XiaoMi-AI文件搜索系统
World File Search Systemglaucoma
单基因疗法用于青光眼和视神经损伤
由于人口老龄化，青光眼的流行率是全球失明的第二大原因。在青光眼中，视神经和视网膜神经节细胞（RGC）的变性会导致视野缺陷和最终失明。升高的眼内压（IOP）是影响青光眼的最著名因素。然而，存在着青光眼的亚型，称为正常张力青光眼，与高IOP无关。最近的一项研究确定了涉及青光眼发病机理的各种因素，包括视网膜血流改变，谷氨酸神经毒性，氧化应激等（Shinozaki等，2024）。与年龄匹配的对照相比，青光眼患者可能表现出降低的神经营养因素，例如脑衍生的神经营养因子（BDNF）或睫状神经营养因子。研究表明，BDNF的眼内注射可以通过激活其高亲和力受体tromomyosin受体激酶B（TRKB）来挽救视神神经压伤小鼠模型（ONC）中的RGC。然而，配体依赖性激活的瞬时性质对该治疗的功效产生了限制。我们已经开发了多个系统，
特刊 青光眼结构与功能人工智能映射
Garway-Heath 图依赖于对照片上可见 RNFL 缺损的主观检测。然而，实验和临床研究表明，仅当 RNFL 丢失了很大一部分时才会出现此类缺损。3、4 此外，由于研究中可用的眼睛数量有限，以及难以在视神经周围某些区域可视化 RNFL 缺损，某些地形关系可能未被充分重视。使用频域光学相干断层扫描 (SDOCT) 对 RNFL 进行成像能够提供可重复的定量 RNFL 评估，其评估程度远远高于评估无红 RNFL 照片。许多先前的研究已经评估了 SDOCT 和 SAP 之间的关系。5 – 7 但是，鉴于这些测试提供的数据量巨大，可能很难应用传统的统计工具来充分模拟相关的 SF 关系。最近，神经网络和其他人工智能 (AI) 算法已被证明能够成功地模拟来自各个医学领域的数据中复杂的非线性关系。8 – 12 特别是，卷积神经网络 (CNN) 能够利用空间信息来识别传统方法可能不易辨别的潜在关系。一些研究尝试使用 AI 算法来预测 SDOCT 测量的视野结果，并取得了良好的效果。13 – 16 在一项研究中，Guo 等人 13 表明，可以根据 RNFL 和神经节细胞和内丛状层厚度合理地预测 SAP 敏感度阈值。使用视神经乳头和黄斑的 SDOCT 体积扫描，Maetschke 等人 14 能够预测视野全局指标，例如平均偏差和视野指数。这些研究一般关注的是 SAP 敏感度阈值、预定义扇区或全局指标能否很好地通过 SDOCT 数据进行近似，但没有评估结构损伤和功能损伤之间的地形映射和空间关系，这本身就是另一个重要问题。我们假设，一旦训练了 AI 模型来预测 SAP 敏感度阈值，就可以通过模拟不同特征的 RNFL 缺陷并观察它们对 SAP 结果的影响来获得 SF 关系的地形信息。这将使我们能够更全面地研究 SDOCT 上看到的结构损伤对 SAP 测量的视觉功能的影响。为此，在本研究中，我们开发并验证了一种 CNN，它可以从大量青光眼和青光眼临床患者中的视乳头周围 SDOCT RNFL 厚度测量值预测 SAP 敏感度阈值。
LNP递送CRISPR/CAS12A用于肌动蛋白相关的青光眼的潜在治疗
o 2％–5％的POAG患者在肌动蛋白基因中患有突变，估计为54,000-135,000例患者1,2,4,5 1。风扇和Wiggs。J Clin Invest 2010; 120（9）：3064。2。Weinreb等。JAMA 2014; 311（18）：1901。 3。 家庭和工作验光护理。 可在以下网址提供：https：//homenworkoptometrycare.wordpress.com/2016/10/11/11/overview--primary-open-open-angle-glaucoma/。 2024年5月访问。 4。 指尖等。 人类分子遗传学1999; 8：899。 5。 青光眼：事实和数字。 可用：https：//www.brightfocus.org/glaucoma/article/glaucoma-facts-figures。 2024年5月访问。JAMA 2014; 311（18）：1901。3。家庭和工作验光护理。可在以下网址提供：https：//homenworkoptometrycare.wordpress.com/2016/10/11/11/overview--primary-open-open-angle-glaucoma/。2024年5月访问。4。指尖等。人类分子遗传学1999; 8：899。5。青光眼：事实和数字。可用：https：//www.brightfocus.org/glaucoma/article/glaucoma-facts-figures。2024年5月访问。
自我报告的安非他酮使用与青光眼之间的关联：基于人群的研究
抽象目的是研究在美国人口的全国代表性样本中自我报告的安非他酮使用与自我报告的青光眼之间的关系。方法这项横断面研究包括2005年至2008年之间的6760名国家健康和营养检查调查（NHANES）的参与者，年龄≥40岁，他们回答了有关其青光眼状况的问题。参与者就处方药的使用采访了，根据使用持续时间，确定使用安非他酮的人被进一步分为组。通过访谈获得了其他相关信息，包括人口统计学，合并症和与健康相关的行为。进行了多元逻辑回归，以确定安非他酮使用和普遍青光眼之间关联的OR和95％CI。协变量包括与青光眼相关的参数：年龄，性别，种族和年收入。结果453名参与者自我报告对青光眼进行了诊断，108名参与者报告了安非他酮药物的使用。报告使用安一个载体超过1年的参与者减少了自我报告的青光眼诊断的几率（未经调整或= 0.5，95％CI 0.01至0.52；调整后的OR = 0.1，95％CI 0.01至0.81）与不使用Bubupropion或不使用一年的人相比，结论安非他酮的使用，尤其是在很长一段时间内，可能与降低青光眼疾病的风险有关。
文章探讨了青光眼中的眼表面微生物组和撕裂蛋白质组
摘要：尽管青光眼是全球不可逆性失明的主要原因，但其发病机理尚不完全理解，而眼内压（IOP）是靶向这种疾病的唯一可修改的危险因素。已经提出了包括IOP在内的肠道微生物组和青光眼之间的几个关联。越来越多的证据表明，在眼表面上的微生物之间的相互作用称为眼表面微生物组（OSM）和泪液蛋白质（统称为泪液蛋白质组），也可能在诸如青光眼等眼疾病中起作用。这项研究旨在在青光眼患者中找到OSM和撕裂蛋白的特征。32个结膜拭子的全元基因组shot弹枪测序鉴定出肌动杆菌，富公司和蛋白质细菌是同类中的主要门。该物种仅在健康对照中发现，与青光眼患者相比，它们的结膜微生物组可能富含磷脂酶途径的基因。尽管OSM在OSM中存在较小的差异，但与对照组相比，患者表现出与免疫系统相关的许多撕裂蛋白的富集。与OSM相反，这强调了蛋白质组的作用，并可能引起免疫过程在青光眼中的参与。这些发现可能有助于设计针对青光眼和其他相关疾病的新治疗方法。
青光眼患者的流行病学临床特征
青光眼是全球失明的重要原因，其特征是眼内压力增加，可能会损害视神经并导致视力丧失。本研究旨在分析青光眼患者的临床流行病学特征，以改善预防和治疗策略。使用文献综述方法，该研究探讨了PubMed，Medlineplus，Scielo和Google学术诸如流行病学，人口统计学，危险因素和治疗趋势的数据。分析表明，青光眼是多因素的，具有诸如敞开角和闭合角青光眼之类的变化，并且通常与糖尿病和高血压等合并症有关。风险因素包括高级年龄，遗传和种族，非洲血统的个人具有更大的倾向。由于其人口密度和健康基础设施，在巴西，东南地区的患病率最高。该研究强调了早期诊断和干预措施的重要性，适合患者的人口统计和风险状况。可以得出结论，旨在早期发现和适当治疗的公共卫生政策对于减轻疾病进展和防止视力丧失至关重要，强调需要更好地获得眼科护理和系统的筛查，尤其是在高风险人群中。关键词：青光眼；流行病学特征；临床眼科。
研究文章的糖尿病患者的青光眼患病率
背景：这项研究表明糖尿病患者青光眼患病率。这项横截面调查估计存在青光眼及其在2型糖尿病的患者中访问了巴基斯坦拉合尔的三级护理医院的患者。方法：基于医院的横断面研究是在巴基斯坦拉合尔第三医院的眼科部门进行的。根据每位患者事先同意后的纳入标准，总共有62名拉合尔医院参加眼睛OPD的糖尿病患者。然后，一位眼科医生全面检查了所有患者的两只眼睛，是否存在青光眼的存在，包括通过Applanation Tonometry对IOP进行测量。还为每位患者进行了立体缝隙检查的视盘检查。青光眼定义为IOP> 21mmHg，杯 - 盘比> 0.03，具有苍白的神经肌曲线框。结果：总共62名糖尿病患者参加了这项研究，其中30例是男性，而女性为32名。参与者的平均年龄为56.04±12.09。具有青光眼的糖尿病女性的平均年龄为58.25±9.94，男性平均年龄为58.36±11.12。所有患者的种族都是旁遮普人，他们的饮食既含有蔬菜和肉类。62例患者中有10名（16％）具有中等的社会经济状况，而62例（84％）中有52名社会经济地位差。观察遗传特征，有4例患者（6.45％）报告了青光眼的阳性家族史。只有1名患者以前对青光眼与眼睛之间的关系有所了解。结论：在参观眼科部门的62名糖尿病患者中，有32.25％的患有青光眼。常规青光眼筛查糖尿病性视网膜病变会导致可控制的青光眼病例。
使用深度学习的视网膜眼底图像早期检测青光眼的框架” 2279
摘要：青光眼是一种高度危险的眼部疾病，可显着影响人类视力。这是一种视网膜状况，会损害视神经头（ONH），如果在后期发现，可能会导致永久失明。预防永久性失明取决于青光眼在其初始阶段的及时识别和干预。本文介绍了卷积神经网络（CNN）模型，该模型利用特定的建筑设计来通过分析底面图像来识别早期青光眼。这项研究利用了公开访问的数据集，包括用于青光眼分析和研究的在线视网膜底面图像数据库（ORIGA），视网膜的结构化分析（凝视）和视网膜眼底青光眼挑战（避难所）。为了对青光眼进行分类，视网膜底面图像被送入Alexnet，VGG16，Resnet50和InceptionV3模型中。RESNET50和InceptionV3模型都证明了出色的性能，以创建混合模型。ORIGA数据集以97.4％的F1得分达到了高精度，而凝视数据集则获得了更高的精度，而F1分数为99.1％。避难数据集也表现出色，F1得分为99.2％。所提出的方法已经建立了可靠的青光眼诊断系统，帮助眼科医生和医生进行准确的质量筛查和诊断青光眼。
使用机器学习技术从视野图像中进行的青光眼检测和分阶段
从119个正常和146头胶状眼睛收集了265个PD图和265个数值数据集24-2个VF图像，以训练DL模型，以将图像分为四组：正常，青光眼，早期的青光眼，中度青光眼，中度青光眼和高级Glau-coma。使用五倍的交叉验证（CV）训练PD图像的两种流行的预训练的DL模型：RESNET18和VGG16，并使用平衡的，预先提高的数据（n = 476张图像），不平衡的原始数据（n = 265）和功能提取观察到性能。使用Grad-CAM视觉ization技术进一步研究了受过训练的图像。此外，从全局指数（MD），模式标准偏差（PSD）和视野索引（VFI）训练了四个ML模型：模式标准偏差（PSD）和视野索引（VFI）。
NUHS 临床科学家开发出新型青光眼植入物，可降低眼压、保护视力
“这项多中心研究的临床结果验证了 PGI 的新颖设计。与其他青光眼管分流术的已发表结果相比，该研究表明，PGI 能够优化难治性青光眼的眼压，同时降低对抗青光眼眼药水的依赖性，”副教授 Victor Koh 说道。该植入物已授权给初创公司 Advanced Ophthalmic Innovations Pte Ltd (AOI)，并已用于新加坡、欧洲、南非、中东和亚太地区的青光眼治疗。创新团队于 2017 年获得了欧洲合格认证 (CE) 标志和卫生科学局 (HSA) 批准的 Paul ® 青光眼植入物，并于 2018 年获得了治疗用品管理局 (TGA) 认证。AOI 最近在中国开始临床试验，以确保获得国家药品监督管理局 (NMPA) 批准在中国进行临床销售。此外，AOI 还计划很快进行美国 FDA 监管备案。该产品已在美国、中国、新加坡和日本获得专利。目前，英国、爱尔兰、德国、荷兰、芬兰、意大利、葡萄牙、法国、西班牙、比利时、沙特阿拉伯、南非、韩国、马来西亚、澳大利亚和新西兰的顶级医院和眼科中心以及新加坡国立大学医院均在使用该产品。 “我们通过保罗青光眼植入物实现的一个重要目标是设计一种对眼内侵入性较小的分流器，其管子比传统植入物小得多，同时又不影响对各种顽固性青光眼的疗效，”英国 Moorfields 眼科医院的青光眼专家、新加坡国立大学医学院客座教授 Keith Barton 教授补充道。他还参与了 PGI 的设计阶段。四川音乐学院的新加坡音乐教授 Lee Tian Tee 教授于 2018 年和 2019 年在国立大学医院接受了植入。“我在 2016 年去做了一次眼科检查，以寻求治疗白内障的方法。就在那时，我发现自己也患有青光眼。经过我的眼科医生 Chew 教授的详细评估后，我的双眼都接受了保罗青光眼植入物 (PGI)。它大大缓解了我的眼压，不需要任何眼药水。”