Thanh bên bài viết
Số lượt xem PDF: 41
ỨNG DỤNG TRÍ TUỆ NHÂN TẠO TRONG ĐÁNH GIÁ BỆNH VÕNG MẠC ĐÁI THÁO ĐƯỜNG TẠI BỆNH VIỆN ĐA KHOA HÀ ĐÔNG
Nội dung chính của bài viết
Tóm tắt
Mục tiêu: Khảo sát ứng dụng trí tuệ nhân tạo đánh giá võng mạc trên bệnh nhân đái tháo đường. Đối tượng và phương pháp nghiên cứu: Đối tượng nghiên cứu là tất cả bệnh nhân được chẩn đoán bệnh đái tháo đường đến khám và điều trị tại khoa Nội tiết và khoa Mắt, Bệnh viện Đa khoa Hà Đông. Thời gian nghiên cứu: từ tháng 8/2022 đến tháng 7/2023. Nghiên cứu mô tả cắt ngang 228 bệnh nhân. Các bệnh nhân được chẩn đoán đái tháo đường, đồng ý tham gia nghiên cứu, và được lựa chọn ngẫu nhiên theo danh sách khám bệnh đến khi đủ số lượng nghiên cứu. Kết quả ảnh màu đáy mắt được đọc bởi bác sĩ nhãn khoa, áp dụng tiêu chuẩn phân loại của Hội đồng Nhãn khoa Quốc tế 2017 và được so sánh với kết quả trên phần mềm ứng dụng trí tuệ nhân tạo Cybersight AI. Kết quả: Độ tuổi trung bình các bệnh nhân trong nghiên cứu là 63,61 ± 11,01 tuổi, giới nữ chiếm tỷ lệ cao và type 2 là chủ yếu 99,6%. Thời gian mắc bệnh chủ yếu dưới 10 năm chiếm 62,3%, tăng HA 25,4%. Tỷ lệ chưa có bệnh võng mạc đái tháo đường là 64,1%, tỷ lệ có bệnh là 35,9%, trong đó võng mạc đái tháo đường không tăng sinh chiếm 30%, giai đoạn tăng sinh chiếm 5,9%. Tổn thương võng mạc hay gặp nhất là vi phình mạch (34,6%), xuất tiết (20,6%), xuất huyết võng mạc (22,4%), phù hoàng điểm chiếm tỷ lệ 12,6%. Phần mềm Cybersight AI có độ nhạy là 90%, độ đặc hiệu là 95%, độ chính xác là 91,92% trong chẩn đoán bệnh võng mạc đái tháo đường. Trong phát hiện tổn thương vi phình mạch và xuất huyết võng mạc, xuất tiết, phần mềm có độ nhạy rất cao 87% và 95%, 93%, độ đặc hiệu lần lượt là 93% và 98%, 71%. Trong phân loại giai đoạn bệnh võng mạc đái tháo đường, kết quả là khác nhau khi phân loại từng giai đoạn. Kết luận: Tỷ lệ có bệnh võng mạc đái tháo đường ở bệnh viện đa khoa Hà Đông là 35,9%. Có thể ứng dụng trí tuệ nhân tạo vào việc sàng lọc bệnh võng mạc đái tháo đường với độ nhạy và độ đặc hiệu rất cao.
Chi tiết bài viết
Tài liệu tham khảo
2. Tạ Văn Bình. Những Nguyên Lý, Nền Tảng Bệnh Đái Tháo Đường Tăng Glucose Máu. Nhà xuất bản Y học; 2007.
3. Commissioner O of the FDA permits marketing of artificial intelligence-based device to detect certain diabetes-related eye problems. FDA. Published March 24, 2020. Accessed July 7, 2022.
4. Abràmoff MD, Lavin PT, Birch M, Shah N, Folk JC. Pivotal trial of an autonomous AI-based diagnostic system for detection of diabetic retinopathy in primary care offices. NPJ Digit Med. 2018;1:39
5. Tufail A, Kapetanakis VV, Salas-Vega S, et al. An observational study to assess if automated diabetic retinopathy image assessment software can replace one or more steps of manual imaging grading and to determine their cost-effectiveness. Health Technol Assess Winch Engl. 2016;20(92)
6. 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
7. Ruamviboonsuk P, Krause J, Chotcomwongse P, et al. Deep learning versus human graders for classifying diabetic retinopathy severity in a nationwide screening program. NPJ Digit Med. 2019;2:25.
8. Bawankar P, Shanbhag N, K SS, et al. Sensitivity and specificity of automated analysis of single-field non-mydriatic fundus photographs by Bosch DR Algorithm-Comparison with mydriatic fundus photography (ETDRS) for screening in undiagnosed diabetic retinopathy. PloS One. 2017
9. Larsen N, Godt J, Grunkin M, Lund-Andersen H, Larsen M. Automated detection of diabetic retinopathy in a fundus photographic screening population. Invest Ophthalmol Vis Sci. 2003.