Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Sàng lọc bệnh võng mạc do tiểu đường bằng trung tâm đọc ảo
Tóm tắt
Tóm tắt các ảnh hưởng của việc tập trung hóa việc giải thích hình ảnh đáy mắt ở những bệnh nhân tiểu đường vào một trung tâm đọc ảo. Vào năm 2016, Kaiser Permanente Bắc California - một kế hoạch chăm sóc sức khỏe lớn dựa trên hội viên với dân số đa dạng về dân tộc và chủng tộc - đã tập trung hóa việc sàng lọc bệnh võng mạc do tiểu đường vào một trung tâm đọc ảo. Các hình ảnh võng mạc được dựa trên các bức ảnh đáy mắt góc nhìn đơn 45 độ. Chúng tôi đã so sánh độ chính xác của việc giải thích hình ảnh trong năm trước khi tập trung hóa và năm sau đó, sử dụng các đọc hình ảnh bị che khuất do các chuyên gia võng mạc thực hiện trên 1000 màn hình ngẫu nhiên được chọn từ mỗi khoảng thời gian. Tổng cộng, 1902 màn hình bệnh nhân với hình ảnh có độ chất lượng phù hợp đã được đưa vào phân tích chính. Hình ảnh từ các màn hình trước khi tập trung hóa chủ yếu được đọc bởi các bác sĩ nhãn khoa (76,2%), trong khi các màn hình sau khi tập trung hóa chủ yếu được đọc bởi các chuyên gia quang học (84,6%). Mặc dù được giải thích bởi những người đọc có trình độ chuyên môn thấp hơn, độ nhạy của việc sàng lọc đã tăng từ 43,9% (Khoảng tin cậy 95% 38,0–49,8%) lên 66,0% (Khoảng tin cậy 95% 60,5–71,4%). Việc chuyển sang một trung tâm đọc ảo tập trung đã được liên kết với cải thiện độ chính xác của việc sàng lọc bệnh võng mạc do tiểu đường.
Từ khóa
#sàng lọc bệnh võng mạc do tiểu đường #trung tâm đọc ảo #tập trung hóa #độ chính xác #độ nhạyTài liệu tham khảo
Lee R, Wong TY, Sabanayagam C (2015) Epidemiology of diabetic retinopathy, diabetic macular edema and related vision loss. Eye Vis 2:1–25
Ogurtsova K, da Rocha Fernandes JD, Huang Y et al (2017) Global estimates for the prevalence of diabetes for 2015 and 2040. Diabetes Res Clin Pract 128:40–50
Diabetes Report, National Eye Institute (2010) https://nei.nih.gov/eyedata/diabetic. Accessed 29 June 2019
Yau JW, Rogers SL, Kawasaki R et al (2012) Global prevalence and major risk factors of diabetic retinopathy. Diabetes Care 35:556–564
Wu L, Fernandez-Loiaza P, Sauma J et al (2013) Classification of diabetic retinopathy and diabetic macular edema. World J Diabetes 4:290–294
Olayiwola JN, Sobieraj DM, Kulowski K et al (2011) Improving diabetic retinopathy screening through a statewide telemedicine program at a large federally qualified health center. J Health Care Poor Underserved 3:804–816
Lin DY, Blumenkranz MS, Brothers R et al (2002) The sensitivity and specificity of single-field nonmydriatic monochromatic digital fundus photography with remote image interpretation for diabetic retinopathy screening: a comparison with ophthalmoscopy and standardized mydriatic color photography. Am J Ophthalmol 134:204–213
Wilkinson CP, Ferris FL, Klein RE et al (2003) Global Diabetic Retinopathy Study Group. Proposed international clinical diabetic retinopathy and diabetic macular edema disease severity scales. Ophthalmology 9:1677–1682
Jones CD, Greenwood RH, Misra A et al (2012) Incidence and progression of diabetic retinopathy during 17 years of a population-based screening program in England. Diabetes Care 35:592–596
Agardh E, Poya Tababat-Khani P (2011) Adopting 3-year screening intervals for sight-threatening retinal vascular lesions in Type 2 diabetic subjects without retinopathy. Diabetes Care 34:1318–1319
Ku JJY, Landers J, Henderson T et al (2013) The reliability of single-field fundus photography in screening for diabetic retinopathy: The Central Australian Ocular Health Study. Med J Aust 198:93–96
Pandit RJ, Taylor R (2002) Quality assurance in screening for sight-threatening diabetic retinopathy. Diabet Med 4:285–291
Chin EK, Ventura BV, See KY, Seibles J, Park SS (2014) Nonmydriatic fundus photography for teleophthalmology diabetic retinopathy screening in rural and urban clinics. Telemed J E Health 20:102–108
Scanlon PH (2017) Screening intervals for diabetic retinopathy and implications for care. Curr Diabet Rep 17:96
Hudson SM, Contreras R, Kanter MH et al (2015) Centralized reading center improves quality in a real-world setting. Ophthalmic Surg Lasers Imaging Retina 46:624–629
Chen G, Faris P, Hemmelgarn B, Walker RL, Quan H (2009) Measuring agreement of administrative data with chart data using prevalence unadjusted and adjusted kappa. BMC Med Res Methodol 9:5–12
Applied Survey Data Analysis Using SAS 9.4. https://stats.idre.ucla.edu/sas/seminars/sas-survey. Accessed 1 March 2019
Mendoza-Herrera K, Quezada AD, Pedroza-Tobias A et al (2017) A diabetic retinopathy screening tool for low-income adults in Mexico. Prev Chronic Dis 14:1–11
Williams GA, Scott IU, Haller JA et al (2004) Single field fundus photography for diabetic retinopathy screening. Ophthalmology 111:1055–1062
Gulshan V, Peng L, Coram M et al (2016) Development and validation of a deep learning algorithm for detection of diabetic retinopathy in retinal fundus photographs. JAMA 316:2402–2410
van der Heijden AA, Abramoff MD, Verbraak F et al (2018) Validation of automated screening for referable diabetic retinopathy with the IDx-DR device in the Hoorn Diabetes Care System. Acta Ophthalmol 96:63–68
Sayres R, Taly A, Rahimy E et al (2019) Using a deep learning algorithm and integrated gradients explanation to assist grading for diabetic retinopathy. Ophthalmology 126:552–564