用深度学习进行糖尿病视网膜病变查顺序的风险分层:一个多中心前性研究

科学领域:

• 眼科医生 眼科 眼科
• 人工智能的人工智能
• 医疗成像医学成像

背景情况:

• 糖尿病视网膜病变 (DR) 查旨在检测进展到中度或更严重的 (MOD+) 阶段.
• 优先关注轻度或没有DR的患者的随访对于有效的资源配置至关重要.

研究的目的:

• 根据糖尿病视网膜病变 (DR) 进展风险对患者进行优先排序的深度学习模型进行现实世界的评估.
• 评估模型在识别可能发展中度或更严重 (MOD+) DR.的患者时的灵敏度.

主要方法:

• 一项前性,干预性研究,涉及四个泰国中心的1757名轻度或无DR患者.
• 用深度学习模型分析了Fundus照片,以预测进展风险.
• 根据模型的风险优先级,患者被安排进行后续查.

主要成果:

• 深度学习模型实现了90.4%的灵敏度,优先考虑在后续查的前50%内发展MOD+DR的患者.
• 模型提出的优先顺序显著优于随机排序 (P < 0.001).
• 除了一个面临实施挑战的地点外,该模型仍然显示了高灵敏度 (86.7%),与DR级和单独的HbA1c (73.3%) 相比.

结论:

• 深度学习模型显示了糖尿病视网膜病变 (DR) 查中有效风险分层的潜力.
• 使用这种模型,对轻度/无DR患者的随访优先考虑是可行的.
• 需要进一步的研究来评估这项技术对临床管理和结果的影响.