DOI: https://doi.org/10.1038/s41591-024-03139-8
PMID: https://pubmed.ncbi.nlm.nih.gov/39030266
تاريخ النشر: 2024-07-19
المؤلف: Jiajia Li وآخرون
الموضوع الرئيسي: تصوير الشبكية والتحليل
نظرة عامة
تقدم البحث نظامًا متكاملًا للصورة واللغة، DeepDR-LLM، مصممًا لتعزيز رعاية مرضى السكري الأساسية وفحص اعتلال الشبكية السكري (DR)، لا سيما في البيئات ذات الموارد المحدودة حيث يوجد نقص في الأطباء المدربين في الرعاية الأولية (PCPs). يجمع النظام بين نموذج لغة كبير (LLM) ونموذج تعلم عميق قائم على الصور (DeepDR-Transformer) لتقديم توصيات إدارة السكري الشخصية. في تقييم استعادي، أظهر نموذج LLM أداءً مشابهًا لأداء PCPs والمقيمين في الغدد الصماء باللغة الإنجليزية، وتفوق على PCPs بينما تطابق أداء المقيمين في الغدد الصماء باللغة الصينية. لتحديد DR القابل للإحالة، كانت دقة PCPs غير المدعومين 81.0%، والتي تحسنت إلى 92.3% مع المساعدة من DeepDR-Transformer.
كما قيمت دراسة مستقبلية تأثير DeepDR-LLM على الالتزام بإدارة السكري. أظهر المرضى تحت ذراع PCP+DeepDR-LLM (n = 372) سلوكيات إدارة ذاتية أفضل بكثير مقارنةً بأولئك تحت ذراع PCP غير المدعوم (n = 397)، مع فرق ذو دلالة إحصائية (P < 0.05). بالإضافة إلى ذلك، أظهر المرضى الذين يعانون من DR القابل للإحالة في ذراع PCP+DeepDR-LLM احتمالًا أعلى للالتزام بإحالات DR (P < 0.01). كما عزز نشر DeepDR-LLM جودة وتعاطف توصيات الإدارة. نظرًا للزيادة المستمرة في انتشار السكري، لا سيما في البلدان ذات الدخل المنخفض والمتوسط، يمثل DeepDR-LLM حلاً رقميًا واعدًا لمواجهة التحديات في رعاية مرضى السكري الأساسية وفحص DR.
نقاش
تسلط قسم النقاش في ورقة البحث الضوء على تطوير وتقييم نظام DeepDR-LLM، وهو حل متكامل للصورة واللغة مصمم لتعزيز إدارة السكري وفحص اعتلال الشبكية السكري (DR) في بيئات الرعاية الأولية، لا سيما في البيئات ذات الموارد المحدودة. أظهرت الدراسة أن نموذج LLM من DeepDR-LLM تفوق على النماذج العامة مثل LLaMA وقدم توصيات قابلة للمقارنة مع تلك التي قدمها المقيمون في الغدد الصماء. في كل من التقييمات باللغة الإنجليزية والصينية، أظهر DeepDR-LLM نسبة عالية من التوصيات بدون محتوى غير مناسب واحتمالية منخفضة للأذى، مما يدل على موثوقيته للاستخدام السريري.
علاوة على ذلك، أظهر نموذج DeepDR-Transformer أداءً قويًا في تصنيف DR عبر مجموعات بيانات متنوعة، بما في ذلك صور قاع العين القياسية والمحمولة، مما يسهل الفحص في نقطة الرعاية. كشفت الدراسة المستقبلية في العالم الحقيقي أن دمج DeepDR-LLM في استشارات المرضى حسّن بشكل كبير سلوكيات الإدارة الذاتية بين مرضى السكري الذين تم تشخيصهم حديثًا وزاد من الالتزام بإحالات طب العيون لأولئك الذين يعانون من DR القابل للإحالة. على الرغم من بعض القيود، مثل الحاجة إلى تدريب ديموغرافي أوسع وغياب تصميم تجارب عشوائية محكومة، تؤكد النتائج على إمكانية DeepDR-LLM في تعزيز رعاية السكري، لا سيما في الفئات السكانية المحرومة، من خلال تقديم توصيات إدارة شخصية وتعاطفية وتحسين مشاركة المرضى في إدارة صحتهم.
DOI: https://doi.org/10.1038/s41591-024-03139-8
PMID: https://pubmed.ncbi.nlm.nih.gov/39030266
Publication Date: 2024-07-19
Author(s): Jiajia Li et al.
Primary Topic: Retinal Imaging and Analysis
Overview
The research presents an integrated image-language system, DeepDR-LLM, designed to enhance primary diabetes care and diabetic retinopathy (DR) screening, particularly in low-resource settings where there is a shortage of trained primary care physicians (PCPs). The system combines a large language model (LLM) and an image-based deep learning model (DeepDR-Transformer) to provide personalized diabetes management recommendations. In a retrospective evaluation, the LLM module exhibited performance comparable to that of PCPs and endocrinology residents in English, and it outperformed PCPs while matching the performance of endocrinology residents in Chinese. For identifying referable DR, the average accuracy of unassisted PCPs was 81.0%, which improved to 92.3% with assistance from DeepDR-Transformer.
A prospective study further assessed the impact of DeepDR-LLM on diabetes management adherence. Patients under the PCP+DeepDR-LLM arm (n = 372) demonstrated significantly better self-management behaviors compared to those under the unassisted PCP arm (n = 397), with a statistically significant difference (P < 0.05). Additionally, patients with referral DR in the PCP+DeepDR-LLM arm showed a higher likelihood of adhering to DR referrals (P < 0.01). The deployment of DeepDR-LLM also enhanced the quality and empathy of management recommendations. Given the increasing prevalence of diabetes, particularly in low- and middle-income countries, DeepDR-LLM represents a promising digital solution to address the challenges in primary diabetes care and DR screening.
Discussion
The discussion section of the research paper highlights the development and evaluation of the DeepDR-LLM system, an integrated image-language solution designed to enhance diabetes management and diabetic retinopathy (DR) screening in primary care settings, particularly in low-resource environments. The study demonstrated that the LLM module of DeepDR-LLM outperformed generic models like LLaMA and provided recommendations comparable to those made by endocrinology residents. In both English and Chinese evaluations, DeepDR-LLM showed a high percentage of recommendations with no inappropriate content and low likelihood of harm, indicating its reliability for clinical use.
Furthermore, the DeepDR-Transformer module exhibited robust performance in grading DR across diverse datasets, including both standard and portable fundus images, thus facilitating point-of-care screening. The real-world prospective study revealed that integrating DeepDR-LLM into patient consultations significantly improved self-management behaviors among newly diagnosed diabetes patients and increased adherence to ophthalmology referrals for those with referable DR. Despite some limitations, such as the need for broader demographic training and the absence of randomized controlled trial design, the findings underscore the potential of DeepDR-LLM to enhance diabetes care, particularly in underserved populations, by providing personalized, empathetic management recommendations and improving patient engagement in their health management.