机构名称：
¥ 1.0
的严重 TBI 患者未得到充分分诊并被送往非创伤医院（Capone-Neto 和 Rizoli，2009 年；Carrick 等人，2021 年）。这种分诊不足模式导致美国 TBI 患者的超额死亡率为 25%（Chesnut 等人，1993 年；Capone-Neto 和 Rizoli，2009 年；Chen 等人，2011 年；Cheng 等人，2017 年；Carrick 等人，2021 年）。在世界 85% 的人口居住的中低收入国家，超额死亡率可能更高，严重 TBI 后的死亡率会翻倍（Couret 等人，2016 年；Alali 等人，2018 年；Dagain 等人，2018 年；Dewan 等人，2018a 年）。在现场进行初步创伤调查本质上非常复杂，特别是在涉及头部和颈部受伤的病例中（Alali 等人，2018 年）。一种完善的 TBI 生物标志物是瞳孔对光反射 (PLR)。瞳孔对闪光的反射性收缩直接反映了中枢神经系统的功能状态 (Dewan 等人，2018b；GBD，2019；Gurney 等人，2020)。PLR 可指示颅内压升高，这是 TBI 的更严重后果 (Haas 等人，2010)，并且即使在脑震荡 (Hall and Chilcott，2018) 和轻度 TBI (Helmick 等人，2015) 中也显示出异常。 PLR 是 TBI 最重要的早期指标之一（Hernández-Sierra 等人，2021 年），最简单、最常见的 PLR 评估方法是传统的笔电检查（也称为手动瞳孔测量法），其中使用手持光源引起瞳孔收缩。然后，检查者用肉眼确定 PLR 的程度和性质。虽然这种方法简单且经济实惠，但缺乏观察者间的信度（GBD，2019 年）。数字瞳孔测量法目前是评估 PLR 的黄金标准（Larson 和 Behrends，2015 年）；然而，这种机器价格昂贵，需要专门的培训才能使用。为了解决当前临床瞳孔测量技术的缺点，我们开发了一款名为 PupilScreen 的移动应用程序（Mariakakis 等人，2017 年；图 1）。 PupilScreen 是一款机器学习驱动的应用程序，依赖于计算机视觉神经网络算法，旨在在智能手机平台上进行瞳孔测量，以提供一种比手动瞳孔测量更准确、更可靠的 PLR 评估方法，同时比数字瞳孔测量更容易使用。虽然之前发表的一项研究证明了该应用程序在评估 PLR 方面的准确性（Mariakakis 等人，2017 年），但将这些结果呈现给检查者进行解释的最佳方法仍不清楚。本研究的目的是确定从业者是否可以通过查看 PupilScreen 生成的 PLR 曲线来评估 PLR 是否正常，并将这种评估方法与更传统的笔电方法的评分者间信度进行比较。确实存在通过智能手机检测 PLR 的替代方法（Meeker 等人，2005 年；McAnany 等人，2018 年；Master 等人，2020 年），但 PupilScreen 目前在双目测量 PLR 的方法方面是独一无二的。
基于移动智能手机的数字瞳孔测量曲线在创伤性脑损伤诊断中的应用
主要关键词
相关文件推荐
