XiaoMi-AI文件搜索系统
World File Search Systemretinopathy
人工智能治疗低收入人群糖尿病视网膜病变......
摘要 糖尿病视网膜病变 (DR) 是全球导致失明的主要原因。越来越多的证据支持在糖尿病眼部护理中使用人工智能 (AI)，特别是在资源最紧张的低收入和中等收入国家 (LMIC) 中筛查有 DR 视力丧失风险的人群。然而，在临床实践中的应用仍然有限。我们进行了范围界定审查，以确定哪些 AI 工具已用于 LMIC 的 DR，并报告它们的性能和相关特征。共纳入 81 篇文章。报告的敏感性和特异性通常很高，为支持在临床实践中使用提供了证据。然而，大多数研究仅关注敏感性和特异性，关于成本、监管批准以及使用 AI 是否改善健康结果的信息有限。在更广泛地实施之前，还需要进行超出报告敏感性和特异性的进一步研究。
2型糖尿病患者的减肥手术与糖尿病性视网膜病变进展的短期或长期风险无关。
摘要的目标是减肥手术来诱导2型糖尿病（T2D）中的体重减轻和血糖稳定性。由于HBA1C迅速下降，这可能导致糖尿病性视网膜病（DR）的早期恶化。在这项研究中，我们评估了整个T2D接受减肥手术的人的短期和长期DR开发的风险，并需要进行眼干预。方法该研究包括一个基于国家的，基于登记册的人群，其中T2D筛选为DR。在手术之日（指数日期）与非肺炎对照的年龄，性别和DR水平相匹配。我们提取了有关DR水平，内科和门诊治疗，药物处方和实验室价值的信息。我们在随访（6个月和36个月）时评估了DR（事件和进行性DR）的恶化。参加了238,967名T2D的人，参加了糖尿病眼镜筛查，我们确定了553例接受了减肥手术（0.2％）和2677个非肺炎对照。中位年龄为49岁，女性为63％。病例的合并症更多，HBA1C较低，并且比在索引日期的对照组更频繁地使用降糖和降压药物。在完全调整的逻辑回归模型中，与对照组相比，病例恶化的风险没有显着差异，短期（或0.41 [CI 95％0.13; 1.33; 1.33]，p = 0.14），也不是长期（或0.64 [或0.64 [CI 95％0.33; 1.24; 1.24; 1.24]，P = 0.18）。在这项全国研究中得出结论，减肥手术与短期或长期DR恶化的风险增加。
糖尿病性视网膜病的筛查间隔
糖尿病性视网膜病（DR）是糖尿病（DM）最常见的微血管并发症之一，也是发达国家新盲目病例的主要原因。DR筛选是一种预防失明的经济高效方法。但是，最佳筛选间隔仍然存在争议。2010年，香港开始系统的DR筛查，这是糖尿病多学科风险评估和管理计划（RAMP-DM）的组成部分。冰岛模型用于根据危及视力视网膜病变（STDR）的个性化风险来确定筛查间隔。1然而，冰岛模型在我们的试点DR筛查研究中显着低估了STDR的风险，尽管它具有可接受的歧视水平。DR的危险因素主要基于西方糖尿病种群。使用在香港筛选计划期间收集的数据，我们试图确定最重要的风险因素并改善香港人口的风险分层。在这项研究中，我们旨在使用系统的DR筛查计划中的数据，基于香港的糖尿病人群开发基于香港糖尿病人群的STDR预测模型； （2）测试所得模型的内部有效性； （3）研究预测模型的安全性，可行性和成本效益； （4）建立一个成本效益模型，可以估算新预测模型的成本效益。
通过生物信息学方法识别与糖尿病性视网膜病变相关的枢纽基因
摘要。- 目的：这项研究的目的是鉴定枢纽基因并揭示糖尿病性视网膜病（DR）的骨质机制。材料和方法：我们在我们的研究中使用了基因表达综合（GEO）DATASET GSE60436。在筛选差异表达的基因（DEG）后，我们形成了基因和基因组（KEGG）功能分析的基因本体学（GO）和京都百科。随后，使用搜索工具来检索相互作用的基因（String）数据库并使用Cytoscape软件进行访问，并使用搜索工具进行了搜索工具来构建蛋白 - 蛋白质相互作用（PPI）网络。最后，我们通过CytoHubba插件确定了10个集线器基因。结果：总共确定了592摄氏度，包括203个上调的基因和389个下调基因。DEG主要富含视觉感知，光感受器外部段膜，视网膜结合和PI3K-AKT信号通路。通过构建蛋白质 - 蛋白质间的作用（PPI）网络，最终确定了10个中心基因，包括CNGA1，PDE6G，RHO，ABCA4，PDE6A，PDE6B，PDE6B，NRL，RPE65，RPE65，GUCA1B和AIPL1。结论：CNGA1，PDE6G，RHO，ABCA4，PDE6A，PDE6B，NRL，RPE65，GUCA1B和AIPL1可能是潜在的生物标志物，而治疗性TAR-可用于DR。
糖尿病视网膜病变研究的全球趋势和表现：文献计量分析
结果：共分析了10709篇参考文献，研究期内论文数量持续增加。美国的h指数和引用频率最高，贡献最大。中国是论文最多的国家，共发表3168篇论文。伦敦大学的论文产量最高。论文产量排名前三的期刊均来自美国，其中Investigative Ophthalmology Visual Science的论文数量最多。Gulshan等的文章（2016年；同引次数，2897）具有代表性和象征性。该领域的主要研究主题是发病率、发病机制、治疗和人工智能（AI）。深度学习、模型、生物标志物和DR的光学相干断层扫描血管造影（OCTA）是前沿热点。
免疫疗法和靶向肿瘤微环境
几项研究表明，DR发作的风险及其进展是通过多种系统性和眼部因素来改变的。年龄，男性性，高血压，糖尿病持续时间，糖尿病神经病，糖尿病性肾病，禁食血糖，血清总胆固醇，血清甘油三酸酯和糖化血红蛋白（HBA1C）是糖尿病性视网膜病的风险因素（HBA1C），是糖尿病性视网膜病的风险因素（更长的糖尿病持续时间具有更高的预测DR的可能性。然而，很少有研究解决的问题是，糖尿病持续时间的危险因素是否存在差异，而DR不同程度的群体之间的年龄是否存在。我们认为，在T2DM的不同课程下，DR的危险因素可能不一致。目前，DR的治疗主要是为了预防或延迟疾病的进展。早期检测和危险因素的干预可以减少DR的进展。因此，在T2DM的早期阶段专注于DR的危险因素非常重要。
伊拉克巴斯拉的糖尿病性视网膜病的患病率和危险因素
摘要这项研究旨在衡量在巴斯拉的Faiha糖尿病，内分泌中心（FDEMC）的20至82岁的Di-Abetes Mellitus患者中，糖尿病性视网膜病变（DR）的患病率和危险因素。在FDEMC进行了一项横断面研究，包括2019年1月至2019年12月20至82岁的1542名参与者。通过移动非乳化相机检查了两只眼睛的DR证据，并进行了统计分析，以测量具有不同特征的患者的患病率（95％CI）。参与者的平均年龄为35.9，有689名男性（44.7％； 95％CI：42.2–47.2％）和853名女性（55.3％； 95％CI：52.8-57.8％）。DR的患病率为30.5％（95％CI：28.1–32.8％），11.27％的病例是增生性视网膜病。dr随着年龄的增长而显着增加（p值= 0.000），女性（p值= 0.005）较高，并且随着糖尿病的持续时间更长（P值<0.001），高血糖症，高血糖症（p-value <0.001），高度（p-value <0.001），高度（p-value = 0.004），dys = 0.004） （p值<0.001），肾病（p值<0.001）和吸烟（p值<0.001）。DR与糖尿病或肥胖的类型之间没有统计关联。这项研究的参与者中有三分之一患有博士。使用简单工具（例如数码相机）筛选和早期检测DR应该是改善人的健康状况的优先事项。
针对2型糖尿病的中年患者的糖尿病性视网膜病风险预测模型的开发和验证
方法：这项回顾性研究筛选了931例T2DM患者在2011 - 2018年全国健康和营养检查调查数据库中30至59岁之间。开发小组包括2011 - 2016年调查的704名参与者，验证小组包括2017-2018调查的227名参与者。最低绝对收缩和选择操作器回归模型用于确定最佳预测变量。逻辑回归分析构建了三个模型：完整模型，多个分数多项式（MFP）模型和逐步（stepaic）选定的模型。然后，我们根据接收器操作特征曲线（ROC）决定了最佳模型。ROC，校准曲线，Hosmer-Lemeshow检验和决策曲线分析（DCA）用于验证和评估模型。还构建了一个在线动态列出预测工具。
基于人工智能的自动评分及培训系统在糖尿病视网膜病变人工检测教育中的有效性
糖尿病视网膜病变 (DR) 是全球劳动年龄人口失明和视力障碍的主要原因 (1)。大量研究表明，及早发现和及时治疗 DR 可以防止 90% 以上的糖尿病患者出现严重的视力丧失 (2,3)。然而，由于视网膜专家严重短缺，欠发达国家很大一部分患者无法接受协议推荐的年度眼科检查 (4,5)。面对全球糖尿病发病率的快速上升 (6)，迫切需要一种新的糖尿病管理方法。已经证实，在接受眼底照相阅读培训后，非眼科医生在发现 DR 方面与眼科医生一样高度敏感 (7)。对非眼科阅读人员的培训似乎是他们融入糖尿病眼部筛查的重要一步。准确的 DR 临床分期是选择最合适的个性化治疗的先决条件。基于彩色眼底照相的早期治疗糖尿病视网膜病变研究 (ETDRS) 目前已成为 DR 分级的金标准 (8)。尽管如此，由于实际病例的个体差异，图像识别的训练过程具有很大的实施复杂性。为了获得在日常临床实践中确立诊断的技能，受训人员需要从大量的图像中学习以提取图像特征。但由于资源、人员和资金的限制，培训机会可能会被压缩 (9)。此外，即使是高素质的教师也可能存在主观性，并且在读者内部和读者之间的诊断方面也存在差异 (10)。传统的眼科学课程通常无法提供大量标准化案例用于培训。近年来，人工智能 (AI) 在主要眼部疾病的诊断和预测方面表现出明显优势，特别是那些涉及图像分析的疾病 (11-13)。使用人工智能的自动视网膜图像筛查系统的最新进展表明，在 DR 评估中可以达到专家级别的准确度（10、14）。大数据和人工智能技术在教育环境中的实施也显示出提高教学效率的巨大潜力（15）。从大数据中提取的重要信息有助于缩短培训时间并改善学生的学习曲线。然而，人工智能作为考试系统和/或机器人教师为医学生和受训人员提供个性化教育的潜力需要进一步评估。在本研究中，我们开发了一种基于人工智能的自动 DR 评分系统，配备了人工智能驱动的诊断算法，并验证了其作为培训非眼科医生进行 DR 人工评分的教学和学习工具的作用。