相关实验视频
Updated: Jul 23, 2025
05:36
Subjective Refraction Test Using a Smartphone for Vision Screening
Published on: October 18, 2024
850
在诊断严重创伤性脑损伤时,智能手机瞳孔测量应用程序的验证
Anthony J Maxin1,2, Bernice G Gulek1, Chungeun Lee3
1Department of Neurological Surgery, University of Washington, Seattle, Washington, USA.
Journal of neurotrauma
|July 19, 2023
概括
一个智能手机应用程序通过分析瞳孔光反射 (PLR) 参数来有效地识别严重创伤性脑损伤 (TBI),其性能优于标准瞳孔计. 这为TBI检测提供了一个有希望的,可访问的工具.
科学领域:
- 神经学 神经学
- 生物医学工程 生物医学工程
- 医疗技术 医疗技术 医学技术
背景情况:
- 瞳孔光反射 (PLR) 是评估神经疾病,特别是创伤性脑损伤 (TBI) 的关键生物标志物.
- 目前的诊断工具,如神经光学瞳孔计 (NPi-200) 提供神经瞳孔指数 (NPi),用于评估TBI严重程度.
- 在TBI检测中需要可访问,便携和准确的PLR评估方法.
研究的目的:
- 评估基于智能手机的瞳孔测量应用程序PupilScreen在区分健康个体和严重TBI (sTBI) 患者的性能.
- 将PupilScreen的PLR参数的诊断能力与NPI-200专有NPI分数进行STBI分类进行比较.
主要方法:
- 从33名sTBI患者和132名健康对照人群收集了230个PLR视频记录,使用PupilScreen和NPi-200.
- 使用格拉斯哥昏迷量表 (GCS) 确认sTBI状态 (sTBI的GCS中位数为6,对照组为15).
- 采用机器学习模型 (逻辑回归,k-NN,SVM,随机森林) 来根据NPI分数和PupilScreen PLR参数 (例如直径,速度) 来分类科目.
主要成果:
- 学生屏幕的PLR参数显示了健康和sTBI队列之间的显著差异.
- 使用PupilScreen参数 (最大直径,收缩/膨胀速度) 的随机森林模型实现了87%的准确度,85.9%的灵敏度,88%的特异性,AUC为0.869.
- NPi-200的NPi得分实现了较低的性能,最好的模型 (逻辑回归) 产生了67.4%的准确性和92.4%的特异性,随机森林产生了0.648.8的AUC.
结论:
- 与NPi-200的专有NPi分数相比,PupilScreen智能手机应用程序在将健康与严重的TBI分类方面表现出更好的能力.
- 这些发现表明PupilScreen作为TBI评估的有价值,可访问的工具的潜力.
- 需要进一步的研究来探索PupilScreen在TBI频谱和其他神经疾病中的实用性.
