SVM modell tränades på EIS-rådata för att särskilja mellan två av grupperna binärt; AD aktiv och ingen AD. En ytterliggare SVM modell tränades på endast ingen AD-gruppen för att särskilja mellan mätningarna tagna vid åldrarna 4 månader och 3 år, omgjorta till binära grupper. AD modellen testades med en jämförelse mellan AD aktiv-gruppen och ingen AD-gruppen med test data och resulterade i en AUC på 0.92, med en respektive sensitivitet och specificitet på 89.29\% samt 88.89\%. Modellen testades även på de ytterliggare grupperna i test datan, Pre AD och AD remission som båda hade gruppmedelvärden som låg mellan AD aktiv-gruppens och ingen AD-gruppens. Inga systematiska fel med avseende på barnens ålder hittades i AD-modellen. Resultaten från ålders-modellen visade på att modellen kunde rangordna mätningarna baserat på ålder. AD-modellen kunde differentiera barn med aktiv AD mot barn som aldrig hade uppvisat atopiska symptom på opåverkad hud, vilket innebär en differentiering av hudbarrärdefekter. Separata studier är nödvändiga för att testa prediktiv prestanda hos modellen samt dess externa validitet. Ålder är en signifikant faktor när ML modeller med EIS-data ska designas, men med tillräcklig balans i träningsdatan kan systematiska fel förhindras. EIS är en versatil teknik med avseense på dess datakomplexitet. EIS tillsammans med maskininlärning kan särskilja defekta hudbarriärer hos barn. Ålder är en signifikant faktor när EIS mäts på barn, men kan hanteras.
| Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:kth-348179 |
| Date | January 2024 |
| Creators | Sundberg, Mathilda |
| Publisher | KTH, Medicinteknik och hälsosystem |
| Source Sets | DiVA Archive at Upsalla University |
| Language | English |
| Detected Language | Swedish |
| Type | Student thesis, info:eu-repo/semantics/bachelorThesis, text |
| Format | application/pdf |
| Rights | info:eu-repo/semantics/openAccess |
| Relation | TRITA-CBH-GRU ; 2024:090 |
Page generated in 0.0037 seconds