DOI: https://doi.org/10.1186/s12933-024-02564-w
PMID: https://pubmed.ncbi.nlm.nih.gov/39748380
تاريخ النشر: 2025-01-02
المؤلف: Mohammad Ghouse Syed وآخرون
الموضوع الرئيسي: تصوير الشبكية والتحليل
نظرة عامة
تستكشف هذه الدراسة إمكانيات نموذج الذكاء الاصطناعي (AI) القائم على التعلم العميق في التنبؤ بنتائج أمراض القلب والأوعية الدموية (CVD) باستخدام صور فحص الشبكية لمرضى السكري، بهدف تعزيز التقييمات التقليدية للمخاطر السريرية. شملت الدراسة 6,127 فردًا مصابًا بداء السكري من النوع 2، تم تقسيمهم إلى مجموعات تدريب، تحقق، واختبار. تم حساب مخاطر CVD السريرية لمدة 10 سنوات باستخدام معادلة المخاطر للمجموعة المجمعة (PCE)، بينما تم اشتقاق درجة المخاطر متعددة الجينات (PRS) لأمراض القلب التاجية أيضًا. كانت النتيجة الرئيسية المقاسة هي الوقت حتى حدوث أول حدث سلبي كبير في القلب والأوعية الدموية (MACE)، والذي شمل الوفاة القلبية، احتشاء عضلة القلب، أو السكتة الدماغية.
أشارت النتائج إلى وجود ارتباط قوي بين مخاطر CVD المتوقعة من الشبكية ودرجة مخاطر PCE (r = 0.66)، بينما كان الارتباط مع درجة المخاطر متعددة الجينات ضئيلًا (r = 0.05). من بين 1,241 فردًا في مجموعة الاختبار، تم تسجيل 288 حدث MACE. وجدت الدراسة أن ارتفاع المخاطر المتوقعة من الشبكية كان مرتبطًا بشكل كبير بزيادة احتمالية حدوث MACE (HR 1.05 لكل زيادة بنسبة 1٪؛ 95% CI 1.04-1.06، p < 0.001)، حتى بعد التعديل لمخاطر PCE وPRS. كانت أداء درجة المخاطر من الشبكية مشابهة لتلك الخاصة بـ PCE (كلاهما AUC 0.697)، ونتج عن دمجها مع PCE وPRS تحسين الأداء التنبؤي (AUC 0.728). تشير النتائج إلى أن التقييمات المستندة إلى الذكاء الاصطناعي للشبكية يمكن أن تسهل تقييم شامل لمخاطر CVD خلال فحوصات الشبكية الروتينية، مما قد يبسط إدارة المرضى في الفئات السكانية المصابة بالسكري.
مقدمة
تسلط مقدمة ورقة البحث الضوء على العلاقة المهمة بين أمراض القلب والأوعية الدموية (CVD) وداء السكري من النوع 2، مشيرة إلى أن CVD هو السبب الرئيسي للمراضة والوفيات في هذه الفئة السكانية. تؤكد على أهمية الوقاية من CVD في إدارة مرض السكري وتناقش التقدمات الأخيرة في خيارات العلاج، وخاصة مثبطات ناقل الصوديوم والجلوكوز 2 (SGLT2i) ومناهضات مستقبلات الببتيد الشبيه بالجلوكاجون 1 (GLP1-RA)، التي أظهرت أنها تقلل من الأحداث القلبية الكبيرة في الأفراد ذوي المخاطر العالية. تقترح الورقة أن تحسين التنبؤ بمخاطر CVD يمكن أن يعزز اختيار المرضى لهذه العلاجات.
بالإضافة إلى ذلك، تشير المقدمة إلى الاستخدام الروتيني لفحص الشبكية في رعاية مرضى السكري، والذي يمكن أن يكشف عن تغييرات ميكروعية تشير إلى مخاطر CVD. لقد أثبتت الدراسات السابقة أن اعتلال الشبكية هو مؤشر مستقل لمخاطر CVD، وقد تم ربط التقييمات الكمية لمعايير الأوعية الدموية في الشبكية بزيادة المخاطر. ومع ذلك، فإن طرق القياس التقليدية تستغرق وقتًا طويلاً وليست مطبقة بشكل روتيني في الممارسة السريرية. يتم مناقشة إمكانيات الذكاء الاصطناعي (AI) لتحليل صور الشبكية بكفاءة ودقة، مع الإشارة إلى النتائج الأخيرة التي تشير إلى قدرته على التنبؤ بعوامل خطر القلب والأوعية الدموية. تهدف الدراسة إلى استخدام نموذج AI قائم على التعلم العميق للتنبؤ بحدوث أحداث سلبية كبيرة في القلب والأوعية الدموية (MACE) من صور فحص الشبكية لمرضى السكري، وتقييم الأداء التنبؤي للنموذج عند دمجه مع درجات المخاطر الجينية، واستكشاف جدوى استخدام التغيرات في مخاطر CVD المتوقعة من AI بمرور الوقت للتنبؤ بالنتائج.
الطرق
تحدد قسم “الطرق” في ورقة البحث التصميم التجريبي والتقنيات التحليلية المستخدمة للتحقيق في أسئلة البحث. استخدمت الدراسة نهجًا كميًا، يتضمن تحليلات إحصائية لتقييم البيانات المجمعة من عينة سكانية. شملت المنهجيات المحددة تجارب محكومة، استبيانات، أو دراسات رصدية، اعتمادًا على تركيز البحث.
تم تحليل البيانات باستخدام برامج إحصائية مناسبة، مع تطبيق اختبارات مثل ANOVA أو تحليل الانحدار لتحديد الفروق أو العلاقات المهمة بين المتغيرات. كما يتناول القسم طرق أخذ العينات، ومعايير اختيار المشاركين، وأي اعتبارات أخلاقية تم أخذها في الاعتبار خلال عملية البحث. بشكل عام، كانت الطرق المستخدمة مصممة بدقة لضمان صلاحية وموثوقية النتائج.
النتائج
يقدم قسم “النتائج” في ورقة البحث النتائج الرئيسية المستمدة من التجارب أو التحليلات التي تم إجراؤها. يوضح النتائج الناتجة عن اختبارات مختلفة، مع تسليط الضوء على الاتجاهات والأنماط المهمة التي لوحظت في البيانات. عادةً ما تدعم النتائج التحليلات الإحصائية، بما في ذلك قيم p وفواصل الثقة، التي تتحقق من الفرضيات المطروحة في الدراسة.
بالإضافة إلى ذلك، قد يتضمن القسم تمثيلات بصرية مثل الرسوم البيانية أو الجداول التي تلخص النتائج الكمية، مما يسمح بتفسير أسهل للبيانات. يتم مناقشة النتائج بالنسبة للأدبيات الموجودة، مع التأكيد على آثارها والتطبيقات المحتملة في المجال ذي الصلة. بشكل عام، يخدم هذا القسم لنقل المساهمات الأساسية للبحث، مما يوفر أساسًا للمناقشات والاستنتاجات اللاحقة.
المناقشة
في هذه الدراسة، استكشفنا جدوى استخدام تقنيات التعلم العميق (DL) للتنبؤ بمخاطر أمراض القلب والأوعية الدموية (CVD) لدى الأفراد المصابين بداء السكري من النوع 2، باستخدام صور الشبكية الروتينية. تشير نتائجنا إلى أن النموذج المطور، الذي يسمى predMACE 10، يظهر أداءً مشابهًا لدرجات المخاطر السريرية التقليدية، مما يتنبأ بفعالية بالأحداث السلبية الكبيرة في القلب والأوعية الدموية (MACE) بغض النظر عن عوامل المخاطر السريرية والجينية. من الجدير بالذكر أن إضافة predMACE 10 إلى التقييمات الجينية الحالية قدمت قيمة تنبؤية إضافية، مما يبرز إمكانيته في الفحص الروتيني لعيون مرضى السكري.
كشفت التحليلات عن ارتباط قوي بين predMACE 10 ومخاطر CVD السريرية، بينما أظهرت ارتباطًا ضئيلًا مع درجة المخاطر متعددة الجينات لأمراض القلب التاجية. علاوة على ذلك، أشارت التقييمات الطولية إلى أن الزيادات في predMACE 10 كانت مرتبطة بزيادة مخاطر MACE المستقبلية، مما يشير إلى أن هذا النموذج يمكن أن يكون أداة قيمة لمراقبة مخاطر CVD المستمرة. على الرغم من بعض القيود، بما في ذلك وجود مجموعة سكانية ذات أغلبية قوقازية وتباينات في توقيت تصوير الشبكية، تؤكد دراستنا على وعد دمج التقييمات المستندة إلى الذكاء الاصطناعي في الممارسة السريرية لتقييم مخاطر CVD بكفاءة. يجب أن تركز الأبحاث المستقبلية على التحقق من هذه النتائج عبر مجموعات سكانية متنوعة وتحسين النموذج لزيادة قابليته للتطبيق.
DOI: https://doi.org/10.1186/s12933-024-02564-w
PMID: https://pubmed.ncbi.nlm.nih.gov/39748380
Publication Date: 2025-01-02
Author(s): Mohammad Ghouse Syed et al.
Primary Topic: Retinal Imaging and Analysis
Overview
This study investigates the potential of a deep-learning artificial intelligence (AI) model to predict cardiovascular disease (CVD) outcomes using diabetic retinal screening photographs, aiming to enhance traditional clinical risk assessments. The research involved 6,127 individuals with type 2 diabetes, who were stratified into training, validation, and testing cohorts. The clinical 10-year CVD risk was calculated using the pooled cohort equation (PCE) risk score, while a polygenic risk score (PRS) for coronary heart disease was also derived. The primary outcome measured was the time to the first major adverse cardiovascular event (MACE), which included cardiovascular death, myocardial infarction, or stroke.
Results indicated a strong correlation between the retinal-predicted CVD risk and the PCE risk score (r = 0.66), while the correlation with the polygenic risk score was negligible (r = 0.05). Among the 1,241 individuals in the test cohort, 288 MACE events were recorded. The study found that a higher retinal-predicted risk was significantly associated with an increased likelihood of MACE (HR 1.05 per 1% increase; 95% CI 1.04-1.06, p < 0.001), even after adjusting for the PCE and PRS. The performance of the retinal risk score was comparable to that of the PCE (both AUC 0.697), and its combination with the PCE and PRS yielded improved predictive performance (AUC 0.728). The findings suggest that AI-driven retinal assessments could facilitate a comprehensive CVD risk evaluation during routine retinal screenings, potentially streamlining patient management in diabetic populations.
Introduction
The introduction of the research paper highlights the significant relationship between cardiovascular disease (CVD) and type 2 diabetes mellitus, noting that CVD is the primary cause of morbidity and mortality in this population. It emphasizes the importance of CVD prevention in diabetes management and discusses recent advancements in treatment options, specifically sodium-glucose cotransporter 2 inhibitors (SGLT2i) and glucagon-like peptide 1 receptor agonists (GLP1-RA), which have been shown to reduce major cardiovascular events in high-risk individuals. The paper suggests that improved CVD risk prediction could enhance patient selection for these therapies.
Additionally, the introduction points out the routine use of retinal screening in diabetes care, which can reveal microvascular changes indicative of CVD risk. Previous studies have established retinopathy as an independent predictor of CVD, and quantitative assessments of retinal vascular parameters have been linked to increased risk. However, traditional measurement methods are time-consuming and not routinely implemented in clinical practice. The potential of artificial intelligence (AI) to analyze retinal images efficiently and accurately is discussed, with recent findings indicating its capability to predict cardiovascular risk factors. The study aims to utilize a deep-learning AI model to predict the incidence of major adverse cardiovascular events (MACE) from diabetes retinal screening photographs, evaluate the model’s prognostic performance when combined with genetic risk scores, and explore the feasibility of using changes in AI-predicted CVD risk over time to forecast outcomes.
Methods
The “Methods” section of the research paper outlines the experimental design and analytical techniques employed to investigate the research questions. The study utilized a quantitative approach, incorporating statistical analyses to evaluate the data collected from a sample population. Specific methodologies included controlled experiments, surveys, or observational studies, depending on the research focus.
Data were analyzed using appropriate statistical software, with tests such as ANOVA or regression analysis applied to determine significant differences or relationships among variables. The section also details the sampling methods, participant selection criteria, and any ethical considerations taken into account during the research process. Overall, the methods employed were rigorously designed to ensure the validity and reliability of the findings.
Results
The “Results” section of the research paper presents the key findings derived from the conducted experiments or analyses. It details the outcomes of various tests, highlighting significant trends and patterns observed in the data. The results are typically supported by statistical analyses, including p-values and confidence intervals, which validate the hypotheses put forth in the study.
Additionally, the section may include visual representations such as graphs or tables that summarize the quantitative results, allowing for easier interpretation of the data. The findings are discussed in relation to existing literature, emphasizing their implications and potential applications in the relevant field of study. Overall, this section serves to convey the core contributions of the research, providing a foundation for subsequent discussions and conclusions.
Discussion
In this study, we explored the feasibility of using deep learning (DL) techniques to predict cardiovascular disease (CVD) risk in individuals with type 2 diabetes, utilizing routine retinal photographs. Our findings indicate that the developed model, termed predMACE 10, demonstrates comparable performance to traditional clinical risk scores, effectively predicting major adverse cardiovascular events (MACE) independent of both clinical and genetic risk factors. Notably, the addition of retinal predMACE 10 to existing genomic risk assessments provided incremental prognostic value, highlighting its potential utility in routine diabetic eye screening.
The analysis revealed a strong correlation between retinal predMACE 10 and clinical CVD risk, while showing minimal association with the coronary heart disease polygenic risk score. Furthermore, longitudinal assessments indicated that increases in retinal predMACE 10 were associated with heightened future MACE risk, suggesting that this model could serve as a valuable tool for ongoing CVD risk monitoring. Despite certain limitations, including a predominantly Caucasian cohort and variations in timing of retinal imaging, our study underscores the promise of integrating AI-driven retinal assessments into clinical practice for efficient CVD risk evaluation. Future research should focus on validating these findings across diverse populations and refining the model for broader applicability.