《Diagnostics》:AI-Assisted Triage for Diabetic Retinopathy Integrated into Routine Diabetes Care: A Real-World Diagnostic Accuracy Study of the DAIRET? Algorithm
编辑推荐:
背景:糖尿病视网膜病变(diabetic retinopathy, DR)的筛查资源消耗巨大。本研究评估了集成于电子病历系统中的DAIRET?人工智能(artificial intelligence, AI)算法作为日常糖尿病诊疗中分诊工具的真实世界诊断准确性
背景:糖尿病视网膜病变(diabetic retinopathy, DR)的筛查资源消耗巨大。本研究评估了集成于电子病历系统中的DAIRET?人工智能(artificial intelligence, AI)算法作为日常糖尿病诊疗中分诊工具的真实世界诊断准确性。方法:这是一项回顾性、符合STARD-AI标准的研究,纳入2025年4月至12月期间接受非散瞳眼底照相筛查的连续成年糖尿病患者。将DAIRET?的输出结果(“疑似”/“不疑似”)与对AI结果设盲的眼科医师分级结果进行比较。计算针对任何DR及可转诊DR(中度或更严重)的敏感性、特异性及预测值,并附精确95%置信区间。结果:在1051例患者中,185例(17.6%)患有DR:其中160例为非增殖性轻度DR,25例为中度非增殖性DR;未观察到重度DR病例。DAIRET?将271例患者(25.8%)分类为疑似。对于任何程度的DR,敏感性为59.5%(52.0–66.6),特异性为81.4%(78.7–83.9)。对于可转诊DR,敏感性为100.0%(86.3–100.0),特异性为76.0%(73.3–78.6),阴性预测值为100.0%(99.5–100.0)。在年龄<65岁及1型糖尿病患者中,特异性较低。结论:未遗漏任何可转诊病例,尽管敏感性是基于25例病例计算的(下限为86.3%),且有15例AI阴性患者缺乏完整的验证。74%被分类为“不疑似”的患者代表了一种潜在的、而非实际测量的转诊减少量。无法评估对重度或增殖性DR的性能,需进行多中心确认。
研究背景与目的
糖尿病(diabetes mellitus, DM)是21世纪增长最快的全球健康危机之一,预计到2050年全球患病数将超过13亿。糖尿病视网膜病变(diabetic retinopathy, DR)作为微血管并发症,是劳动年龄人口可预防性失明的主要原因。尽管早期DR无症状,但及时检测和管理可将5年内严重视力丧失的风险降低高达90%。然而,传统的基于直接眼底检查或传统眼底照相并由眼科医生异步审阅的筛查路径,受限于有限的眼科资源和漫长的等待时间,导致患者依从性差和二线转诊延迟。此外,意大利近期医疗政策变化限制在全面眼科会诊之外单独开具眼底检查处方,迫使医疗服务提供者将筛查服务分散至糖尿病专科门诊。然而,完全依赖专科医生手动评估图像的筛查模式会产生大量转诊,加重眼科资源负担。
人工智能(artificial intelligence, AI)技术整合到临床工作流程中,有望支持可扩展的DR筛查实施。自动预评估算法可在诊疗现场筛选出不疑似病例,仅将有疑似的扫描图像转交眼科评估,从而扩大筛查覆盖范围、简化临床工作流程并减轻专科医生工作量。在此框架下,DAIRET?算法提供了直接集成于临床糖尿病平台的视网膜图像自动预评估工具。本研究旨在评估DAIRET?算法在意大利北部一家医院的大规模糖尿病患者队列中的真实世界诊断性能,并探索其作为AI辅助分诊工具在融入日常糖尿病诊疗的DR筛查路径中的潜在作用。
研究方法
本研究为一项回顾性诊断准确性研究,在意大利洛迪ASST医院的糖尿病科开展,遵循STARD-AI指南报告。纳入2025年4月8日至12月10日期间所有接受眼底照相(color fundus photography, CFP)进行DR筛查的连续成年糖尿病患者(≥18岁)。主要排除标准为既往已确诊DR的患者。分析单位为患者个体,每例患者贡献一次检查,按受累较重的眼进行分类。视网膜图像采用非散瞳桌面数字眼底相机获取,每位患者每只眼采集两个视野。图像采集后直接存储于MètaClinic?电子病历平台。索引试验为DAIRET?算法,这是一种嵌入EMR平台的自动化机器学习软件,基于经典图像处理步骤与深度学习病灶检测相结合,在包含超过55,000例患者和245,000张视网膜图像的大型多中心数据集上训练而成。该算法采用固定的二元决策逻辑,若检测到DR特征则输出“疑似”,否则标记为“不疑似”。参考标准由一名对AI结果设盲、经验超过15年的眼科顾问医师在同一EMR平台上进行分级,依据国际临床糖尿病视网膜病变严重程度量表对DR的存在和严重程度进行分类。中度或更严重的DR被预先定义为“可转诊”DR。统计分析包括计算敏感性、特异性、阳性预测值(positive predictive value, PPV)、阴性预测值(negative predictive value, NPV)和总体准确率,均采用Clopper-Pearson精确法估算95%置信区间。进行了亚组分析和错误分析,并对部分验证缺失进行了敏感性分析。
研究结果
3.1 糖尿病视网膜病变患病率:在1051例患者中,根据眼科医师评估,866例(82.4%)无DR,185例(17.6%)存在DR:160例(15.2%)为轻度非增殖性DR(non-proliferative DR, NPDR),25例(2.4%)为中度NPDR。未观察到重度NPDR或增殖性DR病例。AI算法将271例(25.8%)分类为“疑似”,780例(74.2%)分类为“不疑似”。
3.2 任何严重程度DR的整体诊断性能:与眼科医师报告相比,AI算法检测任何等级DR的总体敏感性为59.5%,特异性为81.4%,PPV为40.6%,NPV为90.4%,总体准确率为77.5%。AI输出与临床评估之间的一致性为一般一致性。
3.3 可转诊DR的诊断性能:对于可转诊DR,AI实现了100.0%的敏感性,识别出样本中所有25例中度DR病例。由于未观察到重度DR病例,因此无法评估算法对重度NPDR或增殖性DR的性能。特异性为76.0%。假阴性完全归因于轻度DR形式,而无可转诊DR病例被算法标记为不疑似。NPV达到100.0%,表明在该队列中,“不疑似”输出从未与可转诊疾病相关联。
3.4 亚组分析:在所有亚组中,无一例可转诊DR患者被分类为“不疑似”。可转诊DR的特异性在年龄<65岁的患者中低于≥65岁者,在1型糖尿病(type 1 diabetes, T1D)患者中低于2型糖尿病(type 2 diabetes, T2D)患者。分层分析表明,T1D与T2D之间的差异不能仅由年龄解释,但该关联主要由<65岁年龄层驱动。性别和糖尿病病程与可转诊DR的特异性无明显关联。
3.5 假阳性分类的错误分析:在161例无DR但被分类为“疑似”的患者中,眼科医师在80例中记录了替代发现。图像伪影和生理性光反射是最常见的单一原因;反射相关的假阳性主要发生在年轻患者中。35例患者报告了本身可能值得眼科评估的非DR视网膜或视盘发现。对于81例假阳性,未报告任何替代发现。
3.6 敏感性分析:AI阳性结果在缺乏完整参考标准的33例患者中占比过高。若15例AI阴性且缺乏完整参考标准的患者中有1例、2例或3例患有可转诊DR,则可转诊DR的敏感性将分别降至96.2%、92.6%和89.3%,NPV仍≥99.6%。
讨论与结论
讨论:本研究表明,在日常糖尿病诊疗工作流程中集成的AI预评估软件DAIRET?在DR分诊中展现出高敏感性,未遗漏任何可转诊DR病例,尽管该估计值存在相当大的不确定性。约四分之三的患者被分类为“不疑似”,支持该算法作为高敏感性分诊工具的潜在作用。将算法嵌入常规糖尿病门诊的EMR软件中,支持一种将视网膜筛查整合到诊疗现场的实用模型。非眼科医护人员可在诊疗现场获取眼底照片,自动化系统立即过滤出清晰的扫描图像,使眼科专科医生能够优先评估有可疑视网膜异常的患者。与现有文献相比,DAIRET?的诊断性能应在其独特的保守运行特征背景下解读。其对任何DR的敏感性较低(59.5%),但对可转诊DR的敏感性达100%。较低的敏感性和特异性受到研究设计的影响,包括未选择连续患者、未排除共存眼部病变等。假阳性中有一部分发现了非DR但可能值得眼科评估的发现,这从筛查角度看可能是有益的结果而非筛查失败。图像伪影和生理光反射是假阳性的主要原因,尤其在年轻患者中更为常见,解释了年龄<65岁和T1D患者中特异性较低的现象。研究存在若干局限性:单中心设计、参考标准依赖单一眼科医师、未观察到重度DR、可转诊病例数量较少、部分患者缺乏完整参考标准、算法仅提供二元输出、未评估糖尿病黄斑病变、以及未评估组织影响或卫生经济学效应。
结论:将DAIRET?算法整合到日常糖尿病诊疗工作流程中,为糖尿病视网膜病变分诊提供了一种可行且有前景的模式。在本真实世界队列中,对于拥有完整参考标准的患者,“不疑似”输出从未与可转诊DR相关联,但敏感性的置信下限(86.3%)和参考标准的部分验证留下了残余的不确定性。约四分之三的患者被分类为“不疑似”,这提供了潜在转诊工作量减少的估计值,而非对转诊的直接测量效果。由于可转诊疾病仅包括中度非增殖性DR,这些结果并未确立对重度或增殖性DR的性能。研究结果支持使用现场AI辅助分诊来优化专科转诊,但不支持将该算法用作任何严重程度DR的独立筛查测试。需要进一步的前瞻性、多中心研究,采用多分级参考标准并充分代表重度DR病例,以确认这些发现并在更广泛的公共卫生环境中评估该算法的运营和经济影响。