Integration of Digital Phenotyping and Genomics for Dry Eye Disease: Protocol for a Prospective Cohort Study
Notice bibliographique
Résumé
BACKGROUND: Dry eye disease (DED) is a common ocular condition with diverse and heterogeneous symptoms. Current treatment standards of DED include the post facto management of associated symptoms through topical eye drops. However, there is a need for predictive, preventive, personalized, and participatory medicine. The DryEyeRhythm mobile health app enables real-time data collection on environmental, lifestyle, host, and digital factors in a patient's daily environment. Combining these data with genetic information from biobanks could enhance our understanding of individual variations and facilitate the development of personalized treatment strategies for DED. OBJECTIVE: This study aims to integrate digital data from the DryEyeRhythm smartphone app with the Tohoku Medical Megabank database to create a comprehensive database that elucidates the interplay between multifactorial factors and the onset and progression of DED. METHODS: This prospective observational cohort study will include 1200 participants for the discovery stage and 1000 participants for the replication stage, all of whom have data available in the Tohoku Medical Megabank database. Participants will be recruited from the Community Support Center of Sendai, Miyagi Prefecture, Japan. Participant enrollment for the discovery stage was conducted from August 1, 2021, to June 30, 2022, and the replication stage will be conducted from August 31, 2024, to March 31, 2026. Participants will provide demographic data, medical history, lifestyle information, DED symptoms, and maximum blink interval measurements at baseline and after 30 days using the DryEyeRhythm smartphone app. Upon scanning a registration code, each participant's cohort ID from the Tohoku Medical Megabank database will be linked to their smartphone app, enabling data integration between the Tohoku Medical Megabank and DryEyeRhythm database. The primary outcome will assess the association between genetic polymorphisms and DED using a genome-wide association study. Secondary outcomes will explore associations between DED and various factors, including sociodemographic characteristics, lifestyle habits, medical history, biospecimen analyses (eg, blood and urine), and physiological measurements (eg, height, weight, and eye examination results). Associations will be evaluated using logistic regression analysis, adjusting for potential confounding factors. RESULTS: The discovery stage of participant enrollment was conducted from August 1, 2021, to June 30, 2022. The replication stage will take place from August 31, 2024, to March 31, 2026. Data analysis is expected to be completed by September 2026, with results reported by March 2027. CONCLUSIONS: This study highlights the potential of smartphone apps in advancing biobank research and deepening the understanding of multifactorial DED, paving the way for personalized treatment strategies in the future. INTERNATIONAL REGISTERED REPORT IDENTIFIER (IRRID): DERR1-10.2196/67862.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,030 | 0,025 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,004 | 0,002 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,036 | 0,008 |
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 source (Gemma direct ou Codex distillé), 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 ».