لیشمانیوز گروهی از بیماری‌های انگلی است که توسط گونه‌های لیشمانیا ایجاد می‌شوند و بیشتر توسط نیش شن‌مگس ماده آلوده منتقل می‌شود. این بیماری سه فرم بالینی اصلی دارد:
لیشمانیوز جلدی (CL )
این فرم باعث ایجاد زخم‌های پوستی، ندول‌ها یا پاپول‌ها می‌شود که بیشتر نواحی در معرض دید مانند صورت، بازوها و پاها را تحت تأثیر قرار می‌دهند و در شمال آفریقا، خاورمیانه و آمریکای لاتین شیوع دارد.
لیشمانیوز مخاطی-جلدی (MCL)
زمانی اتفاق می‌افتد که انگل‌ها از پوست به بافت‌های مخاطی مانند بینی، دهان یا گلو گسترش می‌یابند که منجر به بروز فرم شدید می‌شود.
لیشمانیوز احشایی (VL)
با نام کالاآزار نیز شناخته می‌شود و شدیدترین فرم است. اندام‌های داخلی مانند کبد و طحال را تحت تأثیر قرار می‌دهد و در صورت عدم درمان می‌تواند کشنده باشد. VL به‌ویژه در بخش‌هایی از هند، برزیل و شرق آفریقا رایج است.
روش‌های تشخیصی
چند روش تشخیصی از تکنیک‌های مولکولی سنتی تا پیشرفته دارد که هرکدام مزایا و محدودیت‌هایی دارند.
میکروسکوپ: استاندارد طلایی تشخیص آن است، مخصوصاً در محیط‌های کم برخوردار. ضایعات پوستی یا آسپیراسیون‌های بافتی رنگ‌آمیزی می‌شوند (مثلاً با رنگ گیمسا) و ازنظر وجود آماستیگوت، فرم داخل سلولی انگل، بررسی می‌شوند. اما، این تکنیک می‌تواند در مواردی با بار انگل کم یا عفونت‌های مزمن، نتایج منفی کاذب داشته باشد.
کشت: نمونه‌هایی از بیماران برای رشد پروماستیگوت (فرم خارج سلولی انگل) در محیط‌های مخصوص کشت داده می‌شوند. اگرچه این روش حساسیت بالایی را ارائه می‌دهد، اما زمان‌بر است و به شرایط خاصی نیاز دارد.
تست‌های سرولوژیک: تست‌های تشخیصی سریع، مانند تست ایمونوکروماتوگرافی rK39، به‌طور گسترده‌ای برای VL استفاده می‌شود. بااین‌حال، ممکن است برای تشخیص CL یا MCL کمتر قابل‌اعتماد باشند.
واکنش زنجیره‌ای پلیمراز (PCR) : روش‌های مبتنی بر PCR به‌طور فزاینده‌ای برای تشخیص DNA لیشمانیا با حساسیت و ویژگی بالا استفاده می‌شوند. PCR همچنین می‌تواند بین گونه‌های لیشمانیا تمایز قائل شود که برای درمان مناسب حیاتی است. درحالی‌که بسیار مؤثر هستند، این تکنیک‌ها به دلیل هزینه‌های بالا و نیاز به زیرساخت‌های آزمایشگاهی پیشرفته محدود می‌شوند.
هوش مصنوعی (AI) : مطالعات اخیر در حال بررسی آنالیز تصویر مبتنی بر هوش مصنوعی برای بهبود تشخیص CL، به‌ویژه در مناطق دورافتاده است که دسترسی به متخصصان محدود است. الگوریتم‌های هوش مصنوعی می‌توانند تصاویر ضایعات یا اسلایدهای رنگ‌آمیزی را برای بهبود دقت تشخیصی پردازش کنند، اگرچه چالش‌هایی در پیاده‌سازی این سیستم‌ها در مقیاس بزرگ وجود دارد.
انتخاب روش تشخیصی به علائم بالینی، منابع موجود و فرم بیماری بستگی دارد. مثلاً تشخیص VL اغلب به نمونه‌برداری تهاجمی مانند آسپیراسیون طحال نیاز دارد، اما CL را می‌توان با استفاده از تکنیک‌های کمتر تهاجمی مانند خراشیدن ضایعات پوستی تشخیص داد.
در مناطق آندمیک، تشخیص زودهنگام و دقیق برای جلوگیری از پیامدهای شدید و کاهش انتقال بسیار مهم است. پیشرفت در تشخیص مولکولی و هوش مصنوعی نویدبخش مدیریت و کنترل مؤثرتر بیماری در آینده است.
منابع
Talimi, Hasnaa, et al. “Artificial Intelligence in Cutaneous Leishmaniasis Diagnosis: Current Developments and Future Perspectives.” Diagnostics 14.9 (2024): 963.
Gow, Ineka, et al. “Laboratory diagnostics for human Leishmania infections: a polymerase chain reaction-focussed review of detection and identification methods.” Parasites & Vectors 15.1 (2022): 412.
https://www.who.int/health-topics/neglected-tropical-diseases
