XiaoMi-AI文件搜索系统
World File Search Systemretinopathy
抗糖尿病药物与2型糖尿病患者的糖尿病性视网膜病的关联：雨伞审查和荟萃分析
方法：在Medline，Embase和Cochrane库中进行了系统的文献搜索（从成立到2022年5月17日），而没有语言限制，以识别随机对照试验的系统评价和荟萃分析或纵向研究的系统评价和荟萃分析，这些试验或纵向研究检查了抗糖尿病药物和DRE之间的相关性，与2型糖尿病患者之间的关联。两位作者独立提取了数据，并使用AMSTAR-2（评估系统评价的测量工具）进行了评估，并使用等级进行了证据评估（评估，评估，评估，开发和评估）。随机效应模型用于计算95％置信区间（CI）的相对风险（RR）或优势比（OR）。这项研究已在Prospero（CRD42022332052）注册。
除糖尿病性视网膜病外，糖尿病性肾病与糖尿病性黄斑水肿的发展之间的关系
摘要：本研究旨在检查糖尿病性视网膜病（DR）与全身因素之间的关系。我们评估了2型糖尿病的261例患者（143名男性，118名女性，年龄为70.1±10.1岁）。所有参与者都经过了底底检查，使用光谱域光学相干断层扫描（SD-OCT）和血液测试进行了底底摄影。用于糖化血红蛋白（HBA1C）水平，过去使用了平均值和最高值。我们观察到261名患者的127名（70名男性和57名女性）的DR。逻辑回归分析表明，DR发育与糖尿病持续时间之间存在显着相关性（OR = 2.40; 95％CI：1.50），平均HBA1C水平（OR = 5.57; 95％CI：95％CI：1.27，24.4），最高HBA1C水平（OR = 2.46; 95％CI：1.12，5.38; 95％CI：1.12，58） （DN）（OR = 6.23; 95％CI：2.70，14.4）。Regression analyses revealed a significant correlation between the severity of DR and duration of diabetes ( t = –6.66; 95% CI: 0.21, 0.39), average HbA1c level ( t = 2.59; 95% CI: 0.14, 1.02), and severity of DN ( t = 6.10; 95% CI: 0.49, 0.97).逻辑回归分析显示，糖尿病黄斑水肿（DME）发育与DN等级之间存在显着相关性（OR = 2.22; 95％CI：1.33，3.69）。DN等级与DR和DME的发展相关，肾功能降低预测了DR的发作。
等离子体乳糖素3和fetuin-A水平与2型糖尿病患者的糖尿病性视网膜病的关联
摘要简介：Galectin-3（Gal-3）和Fetuin-A（FET-A）是参与炎症和胰岛素抵抗的细胞因子。先前的研究发现，循环中GAL-3和FET-A水平改变与糖尿病并发症相关。但是，它们是否与糖尿病性视网膜病（DR）有关。这项研究的目的是评估等离子GAL-3和FET-A浓度，并研究其与2型糖尿病（T2DM）患者中DR的关联。材料和方法：总共招募了100名T2DM患者，其中有50例没有DR（非糖尿病性视网膜病变，NDR组）和50例DR（DR组）患者（DR组）。临床参数，并通过酶联免疫吸附测定法（ELISA）测量等离子GAL-3和FET-A水平。结果：在NDR对照方面，DR患者的GAL-3和FET-A均增加，而GAL-3与FET-A正相关。双变量相关分析表明，GAL-3水平与血红蛋白A 1C（HBA 1C）呈正相关，而FET-A Corre与空腹C肽（FC-P）有负相关，并与同型囊苷（HCY）呈正相关。二元逻辑回归表明，GAL-3和FET-A水平升高与DR风险增加有关。 ROC曲线表明，FET-A和GAL-3的组合对DR表现出更好的诊断价值。结论：DR患者循环中GAL-3和FET-A均升高，并且与DR的发生呈正相关。2个指标的组合显示了DR的诊断值更好。 （Endokrynol Pol 2023; 74（5）：536–543）
糖化血红蛋白（HBA1C），甘油三酸酯和高血压对糖尿病性视网膜病的贡献：元分析的见解
这项荟萃分析旨在综合有关关键危险因素与糖尿病性视网膜病变（DR）发展的证据，这是糖尿病的主要并发症。我们系统地审查并分析了来自2023年4月的11项研究的数据，重点是血糖控制不良，甘油三酸酯水平，超过10年的糖尿病持续时间以及高血压对DR风险的影响。优势比（ORS），以说明研究之间的异质性。升高的空腹血糖和糖化的血红蛋白水平与DR的风险增加显着相关（OR：2.41，95％CI：1.63-3.57），强调了血糖控制的重要性。甘油三酸酯水平和糖尿病的持续时间在10年内也显示出与DR风险的正相关，尽管效应量较弱。高血压被确定为潜在的危险因素，尽管在所有研究中，这种关联在统计上并不显着。在整个分析中观察到中度到高的异质性，强调了DR的多因素性质。这项荟萃分析证实了血糖控制在防止DR和识别其他重要危险因素（包括甘油三酸酯水平和延长糖尿病持续时间）的关键作用。这些发现强调了需要综合糖尿病管理策略来减轻DR的风险。未来的研究应探讨这些关联的基础机制并制定有针对性的干预措施。
SGLT2抑制剂的利用与糖尿病性视网膜病之间的相关性；队列研究的系统评价和荟萃分析
1伊朗伊玛目霍森医院科学院科学系，伊朗德黑兰Shahid Beheshti医学院医学院2伊朗5 Shiraz Sina医院，伊朗设拉子医学科学大学医学院，伊朗Shiraz，伊朗6号急诊医学系，Imam Hossein医院，Shahid Beheshti医学院医学院，伊朗医学院，伊朗医学院，伊朗伊朗医学院，伊朗，伊朗医学院，伊朗，医学院，医学院，医学院7级。伊朗德黑兰Shahid Beheshti医学科学大学牙科学校9
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。
糖尿病性视网膜病的特征分割，而无需使用计算机视觉模型yolov8和yolov9
摘要：计算机视觉是医学图像分析中的强大工具，支持对眼部疾病的早期检测和分类。糖尿病性视网膜病（DR）是继发于糖尿病的严重眼科疾病，伴随着危险性疾病的几个早期迹象，例如微型神经疗法（MAS），出血（Hemos）和渗出液（EXS），这些症状已被广泛研究并靶向由计算机视觉模型检测的对象。在这项工作中，我们测试了最先进的Yolov8和Yolov9 Architectures DR Feldus功能分割的表演，而无需编码经验或编程背景。我们从公共Messidor数据库中获取了一百个DR图像，并手动标记并准备了它们以进行像素分割，并测试了不同模型变体的检测能力。我们通过数据增强增加了训练样本的多样性，包括平铺，翻转和旋转眼底图像。在检测诸如MA，Hemo和ex之类的DR病变时，提出的方法达到了可接受的平均平均精度（MAP），以及眼睛后极的标志，例如视盘。我们将我们的结果与涉及不同神经网络的文献中的相关作品进行了比较。我们的结果是有希望的，但尚未准备好进入临床实践。必须进行准确的病变检测，以确保早期和正确的诊断。未来的工作将进一步研究病变检测，尤其是MA分割，并通过改进的提取技术，图像预处理和标准化数据集进行研究。
研究文章 中国中西部农村地区糖尿病视网膜病变人工智能辅助筛查的临床评估
本次诊断准确率研究选取2020年7—12月长治市黎城县、潞城县国家基本公共卫生信息系统中的糖尿病患者作为目标人群。本次筛查共纳入3933例糖尿病患者7824只眼，其中男性1395例，女性2401例，平均年龄19～87岁（63±8.735岁）。所有眼底照片均由专业眼科医生在暗室中自然瞳孔条件下，使用智远慧图眼底图像AI分析软件EyeWisdom采集。AI诊断系统和眼科医生独立对照片进行诊断，计算并比较两种方法诊断DR的一致率、灵敏度和特异度。
专题 糖尿病视网膜病变筛查中人工智能应用的健康经济和安全考虑
为预防可预防的视力丧失，人们广泛推荐对糖尿病患者进行系统性糖尿病视网膜病变 (DR) 筛查，以便及早发现。然而，部署机会性筛查并过渡到系统性 DR 筛查计划需要大量的人力和财力。人工智能 (AI) 技术的出现可能会改善 DR 筛查的可及性并减轻其经济负担，同时保持相当或增强的临床效果。要在现实环境中部署基于 AI 的 DR 筛查计划，必须进行健康经济评估 (HEA) 和患者安全分析，以指导适当的资源分配和设计安全可靠的系统。迄今为止，很少有研究在将基于 AI 的解决方案集成到 DR 筛查计划中时考虑到这些因素。在本文中，我们概述了当前最先进的 AI 技术（重点是深度学习系统），然后对现有关于 AI 在眼科应用的文献进行了评估。我们还讨论了推动成功 DR 筛查计划开发的实际考虑因素，例如假阳性或假阴性结果的影响以及图像分级能力。最后，我们研究了可用于评估基于 AI 的筛查问题的不同 HEA 和安全性分析的合理方法。
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。