利用深度学习方法评估印度早产儿视网膜病变初级预防的疾病严重程度量表-研究论文

简介：
本研究论文提出了一种基于深度学习的方法，用于评估印度早产儿视网膜病变（ROP）的严重程度，并探讨其在初级预防中的应用价值。通过分析临床数据，该方法旨在提高ROP早期诊断和治疗的有效性。 在低收入及中等收入国家（LMIC），早产儿视网膜病变 (ROP) 的流行情况较为严重。部分原因是由于新生儿监护病房 (NCU) 在氧气监测最佳实践方面存在差异性。本研究旨在通过远程医疗程序中的眼底图像，利用基于深度学习的 ROP 严重程度评分来比较印度南部 NCU 之间的疾病流行病学差异。 该研究使用了 Aravind 眼科医院 ROP 远程医疗系统参与医院婴儿的风险评估数据。每次眼科检查中根据先前公布的方法计算出ROP的严重性评分为1-9分。通过多变量线性回归调整ROP的人口统计风险因素，以比较不同NCU人群水平上的ROP严重程度。 研究团队还使用了蒙面 ROP 技术人员对每个 NCU 中氧气监测的质量评分（范围为 1 至 5 分）来评估最佳实践的遵守情况。最终分析显示，在参与医院中抽取的128名婴儿的数据表明，不同NCU之间的平均ROP严重程度存在显著差异 (P=0.003)。 在控制出生体重、胎龄和产后年龄等变量后进行多变量回归分析发现，较高 NCUs 的质量评分与较低 ROP 严重性相关（P = 0.001）。具体而言，具有最低质量得分的NCU拥有最高的ROP严重程度分值（比平均高出1.6 分, P=0.001），而最佳实践遵守情况最好的NCU则表现出最轻度的ROP病情 (比平均低了1.2 分,P = 0.001)。 这项研究揭示出，不同 NCUs 的 ROP 病情存在显著差异，并且这些差异与氧气监测的最佳实践相关。这表明基于图像深度学习技术不仅能够用于个体患者的诊断,还可以在人群水平上进行流行病学监控，以支持初级预防措施的应用。此外，该方法可能对其他医疗状况也具有广泛的适用性。 该项目得到了美国国立卫生研究院（NIH）的资助以及来自国家科学基金会和盲人研究部门 (VA) 的资金支持。利益声明中提到 Michael F. Chiang 是 Clarity Medical Systems 科学顾问委员会成员、诺华公司的顾问，RV Paul Chan 为 Visunex 医疗系统的科学顾问及 Genentech 公司的咨询专家；Michael Chiang 和 J.Peter Campbell 得到了基因Tyk的研究支持。J.Peter Campbell, James M. Brown, Susan Ostmo, RVP Chan, Jayashree Kalpathy-Cramer 以及 Michael F.Chiang 已就描述的技术申请了专利。 本研究遵循健康保险流通与责任法案 (HIPAA) 指导原则，并已获得俄勒冈州健康科学大学和美国医学部的机构审查委员会（IRB）及阿拉文眼科医院批准。