Khảo sát ứng dụng AI trong sàng lọc bệnh võng mạc đái tháo đường tại Bệnh viện E năm 2022 - 2024

Phạm Diệu Linh, Nguyễn Thị Lan Anh, Hoàng Thị Thu Hà

Nội dung chính của bài viết

Tóm tắt

Bệnh võng mạc đái tháo đường là một trong những biến chứng phổ biến của bệnh đái tháo đường, cũng là nguyên nhân hàng đầu gây mù lòa ở những người trong độ tuổi lao động. Khám sàng lọc bệnh võng mạc đái tháo đường rất cần thiết nhằm giảm gánh nặng cho bác sĩ điều trị đồng thời cải thiện chất lượng cuộc sống người bệnh. Tuy nhiên, việc thiếu nhân lực y tế chuyên sâu về bệnh võng mạc cùng với số lượng lớn người bệnh đái tháo đường cần sàng lọc là một thách thức lớn. Vì vậy, mục tiêu nghiên cứu nhằm khảo sát giá trị của ứng dụng AI trong sàng lọc bệnh võng mạc đái tháo đường. Phương pháp nghiên cứu mô tả cắt ngang trên 383 mắt đã được chẩn đoán đái tháo đường tại Bệnh viện E từ 7/2022 đến 2/2024. Kết quả trong số 383 mắt, tỷ lệ bệnh võng mạc đái tháo đường, bệnh võng mạc đái tháo đường chuyển tuyến và bệnh võng mạc đái tháo đường đe dọa thị lực lần lượt là 39,7%; 25,9% và 14,9%. Độ nhạy và độ đặc hiệu của AI trong chẩn đoán bệnh võng mạc đái tháo đường, bệnh võng mạc đái tháo đường chuyển tuyến, bệnh võng mạc đái tháo đường đe dọa thị lực lần lượt là 80,3% và 96,1%; 76,8% và 98,2%; 71,9% và 98,8%.

Chi tiết bài viết

Tài liệu tham khảo

1. Dianna J Magliano, Edward J Boyko, Beverley Balkau. IDF Diabetes Atlas 2021. IDF Diabetes Atlas. Accessed June 27, 2022. https://diabetesatlas.org/atlas/tenth-edition/
2. Data. Diabetes prevalence (% of population ages 20 to 79). Accessed May 11, 2022. https://data.worldbank.org/indicator/SH.STA.DIAB.ZS
3. Cai X, McGinnis JF. Diabetic Retinopathy: Animal Models, Therapies, and Perspectives. J Diabetes Res. 2016;2016:3789217. doi:10.1155/2016/3789217
4. Federman JL, Gouras P, Schubert H, et al. Retina and Vitreous: Textbook of Ophthalmology. Vol 9.; 1994.
5. Wong TY, Sun J, Kawasaki R, et al. Guidelines on Diabetic Eye Care: The International Council of Ophthalmology Recommendations for Screening, Follow-up, Referral, and Treatment Based on Resource Settings. Ophthalmology. 2018;125(10):1608-1622. doi:10.1016/j.ophtha.2018.04.007
6. Nguyễn Thị Lan Anh. Nghiên cứu các hình thái lâm sàng và một số yếu tố nguy cơ của bệnh võng mạc đái tháo đường tại Bệnh viện E Trung ương. Luận văn chuyên khoa cấp II. Trường Đại học Y Hà Nội; 2017.
7. Trần Thị Hải Linh. Phân loại giai đoạn bệnh võng mạc đái tháo đường dựa trên ảnh chụp đáy mắt kĩ thuật số tiêu chuẩn. Tạp chí Y học Việt Nam. 2022;514(1):200-203.
8. Lê Thị Hiền. Đánh giá đặc điểm lâm sàng bệnh võng mạc đái tháo đường tại Bệnh viện Đa khoa tỉnh Hòa Bình. Luận văn chuyên khoa cấp II. Trường Đại học Y Hà Nội; 2020.
9. Teo ZL, Tham YC, Yu M, et al. Global Prevalence of Diabetic Retinopathy and Projection of Burden through 2045. Ophthalmology. 2021;128(11):1580-1591. doi:10.1016/j.ophtha.2021.04.027
10. Raman R, Vasconcelos JC, Rajalakshmi R, et al. Prevalence of diabetic retinopathy in India stratified by known and undiagnosed diabetes, urban–rural locations, and socioeconomic indices: results from the SMART India population-based cross-sectional screening study. The Lancet Global Health. 2022;10(12):e1764-e1773. doi:10.1016/S2214-109X(22)00411-9
11. Vashist P, Gupta N, Singh S, et al. Role of early screening for diabetic retinopathy in patients with diabetes mellitus: An overview. Indian J Community Med. 2011;36(4):247. doi:10.4103/0970-0218.91324
12. Gargeya R, Leng T. Automated Identification of Diabetic Retinopathy Using Deep Learning. Ophthalmology. 2017;124(7):962-969. doi:10.1016/j.ophtha.2017.02.008
13. Gulshan V, Peng L, Coram M, et al. Development and Validation of a Deep Learning Algorithm for Detection of Diabetic Retinopathy in Retinal Fundus Photographs. JAMA. 2016;316(22):2402. doi:10.1001/jama.2016.17216
14. Arenas-Cavalli JT, Abarca I, Rojas-Contreras M, et al. Clinical validation of an artificial intelligence-based diabetic retinopathy screening tool for a national health system. Eye. 2022;36(1):78-85. doi:10.1038/s41433-020-01366-0
15. Rajalakshmi R, Subashini R, Anjana RM, et al. Automated diabetic retinopathy detection in smartphone-based fundus photography using artificial intelligence. Eye. 2018;32(6):1138-1144. doi:10.1038/s41433-018-0064-9
16. Scanlon PH, Foy C, Malhotra R, et al. The Influence of Age, Duration of Diabetes, Cataract, and Pupil Size on Image Quality in Digital Photographic Retinal Screening. Diabetes Care. 2005;28(10):2448-2453. doi:10.2337/diacare.28.10.2448
17. Abràmoff MD, Lou Y, Erginay A, et al. Improved Automated Detection of Diabetic Retinopathy on a Publicly Available Dataset Through Integration of Deep Learning. Invest Ophthalmol Vis Sci. 2016;57(13):5200. doi:10.1167/iovs.16-19964
18. Ting DSW, Cheung CYL, Lim G, et al. Development and Validation of a Deep Learning System for Diabetic Retinopathy and Related Eye Diseases Using Retinal Images From Multiethnic Populations With Diabetes. JAMA. 2017;318(22):2211. doi:10.1001/jama.2017.18152
19. Teo ZL, Tham YC, Yu M, et al. Do we have enough ophthalmologists to manage vision-threatening diabetic retinopathy? A global perspective. Eye. 2020;34(7):1255-1261. doi:10.1038/s41433-020-0776-5
20. Ting DSW, Cheung CY, Nguyen Q, et al. Deep learning in estimating prevalence and systemic risk factors for diabetic retinopathy: a multi-ethnic study. npj Digit Med. 2019;2(1):24. doi:10.1038/s41746-019-0097-x