Deep-Learning-gestützte Smartphone-Exophthalmometrie: Validierung bei Schilddrüsenaugenkrankheit
Von KI ausgewählt und zusammengefasst
Worum es geht
Multizentrisches Validierungsstudium eines Deep-Learning-Modells zur Messung der Bulbusprotrusion mittels Smartphone-Selfies bei Patienten mit Thyroid Eye Disease (Schilddrüsenaugenkrankheit), an drei Kliniken in Korea und Spanien mit insgesamt 361 Patienten.
Ergebnis
Das Modell erzielte eine mittlere absolute Abweichung (MAE) von 1,14 mm (Korea intern, Pearson r=0,83), 1,44 mm (Korea extern, r=0,85) und 1,58 mm (Spanien, r=0,77) gegenüber der klinischen Hertel-Messung; 83,6 % bis 69,7 % der Messungen lagen innerhalb von 2 mm der Referenz. Für Schweregradbewertung (Hertel ≥21 mm) betrug die AUC 0,86–0,94 in den drei Zentren. Performance war konsistent über 12 Smartphonemodelle. Das Verfahren ermöglicht damit eine skalierbare klinische Verlaufskontrolle.
Übertragbarkeit auf Deutschland
Multiethische Validierung (Korea, Spanien), vergleichbar mit europäischen Strukturen und Dokumentationspflichten.
Originalstudie in PubMedIm Hub ansehenNeue Studien per E-Mail
Auswahl und deutsche Zusammenfassung stammen von einer KI und sind nicht redaktionell geprüft. Maßgeblich ist die Originalpublikation.