-
1Academic Journal
Συγγραφείς: D. A. Dorofeev, V. E. Korelina, A. A. Vitkov, E. V. Kirilik, A. V. Kuroyedov, K. O. Lukyanova, A. A. Markelova, O. G. Pozdeeva, A. S. Khohlova, Д. А. Дорофеев, В. Е. Корелина, А. А. Витков, Е. В. Кирилик, А. В. Куроедов, К. О. Лукьянова, А. А. Маркелова, О. Г. Поздеева, А. С. Хохлова
Πηγή: National Journal glaucoma; Том 22, № 2 (2023); 29-37 ; Национальный журнал Глаукома; Том 22, № 2 (2023); 29-37 ; 2311-6862 ; 2078-4104
Θεματικοί όροι: прогностические модели глаукомы, glaucoma risk calculator, glaucoma progression calculator, glaucoma prognostic model, калькулятор риска развития глаукомы, калькулятор прогрессирования глаукомы
Περιγραφή αρχείου: application/pdf
Relation: https://www.glaucomajournal.ru/jour/article/view/452/413; Kucur ŞS, Holló G, Sznitman R. A deep learning approach to automatic detection of early glaucoma from visual fields. PLoS One 2018; 13(11):e0206081. https://doi.org/10.1371/JOURNAL.PONE.0206081; Asaoka R, Iwase A, Hirasawa K, Murata H, Araie M. Identifying “preperimetric” glaucoma in standard automated perimetry visual fields. Invest Ophthalmol Vis Sci 2014; 55(12):7814-7820. https://doi.org/10.1167/iovs.14-15120; Asaoka R, Murata H, Iwase A, Araie M. Detecting Preperimetric Glaucoma with Standard Automated Perimetry Using a Deep Learning Classifier. Ophthalmology 2016; 123(9):1974-1980. https://doi.org/10.1016/j.ophtha.2016.05.029; Mariottoni EB, Jammal AA, Urata CN, Berchuck SI, Thompson AC, Estrela T, Medeiros FA. Quantification of Retinal Nerve Fibre Layer Thickness on Optical Coherence Tomography with a Deep Learning Segmentation-Free Approach. Sci Rep 2020; 10(1):402. https://doi.org/10.1038/s41598-019-57196-y.; Maetschke S, Antony B, Ishikawa H, Wollstein G, Schuman J, Garnavi R. A feature agnostic approach for glaucoma detection in OCT volumes. PLoS One 2019;14(7):e0219126. https://doi.org/10.1371/JOURNAL.PONE.0219126; Jammal AA, Thompson AC, Ogata NG, et al. Detecting Retinal Nerve Fibre Layer Segmentation Errors on Spectral Domain-Optical Coherence Tomography with a Deep Learning Algorithm. Sci Rep 2019; 9(1):9836. https://doi.org/10.1038/S41598-019-46294-6; Medeiros FA, Jammal AA, Thompson AC. From Machine to Machine: An OCT-trained Deep Learning Algorithm for Objective Quantification of Glaucomatous Damage in Fundus Photographs. Ophthalmology 2019; 126(4):513. https://doi.org/10.1016/J.OPHTHA.2018.12.033; Christopher M, Belghith A, Bowd C, et al. Performance of Deep Learning Architectures and Transfer Learning for Detecting Glaucomatous Optic Neuropathy in Fundus Photographs. Sci Rep 2018; 8(1):16685. https://doi.org/10.1038/S41598-018-35044-9; Gajendran MK, Rohowetz LJ, Koulen P, Mehdizadeh A. Novel Machine-Learning Based Framework Using Electroretinography Data for the Detection of Early-Stage Glaucoma. Front Neurosci 2022; 16. https://doi.org/10.3389/FNINS.2022.869137; Дорофеев Д.А., Антонов А.А., Василенко Д.Ю. и соавт. Метод измерения внутриглазного давления с использованием технологий искусственного интеллекта и аппланационной тонометрии с фиксированной силой. Российский офтальмологический журнал 2022; 15 (2(Прил)):49-56. https://doi.org/10.21516/2072-0076-2022-15-2-supplement-49-56; Smigel K. Breast Cancer Prevention Trial shows major benefit, some risk. J Natl Cancer Inst 1998;90(9):647-648. https://doi.org/10.1093/JNCI/90.9.647; Living To 100 Life Expectancy Calculator. https://www.livingto100.com/. Accessed February 10, 2023.; Gordon MO, Torri V, Miglior S, et al. Validated prediction model for the development of primary open-angle glaucoma in individuals with ocular hypertension. Ophthalmology 2007; 114(1):10-19. https://doi.org/10.1016/j.ophtha.2006.08.031; Gordon MO. The Ocular Hypertension Treatment Study. Archives of Ophthalmology 1999; 117(5):573. https://doi.org/10.1001/archopht.117.5.573; Леошек М.В. Определение толерантного ВГД и прогнозирование скорости прогрессирования глаукомы по данным программы — калькулятора Балалина С.В. Бюллетень медицинских интернет- конференций. Саратов: Наука и инновации 2016; 797.; Балалин С.В., Фокин В.П., Юферов О.В. Программное обеспечение для определения толерантного и целевого давления у больных первичной открытоугольной глаукомой. РМЖ Клиническая офтальмология 2013; 13(4):144-147.; Авдеев Р.В., Александров А.С., Арапиев М.У. и соавт. Подозрение и начальная стадия глаукомы: дифференциально-диагностические критерии. Российский офтальмологический журнал 2017; 10(4):5-15. https://doi.org/10.21516/2072-0076-2017-10-4-5-15; Авдеев Р.В., Александров А.С., Бакунина Н.А. и соавт. Структурно- функциональные диагностические критерии в оценке вероятности наличия подозрения на глаукому и начальной стадии глаукомы. Медико-биологические проблемы жизнедеятельности 2017; 17(1):105-117.; Экгардт В.Ф., Дорофеев Д.А. Структурно-функциональные и гемо- динамические особенности пациентов при простой первичной и псевдоэксфолиативной открытоугольной глаукоме и офтальмогипертензии в модели прогнозирования развития глаукомы. Часть 3. Национальный журнал глаукома 2018; 17(4):3-15. https://doi.org/10.25700/NJG.2018.04.01; Li Z, He Y, Keel S, Meng W, Chang RT, He M. Efficacy of a Deep Learning System for Detecting Glaucomatous Optic Neuropathy Based on Color Fundus Photographs. Ophthalmology 2018; 125(8):1199-1206. https://doi.org/10.1016/J.OPHTHA.2018.01.023; Sengupta S, Singh A, Leopold HA, Gulati T, Lakshminarayanan V. Ophthalmic diagnosis using deep learning with fundus images — A critical review. Artif Intell Med 2020; 102. https://doi.org/10.1016/J.ARTMED.2019.101758; Garcia GGP, Nitta K, Lavieri MS, et al. Using Kalman Filtering to Forecast Disease Trajectory for Patients with Normal Tension Glaucoma. Am J Ophthalmol 2019; 199:111. https://doi.org/10.1016/J.AJO.2018.10.012; Garcia GGP, Lavieri MS, Andrews C, et al. Accuracy of Kalman Filtering in Forecasting Visual Field and Intraocular Pressure Trajectory in Patients With Ocular Hypertension. JAMA Ophthalmol 2019; 137(12):1416-1423. https://doi.org/10.1001/JAMAOPHTHALMOL.2019.4190; Kazemian P, Lavieri MS, van Oyen MP, Andrews C, Stein JD. Personalized Prediction of Glaucoma Progression Under Different Target Intraocular Pressure Levels Using Filtered Forecasting Methods. Ophthalmology 2018; 125(4):569. https://doi.org/10.1016/J.OPHTHA.2017.10.033; Xiong J, Li F, Song D, et al. Multimodal Machine Learning Using Visual Fields and Peripapillary Circular OCT Scans in Detection of Glaucomatous Optic Neuropathy. Ophthalmology 2022; 129(2):171-180. https://doi.org/10.1016/J.OPHTHA.2021.07.032/ATTACHMENT/ 6251BEAA-C04D-446E-BBA0-7DB330AC1958/MMC5.PDF; Draelos M, Ortiz P, Qian R, et al. Automatic optical coherence tomography imaging of stationary and moving eyes with a roboticallyaligned scanner. Proc IEEE Int Conf Robot Autom 2019; 2019:8897-8903. https://doi.org/10.1109/ICRA.2019.8793524; Ortiz P, Draelos M, Viehland C, et al. Robotically aligned optical coherence tomography with 5 degree of freedom eye tracking for subject motion and gaze compensation. Biomed Opt Express 2021; 12(12):7361. https://doi.org/10.1364/BOE.443537; Draelos M, Ortiz P, Qian R, et al. Contactless optical coherence tomography of the eyes of freestanding individuals with a robotic scanner. Nat Biomed Eng 2021; 5(7):726-736. https://doi.org/10.1038/S41551-021-00753-6; Симакова И.Л., Тихоновская И.А. Оценка эффективности периметрии с удвоением пространственной частоты в диагностике оптиконейропатий. Национальный журнал глаукома 2022; 21(1):23-35.https://doi.org/10.53432/2078-4104-2022-21-1-23-35; Li F, Song D, Chen H, et al. Development and clinical deployment of a smartphone-based visual field deep learning system for glaucoma detection. NPJ Digit Med 2020; 3(1):123. https://doi.org/10.1038/s41746-020-00329-9; Pradhan ZS, Sircar T, Agrawal H, et al. Comparison of the Performance of a Novel, Smartphone-based, Head-mounted Perimeter (GearVision) With the Humphrey Field Analyzer. J Glaucoma 2021; 30(4):E146-E152. https://doi.org/10.1097/IJG.0000000000001797; Liu Y, Holekamp NM, Heier JS. Prospective, Longitudinal Study: Daily Self-Imaging with Home OCT for Neovascular Age-Related Macular Degeneration. Ophthalmol Retina 2022; 6(7):575-585. https://doi.org/10.1016/j.oret.2022.02.011; Дорофеев Д.А., Визгалова Л.О., Горобец А.В. и соавт. Возможности искусственного интеллекта в измерении оттисков внутриглазного давления по Маклакову. Национальный журнал глаукома 2020; 19(1):20-27. https://doi.org/10.25700/NJG.2020.01.03; Weinreb RN, Friedman DS, Fechtner RD, et al. Risk assessment in the management of patients with ocular hypertension. Am J Ophthalmol 2004; 138(3):458-467. https://doi.org/10.1016/j.ajo.2004.04.054; Kymes SM. Effect of Patient’s Life Expectancy on the Cost-effectiveness of Treatment for Ocular Hypertension. Archives of Ophthalmology; 128(5):613. https://doi.org/10.1001/archophthalmol.2010.83; Lee PP, Walt JG, Doyle JJ, et al. A multicenter, retrospective pilot study of resource use and costs associated with severity of disease in glaucoma. Arch Ophthalmol 2006; 124(1):12-19. https://doi.org/10.1001/ARCHOPHT.124.1.12; Hattenhauer MG, Johnson DH, Ing HH, et al. The probability of blindness from open-angle glaucoma. Ophthalmology 1998; 105(11):2099-2104. https://doi.org/10.1016/S0161-6420(98)91133-2; Kass MA, Heuer DK, Higginbotham EJ, et al. The Ocular Hypertension; Treatment Study: a randomized trial determines that topical ocular hypotensive medication delays or prevents the onset of primary openangle glaucoma. Arch Ophthalmol 2002; 120(6):701-713. https://doi.org/10.1001/archopht.120.6.701; Gordon MO, Beiser JA, Brandt JD, et al. The Ocular Hypertension Treatment Study: baseline factors that predict the onset of primary open-angle glaucoma. Arch Ophthalmol 2002; 120(6):714-720; discussion 829-830. https://doi.org/10.1001/archopht.120.6.714; Blackwell B, Gaasterland D, Ederer F, et al. The Advanced Glaucoma Intervention Study (AGIS): 12. Baseline risk factors for sustained loss of visual field and visual acuity in patients with advanced glaucoma. Am J Ophthalmol 2002; 134(4):499-512. https://doi.org/10.1016/S0002-9394(02)01659-8; Leung CKS, Yu M, Weinreb RN, et al. Retinal Nerve Fiber Layer Imaging with Spectral-Domain Optical Coherence Tomography: A Prospective Analysis of Age-Related Loss. Ophthalmology 2012; 119(4):731-737. https://doi.org/10.1016/J.OPHTHA.2011.10.010; Chang TC, Ramulu P, Hodapp E. Clinical Decisions in Glaucoma SECOND. Miami: Ta Chen Chang; 2016.; Kim KE, Jeoung JW, Park KH. Author reply. Ophthalmology 2015; 122(7):e44-e45. https://doi.org/10.1016/j.ophtha.2015.01.004; Kim KE, Jeoung JW, Park KH, Kim DM, Kim SH. Diagnostic classification of macular ganglion cell and retinal nerve fiber layer analysis: Differentiation of false-positives from glaucoma. Ophthalmology 2015; 122(3):502-510.; https://doi.org/10.1016/j.ophtha.2014.09.031; Rebolleda G, Leal-Fonseca M, Moreno-Montañés J, Casas-Llera P, Muñoz-Negrete FJ. Re: Kim et al.: Diagnostic classification of macular ganglion cell and retinal nerve fiber layer analysis: differentiation of false-positives from glaucoma (Ophthalmology 2015; 122:502-10). Ophthalmology 2015;122(7):e43-e44. https://doi.org/10.1016/j.ophtha.2014.12.039; European Glaucoma Prevention Study (EGPS) Group, Miglior S, Pfeiffer N, et al. Predictive factors for open-angle glaucoma among patients with ocular hypertension in the European Glaucoma Prevention Study. Ophthalmology 2007; 114(1):3-9. https://doi.org/10.1016/j.ophtha.2006.05.075; Mwanza JC, Tulenko SE, Budenz DL, et al. Longitudinal Change in Central Corneal Thickness in the Tema Eye Survey. Am J Ophthalmol 2018; 186:10-18.; https://doi.org/10.1016/J.AJO.2017.11.002; Страхов В.В. Аннотация результатов исследований патогенеза и значения межокулярной асимметрии при первичной открытоугольной глаукоме. РМЖ Клиническая офтальмология 2015; 15(2):97-101.; Ловпаче Дж.Н., Завадский П.Ч., Зверева О.Г. и соавт. Комплаентность и персистентность у пациентов с первичной открытоугольной глаукомой с позиции офтальмолога. Национальный журнал глаукома 2020; 19(2):11-21. https://doi.org/10.25700/NJG.2020.02.02; Корнеева А.В., Куроедов А.В., Завадский П.Ч. и соавт. Приверженность гипотензивной терапии при глаукоме: мнение пациентов о ключевых факторах низкой степени комплаенса. Результаты многоцентрового интерактивного научно-аналитического исследования. Национальный журнал глаукома 2020; 19(3):12-21. https://doi.org/10.25700/NJG.2020.03.02; Ловпаче Д.Н., Дорофеев Д.А. Фармакоэкономическая целесообразность применения бесконсервантной терапии при лечении первичной открытоугольной глаукомы у пациентов с синдромом ≪сухого глаза≫ (промежуточные результаты). РМЖ Клиническая офтальмология 2017; 17(4):195-200. https://doi.org/10.21689/2311-7729-2017-17-4-195-200; Roberts M, Driggs D, Thorpe M, et al. Common pitfalls and recommendations for using machine learning to detect and prognosticate for COVID-19 using chest radiographs and CT scans. Nature Machine Intelligence 2021; 3(3):199-217. https://doi.org/10.1038/s42256-021-00307-0; Mc Grath O, Sarfraz MW, Gupta A, Yang Y, Aslam T. Clinical Utility of Artificial Intelligence Algorithms to Enhance Wide-Field Optical Coherence Tomography Angiography Images. J Imaging 2021;7(2)32. https://doi.org/10.3390/JIMAGING7020032; Fawcett T. An introduction to ROC analysis. Pattern Recognit Lett 2006; 27(8):861-874. https://doi.org/10.1016/J.PATREC.2005.10.010; Nam JG, Park S, Hwang EJ, et al. Development and Validation of Deep Learning-based Automatic Detection Algorithm for Malignant Pulmonary Nodules on Chest Radiographs. Radiology 2019; 290(1):218-228. https://doi.org/10.1148/RADIOL.2018180237; Patel BN, Rosenberg L, Willcox G, et al. Human–machine partnership with artificial intelligence for chest radiograph diagnosis. NPJ Digit Med 2019; 2:111.; https://doi.org/10.1038/S41746-019-0189-7; Tschandl P, Rinner C, Apalla Z, et al. Human-computer collaboration for skin cancer recognition. Nat Med 2020; 26(8):1229-1234. https://doi.org/10.1038/S41591-020-0942-0; Firestone C. Performance vs. competence in human–machine comparisons. Proc Natl Acad Sci U S A 2020;117(43):26562. https://doi.org/10.1073/PNAS.1905334117; Burr J, Mowatt G, Hernández R, et al. The clinical effectiveness and cost-effectiveness of screening for open angle glaucoma: a systematic review and economic evaluation. Health Technol Assess (Rockv) 2007; 11(41):1-190. https://doi.org/10.3310/hta11410; Korteling JE (Hans), van de Boer-Visschedijk GC, Blankendaal RAM, Boonekamp RC, Eikelboom AR. Human-versus Artificial Intelligence. Front Artif Intell 2021; 4. https://doi.org/10.3389/FRAI.2021.622364; https://www.glaucomajournal.ru/jour/article/view/452