Abstract P400: Screening for Hypertension Using Retinal Vascular Calibre in Ultra-Widefield Fundus Imaging
Notice bibliographique
Résumé
Fundus images from the left eyes of 440 subjects aged 50-59 years enrolled in the Northern Ireland Cohort of Longitudinal Ageing were analyzed. Subjects were categorized as normotensive or hypertensive, according to thresholds on systolic/diastolic blood pressure measurement (140/90 mm Hg) averaged over two sitting measurements in a clinical setting. A fully automatic system to analyze each image used conventional and deep neural network machine learning techniques to locate retinal landmarks and detect, classify and measure retinal vessels. From this data, a measure of the arteriolar-venular ratio (AVR) in the peripheral retina was calculated. Semi-automatic analysis was also performed. Results are presented in Table 1. Subjects had mean age of 54.6 ± 2.9 years; 56.1% (247 of 440) females, with 34.3% (151 of 440) subjects categorized as hypertensive. Narrower arterioles and smaller AVR were observed in subjects with hypertension. This was also observed in fully-automated analysis, however 4% (17 of 440) subjects failed to be processed by the system. In fully-automated analysis the area under a receiver operator characteristic curve of AVR for hypertensive status was 0.69 (95% CI, 0.63 to 0.74). Table 1 - Results for semi-automated and automated analysis of retinal vessel parameters. *p<0.005 Automated measurement of AVR in ultra-widefield fundus imaging was associated with hypertension. With further development, such as evaluation against diagnosis of hypertension obtained from ambulatory blood pressure monitoring clinics, this system could become a test for undiagnosed hypertension in people attending routine eye health check-ups.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».