使用基于深度学习的视网膜生物标志物的心血管疾病风险评估:与现有的风险评分进行比较

科学领域:

• 眼科医生 眼科 眼科
• 心脏病学 心脏病学
• 人工智能的人工智能

背景情况:

• 心血管疾病 (CVD) 风险分层对于预防性护理至关重要.
• 目前的风险评估工具依赖于临床因素,但需要新的生物标志物.
• 视网膜成像为系统健康提供了一个非侵入性的窗口.

研究的目的:

• 评估基于深度学习的视网膜生物标志物Reti-CVD在识别心血管疾病中等和高风险人群中的有效性.
• 为了将Reti-CVD的性能与已建立的心血管疾病风险计算器进行比较:聚合队列方程 (PCE),QRISK3和修改后的弗雷明汉风险评分 (FRS).

主要方法:

• 雷蒂-CVD应用于来自大型队列的视网膜照片 (英国生物银行,新加坡眼病流行病学研究).
• 参与者被分类为使用PCE,QRISK3和修改FRS的中等/高心血管疾病风险.
• 灵敏度,特异性,正预测值 (PPV) 和负预测值 (NPV) 根据这些标准计算Reti-CVD.

主要成果:

• 在所有风险评估工具中,Reti-CVD表现出高性能.
• 对于基于PCE的风险,Reti-CVD获得了82.7%的灵敏度,87.6%的特异性,86.5%的PPV和84.0%的NPV.
• 对于QRISK3和修改后的FRS观察到类似的结果,Reti-CVD有效地识别了风险组.

结论:

• 雷蒂-心血管疾病生物标志物显示出识别中等和高心血管疾病风险个体的巨大潜力.
• 这种人工智能驱动的视网膜分析工具与现有的风险评估方法保持一致.
• 回心血管疾病可以作为一种有价值的,非侵入性工具,用于心血管风险查.