APVRS2021大会速递丨葡萄膜炎和眼部炎症的管理和诊断

  • 2022-02-17 17:04:00
  • 5629 Views

编者按:APVRS 2021于12月11-12日以线上虚拟会议模式圆满召开,来自亚太地区多个国家的眼科学者与大家分享了眼科学领域的最新研究进展。来自日本杏林大学医学院的Annabelle OKADA教授分享了葡萄膜炎诊断分类的新研究。Annabelle OKADA教授所在的团队建立了葡萄膜炎命名法(SUN)标准化工作小组,以进一步推动葡萄膜炎命名和诊断工作的规范化和标准化。

 
在临床工作中,葡萄膜炎的诊断缺乏统一共识,专家诊断一致性较低。葡萄膜炎的分类标准强调特异性,将定义与疾病表型相匹配,便于分类;诊断标准则突出敏感性,为诊疗方式的选择提供重要依据。SUN标准化工作小组目前制定了25种常见疾病的分类标准,分为三大类:感染性疾病、系统性疾病和非系统性疾病。
 
表1. 25种常见疾病的诊断分类标准
图片
分类标准的制定工作分为5个阶段:
 
1)信息收集:在2009到2010年间制定了一套标准化的语言来描述葡萄膜炎,并完成数据收集工作的开发。
 
2)病例收集:在2010到2016年收集每种疾病的病例150到250例,作为数据库的初始信息。
 
3)病例选择:在2016到2017年根据专家共识从每一种疾病中选出122到200个病例。
 
4)机器学习:在2018到2019年期间利用机器学习技术优化分类标准,最小化分类误差。
 
5)成果分享:在2019到2021年期间完成了研究结果的回顾和整理,会议分享和文章的发表。
 
病例收集阶段,共纳入了5766个病例,其中4046个病例经过筛选进入机器学习阶段。病例来自于五个国家和地区,累及了不同的眼部结构。
 
表2. 病例分类和选择
图片
机器学习的分类标准包括疾病累及的区域:眼前段、眼中段、眼后段、全葡萄膜炎、感染性眼后段或全葡萄膜炎。85%的数据作为训练集,15%的病例用于模型验证。模型会学习每个特征的有无,以达到良好的识别效果。采用Boruta模型分析数据集,确定准确性和预测变量之间的关系。采用多种模型训练方法:CART、随机森林、多重logistic回归、支持向量机,四个模型都给出了相似的训练结果。在验证过程中,模型对5种疾病分类的准确性都超过了90%,其中对眼中段葡萄膜炎的分类准确性达到了99%。
 
表3. 机器学习模型的准确性
图片
人机PK的过程中,机器学习模型表现出与专家接近的诊断分类准确性,表现出良好的应用效果。其中对眼中段葡萄膜炎的分类准确性超过了人类专家。
 
以白塞病为例,一个85岁男患者患有口腔溃疡,复发慢性视网膜血管炎症。根据国际研究小组(ISG)的白塞病诊断标准,口腔溃疡并发生殖器溃疡、葡萄膜炎、典型皮肤病变或皮肤病理学阳性反应四个症状中的任意两个,即可诊断为白塞病。SUN的诊断标准将其进一步完善。以下眼部症状出现任意一个:眼前段葡萄膜炎、眼前中段葡萄膜炎、眼后段葡萄膜炎并有视网膜血管炎和/或局灶性视网膜浸润、全葡萄膜炎伴有视网膜血管炎和/或局灶性视网膜浸润,并符合ISG的白塞病诊断标准,可诊断为白塞病。排除标准为梅毒螺旋体血清学监测阳性、存在结节病的相关表现。
 
总的来说,SUN分类标准具有极高的应用准确性,适用于临床工作和转化研究。但分类标准和诊断标准不能相互混淆,分类标准会随着研究的深入不断发展,以更好的指导诊断工作。
 
2 comments

发布留言

条评论

  • Linda Gareth
    2015年3月6日, 下午2:51

    Donec ipsum diam, pretium maecenas mollis dapibus risus. Nullam tindun pulvinar at interdum eget, suscipit eget felis. Pellentesque est faucibus tincidunt risus id interdum primis orci cubilla gravida.


相关阅读