《Canadian Journal of Ophthalmology》：Clinical Utility of an AI-Based Retinal Imaging Model for Cardiovascular Risk Prediction in Hypertensive Retinopathy
编辑推荐：
本研究评估Dr.Noon CVD人工智能模型在高血压视网膜病变（HR）患者中预测心血管疾病（CVD）风险的有效性。通过回顾性分析102例经Keith-Wagener-Barker分级分为正常、低级及高级HR患者的Dr.Noon CVD得分与传统评分（PREVENT、PCE、SCORE2等），结果显示模型能显著区分HR严重程度（p=0.002），且与常规模型结合提升CVD风险分层性能（AUC和NRI提高），支持视网膜生物标志物在CVD评估中的价值。
东振南（Dongjin Nam）| 张永焕（Yong-Hwan Jang）| 李永硕（Yongseok Lee）| 徐在元（Jaewon Seo）| 萨希尔·塔库尔（Sahil Thakur）| 西蒙·努西诺维奇（Simon Nusinovici）| 金文秀（Moonsu Kim）| 申永恩（Yong Un Shin）| 朴焕哲（Hwan-Cheol Park）| 黄顺珍（Sunjin Hwang）
Mediwhale公司，韩国首尔
摘要
目的
本研究对Dr.Noon CVD进行了独立的临床评估，这是一种基于人工智能（AI）开发的视网膜成像模型，用于预测心血管疾病（CVD）风险。我们评估了该模型是否能够有效评估患有高血压性视网膜病变（HR）患者的CVD风险，因为在这一人群中，传统CVD风险模型的适用性仍存在不确定性。
方法
我们回顾性地分析了汉阳大学古里医院（Hanyang University Guri Hospital）的102名年龄匹配的患者，并根据Keith–Wagener–Barker分级标准将他们分为正常组（组1）、轻度HR组（组2）和重度HR组（组3）。CVD风险通过Dr.Noon CVD评分和传统风险评分（PREVENT、PCE、SCORE2、SCORE2-Diabetes）进行评估。关联性和预测性能通过逻辑回归、ROC曲线下面积（AUC）和净重新分类改善（NRI）来评估。
结果
与组1相比，HR组的低密度脂蛋白胆固醇、估算的肾小球滤过率和血压显著升高（p < 0.05）。Dr.Noon CVD评分在不同HR等级之间存在显著差异（p = 0.002），尤其是在组3和组1之间（p = 0.002），而传统评分则没有显著差异（p > 0.1）。无论是在未调整模型（OR = 1.11；p = 0.001）还是调整后的模型中（OR = 1.33；p < 0.001），较高的Dr.Noon CVD评分都与组3相关。在急性HR和慢性HR患者中，评分保持稳定（p = 0.966）。将Dr.Noon CVD评分与传统评分结合使用可以改善CVD风险分类（更高的AUC和NRI）。
结论
Dr.Noon CVD能够识别HR患者的CVD风险升高，并在与现有模型结合使用时提高分层效果。这些结果支持在CVD风险评估中使用视网膜生物标志物的必要性，同时也强调了多学科管理的必要性。
研究设计
我们回顾性地分析了2018年1月至2024年1月期间在汉阳大学古里医院因高血压急症就诊的连续HR患者。本研究遵循了《赫尔辛基宣言》，并获得了机构审查委员会的批准（批准编号：GURI 2024-12-007-001）。
两名视网膜专家（Y.U.S.、S.H.）根据Keith–Wagener–Barker（KWB）系统独立对HR的严重程度进行了分级。21观察者间的一致性非常好（类内相关系数（ICC）
基线人口统计学和临床特征
最初，共有803名（年龄30–79岁）接受眼底检查和血脂检测的高血压患者被纳入筛选；排除后，剩余177名患者（其中52名患有HR，125名无HR）。经过年龄匹配后，最终分析包括102名患者：组1（无HR，n = 50），组2（轻度至中度HR，n = 25），组3（重度HR，n = 27）。所有患者均接受了Dr.Noon CVD评分和PREVENT评分的评估，PCE（n = 87）和SCORE2/SCORE2-Diabetes（n = 73）则在推荐年龄范围内进行评估。
讨论
在这项首次真实世界研究中，我们证明了Dr.Noon CVD这一在韩国和欧洲获准用于从视网膜图像预测CVD风险的商用人工智能模型，能够有效根据HR的严重程度对患者进行分层。
与传统CVD风险模型不同，Dr.Noon CVD评分在HR严重程度增加的患者中表现出上升趋势，并且即使在存在急性视网膜变化（如出血）的情况下，其预测CVD风险的能力也保持稳定。
局限性
本研究存在一些局限性。首先，由于样本量相对较小、采用单中心设计以及可能存在选择偏差，我们的研究结果普遍性有限。尽管重度HR组（n = 27）的样本量较小，但从Dr.Noon CVD评分的主要组间比较中观察到的效应大小（Cohen’s f = 0.3538；部分η2 ≈ 0.111）表明，当前的组大小分布（n = 50、25和27）是合适的
结论
本研究表明，Dr.Noon CVD能够有效分层HR的严重程度，并且在存在急性视网膜异常的情况下仍能保持稳定。将Dr.Noon CVD整合到现有的CVD风险模型中可以显著提高这些模型的性能，这突显了视网膜生物标志物在CVD风险评估中的临床价值，超越了传统的实验室检测和系统参数。需要在不同人群和临床环境中进行前瞻性研究来进一步验证该模型的有效性。
CRediT作者贡献声明
东振南（Dongjin Nam）：撰写 – 审稿与编辑、撰写 – 初稿、数据可视化、数据分析、概念构思。张永焕（Yong-Hwan Jang）：撰写 – 审稿与编辑、方法学、数据管理。李永硕（Yongseok Lee）：撰写 – 审稿与编辑、数据可视化、方法学。徐在元（Jaewon Seo）：数据可视化、方法学、数据分析。萨希尔·塔库尔（Sahil Thakur）：撰写 – 审稿与编辑、方法学。西蒙·努西诺维奇（Simon Nusinovici）：撰写 – 审稿与编辑、数据分析。金文秀（Moonsu Kim）：方法学、数据管理。
