文件名称：使用基于深度学习的疾病严重程度量表评估印度早产儿初级预防的视网膜病变-研究论文
文件大小：897KB
文件格式：PDF
更新时间：2024-06-30 06:01:36
retinopathy of prematurity; deep
背景：在低收入和中等收入国家 (LMIC)，早产儿视网膜病变 (ROP) 流行，部分原因是在遵守新生儿监护病房 (NCU) 氧气监测最佳实践方面存在异质性。 本研究的目的是确定从远程医疗程序中的眼底图像获得的基于深度学习的 ROP 严重性评分是否可以应用于人群水平，以比较印度南部 NCU 之间的流行病学差异。 Aravind 眼科医院 ROP 远程医疗系统参与医院的婴儿风险。 使用先前公布的方法计算每次眼科检查的 ROP 严重性评分 1-9。 使用多变量线性回归调整 ROP 的人口统计学风险因素，比较不同医院的人群 (NCU) 水平 ROP 严重程度。 蒙面 ROP 技术人员使用每个 NCU 中氧气监测的质量评分 (1-5) 来评估对最佳实践的遵守情况。结果：分析了 11 家医院 128 名婴儿的初始筛查检查的图像。 医院之间的平均 ROP 严重程度有显着差异（P=0.003）。 在控制出生体重、胎龄和出生后年龄的多变量回归中，较高的 NCU 质量评分与较低的 ROP 严重程度相关（P = 0.001）。 值得注意的是，质量得分最低的 NCU 的 ROP 严重程度得分最高（比平均值高 1.6 分，P=0.001），而质量得分最高的 NCU 的 ROP 严重程度得分最低（比平均值低 1.2 分，P =0.001).解释：我们确定了 NCU 之间 ROP 严重程度的变异性，这与氧气监测的最佳实践相关。 这些发现表明，基于图像的深度学习不仅可用于患者级别的诊断，还可用于初级预防实践的人群级别的流行病学监测，并且可能对 ROP 以外的各种医疗条件具有更广泛的适用性。 ：该项目得到了美国国立卫生研究院（贝塞斯达，马里兰州）的 R01EY19474、K12EY027720 和 P30EY10572 的资助，以及来自美国国家科学基金会和美国科学基金会的 SCH1622679、SCH-1622542 和 SCH-1622536（VA）的资助不受限制的部门资助和预防失明研究（纽约州纽约市）的职业发展奖 (JPC)。 利益声明：Michael F. Chiang 是 Clarity Medical Systems 科学顾问委员会（加利福尼亚州普莱森顿）的无薪成员，诺华（瑞士巴塞尔）顾问，Inteleretina 初始成员（夏威夷火奴鲁鲁）。 RV Paul Chan 是 Visunex Medical Systems（加利福尼亚州普莱森顿）的科学顾问委员会成员，以及 Genentech（加利福尼亚州南旧金山）的顾问。 Michael Chiang 和 J. Peter Campbell 得到基因Tyk的研究支持。 J. Peter Campbell、James M. Brown、Susan Ostmo、RVP Chan、Jayaskhree Kalpathy-Cramer 和 Michael F. Chiang 已就所描述的技术申请了专利。 所有其他作者都没有利益冲突。 伦理批准声明：本研究是根据健康保险流通与责任法案 (HIPAA) 指南进行的，并且获得了俄勒冈健康与科学大学和美国医学部的机构审查委员会 (IRB)阿拉文眼科医院。