Evaluation of the Clinical Impact of a Smartphone Application for Cataract Detection
Notice bibliographique
Résumé
Background Approximately 10 million people in India suffer from bilateral blindness, with cataracts accounting for roughly 70% of these cases. However, there is a severe scarcity of ophthalmologists in India (12,000 across the country), which makes routine cataract screening very difficult, particularly in rural areas. To tackle this problem, we investigated the use of an artificial intelligence (AI)-based application for cataract screening at All India Institute of Medical Sciences (AIIMS), Bibinagar, that can be used by nursing officers and other healthcare professionals as a primary screening tool. Ophthalmologists from AIIMS Bibinagar additionally validate the results of this application. Purpose The aim of this study was to assess the clinical performance of a smartphone-based cataract screening application that uses an AI module to identify cataracts in photos taken with the device's camera. The study compared the application's results with diagnoses made by ophthalmologists using a slit lamp. Methods At AIIMS Bibinagar, 495 patients participated in a prospective clinical trial. The AI-based screening solution examined smartphone images that were taken in accordance with a set protocol to identify whether cataracts were present. The results of the application were then compared with the diagnoses made by ophthalmologists based on slit-lamp tests. Results The study included 990 eye images. The AI screening application demonstrated an overall accuracy of 90.01% for cataract detection. Specific metrics include a sensitivity of 89.50%, specificity of 89.73%, precision of 91.43%, and an F1 score of 90.36%. The positive predictive value (PPV) was approximately 91.3%, based on 485 true positives and 46 false positives. The negative predictive value (NPV) was approximately 87.6%, based on 402 true negatives and 57 false negatives. Conclusions The smartphone-based cataract screening application proves to be an effective tool for community-level cataract screening in remote areas where access to expensive equipment and specialized ophthalmic care is limited. Its high accuracy and efficiency make it a valuable option for low-resource settings and suitable for home screening, particularly in the post-COVID era.
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) | 0,000 | 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 ».