Table of Contents

Разбиране на данните за диабетната леща и ролята й в изследванията на HHS

Тези промени включват ускорено образуване на катаракта, промени в плътността на лещите, и промени в автофлуоресценцията. Изследователите отдавна признават, че лещата действа като метаболитно досие, трупайки щети от хипергликемия и оксидативен стрес. Когато се комбинира със здравни резултати, проследени от Министерството на здравеопазването и човешките услуги (HHS), данните за диабетната леща могат да разкрият тенденциите на населението години преди повърхността на системни усложнения.

Диабетът остава едно от най-скъпите хронични условия в САЩ, като HHS преценява, че един от всеки трима възрастни има преддиабет. Лещата предлага неинвазивен прозорец в гликемичен контрол в продължение на месеци и години. С систематично събиране и анализиране на изображения на лещи от рутинни очни прегледи, изследователите могат да идентифицират субпопулации в риск от хиперостоларно хипергликемично състояние (HHS), хоспитализации и смъртност. Този подход, воден от данни, преминава отвъд реактивно лечение към предсказуеми стратегии за общественото здраве.

За фон на метаболитната връзка между лещата и диабета, виж Национален център за биотехнологии Информационен преглед на образуването на диабетна катаракта. За преглед на системите за наблюдение на HHS, посетете CDC Dabystic Data and Statistics page.

Основни методиологически подходи към данните за лентовите лещи

Ефективното използване на данни от диабетни лещи изисква структуриран тръбопровод, който започва със стандартизирана колекция и завършва с действени прозрения. Изследователите трябва да отчитат променливостта в оборудването за изображения, демографските данни на пациентите и пълнотата на данните. По-долу ние подробно подробно ключовите фази на този тръбопровод, разширяване на първоначалната рамка, за да се включат най-добрите практики.

Събиране на данни и стандартизиране

Някои практики използват камерите на Scheimpflug за леща денситометрия; други разчитат на цепка-лампа класификация или оптична съгласуваност томография (OCT). За да се изгради научно-качествен набор от данни, изследователите трябва да хармонизират тези източници в обща схема, която включва:

  • Lens непрозрачност [ (напр. класификация LOCS III или количествени стойности на плътността)
  • Интензитет на автофлуоресценция[ като заместител на напреднали крайни продукти от гликацията (AGES)
  • Дебелина на клещите и кривина[ измерена чрез биометрия
  • Дата на изпита и едновременно HbA1c[ за корелиране на промените в лещата с гликемичен контрол
  • Метаданни за устройство за запис (make, modle, software version) за да се даде възможност за кръстосано калибриране

Стандартизираните криптографски системи като SNOMED и LOINC могат да се прилагат към находките от лещите, позволяващи интегриране с електронни здравни записи (EHRs). LOINC база данни осигурява кодове за плътност на лещите и морфология, които се свързват директно с данните от фенотип. Освен това, приемането на ]FHIR стандарт[ за оперативно съвместими здравни данни позволява измервания на лещите да се движат безпроблемно между очните клиники и изследователски бази данни.

Интеграция на данни с HHS и клинични данни

След като данните от лещите са в последователен формат, те трябва да бъдат обединени с други здравни показатели.

  • Доклади за освобождаване от отговорност във връзка с лечението с болнично заболяване за прием, свързан с HHS (диабетна кетоацидоза, хиперосмоларно състояние, инсулт, миокарден инфаркт)
  • Лабораторатори (серумова глюкоза, електролити, бъбречна функция)
  • Твърдения за фармация за диабетни лекарства и употреба на инсулин
  • Демографски и социално-икономически данни[ от преброяване или проучвания на пациенти

Например, свързване на нивата на автоматичното флуоресцентно наблюдение на обектива в изходното положение до тригодишните нива на HHS събитие показва, че високата натрупване на AGE удвоява коефициента на опасност за хоспитализация на HHS след коригиране за HbA1c. Това прозрение би било невидимо само при рутинния гликемичен мониторинг. Изследователите трябва да включат и индекси на социална уязвимост, достъпни чрез CDC год. Социално уязвимост Индекс, за да се разбере как факторите на квартала променят връзката леща-HHS. Освен това, свързване с претенциите на Medicanare (чрез CMS Research Identiful Files) може да предостави национално представителна извадка с подробни резултати.

Анализ: От показателен към предсказуем

Дескриптивната статистика първо потвърждава дали параметрите на лещите се различават в зависимост от възрастта, расата и продължителността на диабета. Следващите, модели за машинно обучение, които са градиентни, случайни гори и невронни кътчета могат да бъдат обучени да предсказват HHS резултати. Ключови прогностични функции включват:

  • Скор на плътността на лещата при диагностика
  • Увеличение на плътността за 12 месеца
  • Съотношение на автофлуоресценция към леща
  • Условия за взаимодействие с HbA1c вариабилност
  • Автофлуоресцентна система за автофлуоресценция, нормализирана за възраст

Агенция за медицински изследвания и качество Национална информация за качеството и диспарациите[ е полезен показател за сравняване на резултатите на модела с националните тенденции. Разширените подходи, като например анализ на оцеляването с време-независими колегиати, могат да уловят динамичния характер на промените в лещите, както се приближават събитията на HHS. Освен това изследователите трябва да обмислят използването на конкурентни модели на рискове (Fine-Gray), защото смъртта може да изключи HHS събития.

Обстоятелства по отношение на инженерните функции

С цел да се създадат значими характеристики от изображения на необработени лещи, може да се направи повече от извличане на средна плътност. Анализ на текстурата (напр., Haralick функции) може да се открият фини пространствени модели на отлагане на AGE. Deep learning autoencoders могат да компресират високомерни данни на изображения в латентни изображения, които корелират с HHS риск. Изследователите трябва да обмислят използването на Kaggle набор от данни за диабетна ретинопатия като отправна точка за обучение конволюционни мрежи, след това глоба-тюн на обектив-специфично изображение. По-скоро инженерно оборудване може да включи локализирани градиенти на плътност (напр., кортикална срещу ядрени региони), които могат да имат различно прогностнологово значение.

Утвърждаване срещу клинични крайни точки

Не е полезен модел без валидиране в реалния свят. Следователите трябва да съпоставят прогнози с действителните HHS събития, записани в Medicare или Medicaid вземания данни. Чувствителност, специфичност и положителна прогностична стойност трябва да бъдат докладвани. Идеално, бъдещото подпроучване произволно определя подмножество от участници, за да получи засилено наблюдение въз основа на оценка на риска от леща; намаляването на HHS събития служи като златна крайна точка. U.S. Preventive Services Task Force рамка доказателства може да ръководи дизайна на такива проучвания. За валидиране въз основа на претенции, гарантира, че HHS събития са определени с помощта на валидирани ICD-10 кодове (E11.01, E13.01 за хиперомоларитет с кома, и E11.00, E13.00 без кома), за да се избегне погрешното определяне.

Обръщение към темпоралната динамика и Longitudnal Modeling

Промените в лещите не са статични; повтарящите се измервания с течение на времето осигуряват траектория, която отразява кумулативните метаболитни обиди. Моделите на смесени ефекти със случайни прехващания и наклони могат да оценят как промените в плътността на лещите на единица време и как този процент ускорява с влошаващ се гликемичен контрол. Joint модели, свързващи надлъжния обектив биомаркер с времето-HHS събитие предлагат единна рамка, която може да актуализира риска прогнози динамично.

Приложения на данни за обектива в политиката за HHS и здравето на населението

Истинската стойност на изследванията на диабетната леща се крие в нейния превод на политика и клинични насоки. По-долу са три области с високо въздействие, всяка с разширени детайли за изпълнение.

Целева проверка в недохранени популации

HHS е идентифицирала значителни различия в резултатите от диабета сред расовите и етническите малцинства. Данните от лещите могат да бъдат събрани по време на рутинни прегледи на зрението в здравните центрове на общността, федерално квалифицирани здравни центрове (FQHCs) и мобилни клиники. Чрез приоритетизиране на лица с повишена леща автофлуоресценция за диабет и интензивно управление на глюкозата, ресурсите могат да бъдат насочени там, където рискът е най-висок. Пилотна програма в сътрудничество с HE Ресурси и услуги Администрация[ може да демонстрира икономии на разходи от предотвратяване на приемането на HHS. Например, проверка на 10 000 пациенти в високорискова област може да идентифицира 1200 с повишени лещи AGEs; намеса с телездравно обучение може да намали хоспитализациите на HHS с 15%, спестявайки приблизително 2,8 милиона долара годишно. Важно е, че такива програми трябва да включват културни конструктурирани интервенции и адреси на здравето като например в сигурността и транспорта на храните.

Мониторинг на тенденциите на населението с течение на времето

Обобщените данни от обективите от милиони годишни очни изпити могат да служат като система за наблюдение на сентинела за гликемичен контрол. Когато средната плътност на лещата в дадена област се издига над прага, служителите на общественото здраве могат да разследват местни фактори, като например хранителни пустини, затваряне на аптеката или липса на достъп до ендокринология и намеса преди HHS хоспитализационния процент пикове. Този проактивен подход съвпада с здравите хора на HHS 2030 цели за намаляване на усложненията, свързани с диабета. Например, програмите за профилактика и контрол на диабета (DPCP) в държавните здравни отдели могат да интегрират таблото с данни за лещите заедно с традиционните рискови фактори. Инструментът за измерване на болест на Chronic от CDC вече публикува областно ниво на диабета; добавянето на лещата "гликемична тежест" може да обогати този инструмент и зони за целево финансиране.

Информиране на мерките за възстановяване и качество

В момента, HHS качествени програми за диабет се фокусират до голяма степен върху HbA1c цели и изпити за ретината. Включвайки данни от лещи в съставни мерки за контрол на диабета може да възнагради доставчиците, които управляват дългосрочни гликемични щети. Например, намаляване на средната леща автофлуоресценция в продължение на две години може да се класира клиника за плащане на база стойност бонуси. Това променя стимулите от епизодични проверки на глюкозата към устойчиво метаболитно здраве.Централните центрове за медицински и медицински услуги (CMS) Програма за качество плащане може да тества такива мерки в демонстрационен проект с отговорни организации. За да се оперира това, CMS ще трябва да се създаде национален регистър за измерване на лещите, стандартизирани кодове за докладване (като се използват горепосочените LOINC и SNOMED CT), и да се коригира за базов риск (напр. възраст, базовата диабетна тежест).

Да се справяме с критичните предизвикателства и с Питфол

Въпреки обещанието, трябва да се преодолеят няколко бариери пред основните изследвания на данните от лещите.

Поверителност на данните и спазване на нормативните изисквания

Обективите трябва да спазват правилата за поверителност и сигурност на ИППА. Де-идентификацията на изображенията преди анализа е идеална, но много алгоритми изискват данни на ниво пиксел, които теоретично могат да бъдат идентифицирани чрез лицеви функции (ако изображението на обектива улавя ириса и склера). Оценката на риска и споразуменията за използване на данните с обхванатите субекти са задължителни. Службата за граждански права осигурява насоки в HS OCR уебсайта. За многоцентрови проучвания, стандартизираният модел за използване на данните може да рационализира съответствието. Освен това изследователите следва да прилагат принципите за минимизиране на данните в рамките на почивка и транзит: събира само минималния пикселен регион (напр. култура към лещата) и премахва белезите за лицевите знаци.

Стандартизация на данните чрез системи

Два офталмолога могат да определят различни LOCS III резултати на един и същ катаракт. Въпреки това, тези устройства не са все още повсеместно. Изследователите трябва да документират метода на измерване и да калибрират през инструменти, ако комбинират множество източници. Референтен фантом (напр. стандартизирана оптична плътност, симулирана от филтрите за неутрална плътност) може да помогне. Открити платформи като OpenCV може да автоматизира плътността на лещата от цепнати изображения, осигурявайки ниска цена алтернатива на софтуера. Националният очен институт в момента разработва референтна база данни за обектив Автомулаторизация; изследователите следва да си сътрудничат за хармонизиране на протоколите.

Техническа инфраструктура и компутационен товар

Спестяване и обработка на милиони изображения изисква облачна инфраструктура с GPU ускорение за дълбоко обучение. Малките изследователски групи могат да нямат тези ресурси. Федералните учебни заведения, където моделите са обучени на разпределени данни без централизиране на необработени изображения и други. Алтернативни услуги за защита на личните данни, но изпълнението е сложно. Партньорствата с академични медицински центрове или национални лаборатории могат да осигурят необходимата компутна мощност. Ресурси като NSF Програма за достъп до облак могат да помогнат на по-малките екипи да получат високопроизводителни компютри. Освен това, задвижването на предварително обучени модели чрез трансферно обучение може да намали компютърната тежест: модел, предварително обучен върху голям набор от околимнинини или катаракта изображения може да бъде фино обучен върху обективи с по-малко проби и по-малко време.

Объркани от възрастта и съкровищниците

70-годишният с диабет тип 2 ще има повече сенилен катаракт от 50-годишен със сходни гликемична експозиция. Освен това, лекарства като кортикостероиди ускоряват образуването на катаракта, объркват сигнала на диабета. Изследователите трябва да се адаптират за възраст, пол, продължителност на диабета, пушенето и употребата на стероиди във всички анализи. Протензивността скор съвпада или обратна вероятностно тегло може да изолира специфичен за диабета ефект върху промените в лещата и последващия риск от HHS. Анализите на чувствителността, използващи инструментални променливи (напр. генетични варианти, свързани с метаболизма на лещите), могат допълнително да засилят причинно-следствената връзка. Практическият подход е да се изолират анализите по възраст и тест за взаимодействие с продължителността на диабета. Също така да се обмисли включването на сравнителна група от недиабетни индивиди, за да се установят възраст-северативни стойности на лещи.

Избор на Bias и генерализируемост

Данните от лещите обикновено се събират от пациенти, които присъстват за очни изпити, които могат да се насочат към тези с известни очни условия или по-висока здравна грамотност. Това създава пристрастие към избора. За да се смекчи, изследователите могат да се свържат с кохорти, базирани на населението (напр., NHAnes очен изпит подпроучване) или да използват тежести за вземане на проби от получени от EHR данни. При докладване резултатите ясно описват изходните популации и ограничения. Външната валидиране в отделна, географски обособена кохорта е от съществено значение преди всяка препоръка на политиката.

Бъдещи указания: интегриране на геномиката, носимите и телемедицината

Следващата граница съчетава данни от лещи с полигенни резултати за риска при диабетни усложнения. Лица с генетични варианти, които предразполагат към натрупване на лещи AGE може да се нуждаят от по-ранна интервенция. По същия начин, непрекъснатите глюкозни монитори (CGM) осигуряват фино-зърнести данни за гликемична вариабилност; свързването на CGM следи към обектив автофлуоресценция може да определи специфичните гликемични модели (напр., постпрандиални шипове срещу продължителна хипергликемия), които движат увреждане на лещата. Този мулти-омичен подход ще усъвършенства предвиждащите модели от ниво популация до наистина индивидуализирани. Например пациент с висок полигенен рисков резултат за катаракта, съчетан с висока леща автофлуоресценция и повишена гликемична променливост може да бъде стратифицирани за агресивна интензифицирана терапия.

Освен това преносимите устройства за изображения на лещи (смартфони базирани камери с адаптивни лещи) могат да позволят екрани на базата на телемедицина в селските райони. HHS широколентовите инициативи и Telehealth.HHS.gov порталът вече поддържа дистанционно наблюдение на пациенти; добавяйки оценка на лещите към списъка на реимбурсируемите телемедицински услуги биха могли драстично да разширят събирането на данни.Съединено с алгоритмите за изкуствен интелект, използвани в облака, тези инструменти биха могли да осигурят възможност за реално време за стратификация на риска при рутинен очен преглед. Програми като Федералното бюро на политиката за здравеопазване на селските райони може да пилотират такива интервенции, като акцент върху обучението на здравните работници в общността за работа с устройства за изображения.

Заключение

Данните от камерите за диабет са много повече от бележка под линия в неофициално изследване. Това е надлъжно биомаркер на кумулативни метаболитни наранявания, които корелират силно с резултатите от HHS. Чрез стандартизиране на събирането, интегриране със съществуващите здравни набори, и прилагане на напреднали аналитични данни, изследователите могат да отключите прогностични модели, които спестяват животи и намаляват разходите за здравеопазване.Политиците трябва да инвестират в инфраструктура, защита на личните данни, както и обучение на работната сила, за да направят данните от лещите крайъгълен камък на наблюдението на диабета. Връщането на тази инвестиция ще бъде измерено в предотвратени спешни посещения, ампутации и неотложен труд, но базата данни вече е достатъчно силна, за да започне тази трансформация.