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。
5星
