TW202318443A - 用於預測近視風險之系統及方法 - Google Patents
用於預測近視風險之系統及方法 Download PDFInfo
- Publication number
- TW202318443A TW202318443A TW111133313A TW111133313A TW202318443A TW 202318443 A TW202318443 A TW 202318443A TW 111133313 A TW111133313 A TW 111133313A TW 111133313 A TW111133313 A TW 111133313A TW 202318443 A TW202318443 A TW 202318443A
- Authority
- TW
- Taiwan
- Prior art keywords
- factor
- subject
- incidence
- myopia
- weighting
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
- A61B3/02—Subjective types, i.e. testing apparatus requiring the active assistance of the patient
- A61B3/028—Subjective types, i.e. testing apparatus requiring the active assistance of the patient for testing visual acuity; for determination of refraction, e.g. phoropters
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
- A61B3/10—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions
- A61B3/103—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions for determining refraction, e.g. refractometers, skiascopes
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Physics & Mathematics (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Eye Examination Apparatus (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Ophthalmology & Optometry (AREA)
Abstract
一種系統及方法,其包括:經由一介面,接收與一受試者相關聯的人口統計資訊及行為資訊;藉由根據一預定發生率公式將該人口統計資訊及該行為資訊加權,來判定該受試者的一發生率因子,其中該預定發生率公式及該加權係自與一群體相關聯的發生率資料導出;根據一預定加深(progression)公式,藉由將該人口統計資訊及該行為資訊加權,來判定該受試者的一加深因子,其中該預定加深公式及該加權係自與一群體相關聯的加深資料導出,且其中該預定加深公式係該發生率因子之函數;基於該發生率因子及該加深因子,預測及計算指示該受試者展現近視之風險的一近視風險度量;及將該近視風險度量輸出為一數值分量。
Description
一種系統及方法,其包括:經由一介面,接收與一受試者相關聯的人口統計資訊及行為資訊;藉由根據一預定發生率公式將該人口統計資訊及該行為資訊加權,來判定該受試者的一發生率因子,其中該預定發生率公式及該加權係自與一群體相關聯的發生率資料導出;根據一預定加深(progression)公式,藉由將該人口統計資訊及該行為資訊加權,來判定該受試者的一加深因子,其中該預定加深公式及該加權係自與一群體相關聯的加深資料導出,且其中該預定加深公式係該發生率因子之函數;基於該發生率因子及該加深因子,預測及計算指示該受試者展現近視之風險的一近視風險度量;及將該近視風險度量輸出為一數值分量。
導致視敏度(visual acuity)下降的常見病況包括近視及遠視,其處方係採用眼鏡、或者硬式或軟式隱形眼鏡之型式的矯正鏡片。此等病況一般係描述為眼睛長度(length of the eye)與眼睛之光學元件(optical element)的焦點之間不平衡。患近視的眼睛將光聚焦於視網膜平面(retinal plane)的前方,而患遠視的眼睛將光聚焦於視網膜平面的後方。罹患近視一般係因眼睛的軸長增長至比眼睛之光學元件的焦距(focal length)更長,亦即眼睛變得太長。罹患遠視一般係因眼睛的軸長與眼睛之光學元件的焦距相較之下太短,亦即眼睛增長長度不足。
近視在全世界許多地區具有高盛行率。此病況最大的隱憂就是其可能加深成高度近視,例如比五(5)或六(6)屈光度(diopter)更深,此會嚴重影響一個人在沒有視力輔助時運作的能力。高度近視亦與視網膜病變(retinal disease)、白內障(cataract)、青光眼(glaucoma)、及近視黃斑變性(MMD,亦稱為近視視網膜病變),且在全球各地可能成為永久性失明的主因。例如,MMD已與屈光不正(RE)相關至一程度,使得病理近視與生理近視之間沒有明確的區別,並使得「安全」的近視程度不存在。
矯正鏡片係用於變更眼睛之整體焦點(gross focus),以便在視網膜平面呈現一較清楚的影像,此方式係藉由將焦點從平面前方移動以矯正近視,或將焦點從平面後方移動以矯正遠視。然而,對該等病況的此矯正方法並不處理病況的本因,而僅為假體或意欲處理症狀。
一些應用程式及網站已被開發,以提供與近視風險相關的一般性指南。例如,
https://www.mykidsvision.org/en-US提供問卷及通用分類的回饋(例如低風險、中風險、高風險)。作為另一實例,
https://coopervision.com/eye-health-and-vision/childhood-short-sightedness/assessment-tool亦提供問卷及通用分類的回饋(例如低風險、中風險、高風險)。作為另一實例,Myappia (
https://play.google.com/store/apps/details?id=com.myappia.myappia&hl=es_EC)係用於視覺化近視(myopia或nearsightedness)在時間發展下之預期加深的軟體工具。Myappia允許輸入患者的年齡及初始處方,並接著基於數個縱貫性研究來計算基於比較治療曲線(諸如標準眼鏡與隱形眼鏡、以及您的下列選擇:雙焦距眼鏡(bifocal spectacle)、漸進增加多焦距(progressive addition multifocals)、「平坦光學輪廓(flat optical profile)」隱形眼鏡、低劑量阿托品(atropine)、雙焦距隱形眼鏡、角膜塑型術(orthokeratology)、及客製化近視控制隱形眼鏡)之後續10年的可能近視加深。從可得之研究的平均值,可得出與各治療選擇相關聯的某些假設,且此等百分比的減少係用於修正預測的加深曲線。
需要對先前技術工具的改善,具體而言,即就相對於目前提供之較一般的定性預測輸出而言,需要更精確的、定量的未來近視風險指標(諸如例如,百分比)。
提供一種系統及電腦實施系統,其包括下列步驟:經由一介面,接收人口統計資訊,該人口統計資訊指示一受試者的年齡、該受試者的性別、該受試者的族裔、及該受試者之近視家長的數目;經由該介面,接收行為資訊,該行為資訊指示該受試者每天在外面所花費的時間、及該受試者每天在近距離用眼工作(nearwork)所花費的時間;藉由根據一預定發生率公式將該人口統計資訊及該行為資訊加權,來判定該受試者的一發生率因子,其中該預定發生率公式及該加權係自與一群體相關聯的發生率資料導出;根據一預定加深公式,藉由將該人口統計資訊及該行為資訊加權,來判定該受試者的一加深因子,其中該預定加深公式及該加權係自與一群體相關聯的加深資料導出,且其中該預定加深公式係該發生率因子之函數;藉由一處理器並基於該發生率因子及該加深因子,預測及計算指示該受試者展現近視之風險的一近視風險度量;及促成該近視風險度量的輸出,該近視風險度量包含定量數值分量,該定量數值分量可係一百分比。
根據一實施例,該發生率因子係至少基於下列公式化關係:發生率因子= BI x G x α x E x β
MP,其中BI係基線發生率因子,G係性別加權因子,E係族裔加權因子,MP係該受試者之近視家長的數目,且α及β係基於證據的加權因子。
根據另一實施例,該發生率因子係至少基於下列公式化關係:發生率因子=BI x (1+G x 0.15) x E x 1.6
MP-1,其中BI係基線發生率因子,G係性別加權因子,E係族裔加權因子,MP係該受試者之近視家長的數目。
根據各種實施例,BI可係0.04;G對於女性可係1,對於男性可係0;及/或E對於亞洲人可係2.5,對於西班牙人可係2,且對於其他人可係1。
在又另一實施例中,發生率因子係至少基於下式:發生率因子 = BI x (1 + G x 0.15) x E x 1.6
MP-1x 0.5
OT-1x 1.1
NT-1,其中BI係基線發生率因子,G係性別加權因子,E係族裔加權因子,MP係該受試者之近視家長的數目,OT係該受試者每天在室外所花費的時間(時數),且NT係該受試者每天在近距離用眼工作所花費的時間(時數)。
BI可係0.04;G對於女性可係1,對於男性可係0;及/或E對於亞洲人可係2.5,對於西班牙人可係2,且對於其他人可係1。
在一實施例中,該加深因子指示該受試者展現高度近視的機率,其中高度近視係至少-4D。
在另一實施例中,亞洲族裔之受試者的加深因子係至少基於下式:加深因子=發生率因子x 10
2.1-0.293 x Ax (0.9 + 0.1 x MP
1.5) x (0.98 + 0.02 x G),其中A係該受試者的年齡歲數,G係性別加權因子,且MP係該受試者之近視家長的數目。G對於女性可係1,對於男性可係0。
在又另一實施例中,非亞洲族裔之受試者的加深因子係至少基於下式:加深因子=發生率因子x 10
1.37-0.293 x Ax (0.9 + 0.1 x MP
1.5) x (0.98 + 0.02 x G),其中A係該受試者的年齡歲數,G係性別加權因子,且MP係該受試者之近視家長的數目。G對於女性可係1,對於男性可係0。
根據另一實施例,該方法進一步包括:接收診斷資訊,該診斷資訊指示與該受試者相關聯的屈光不正、或該受試者之眼睛軸長指示該受試者係非近視中之一或多者,其中發生率因子或加深因子中之一或多者係至少基於該診斷資訊而判定。
根據各種實施例,該風險度量可係一嚴重性度量,且該嚴重性度量可係一預估近視程度。
裝置及系統可經組態以實施該方法。
亦提供一種電腦實施方法,其包括下列步驟:經由一介面,接收一受試者的人口統計資訊及行為資訊;基於此資訊,藉由根據一預定發生率公式將該人口統計資訊及該行為資訊加權,來判定該受試者的一發生率因子,其中該預定發生率公式及該加權係自與一群體相關聯的發生率資料導出;基於該人口統計資訊或該行為資訊中之一或多者,藉由根據一預定加深公式將該人口統計資訊及該行為資訊加權,來判定該受試者的一加深因子,其中該預定加深公式及該加權係自與一群體相關聯的加深資料導出,且其中該預定加深公式係該發生率因子之函數;藉由一處理器並基於該發生率因子及該加深因子,預測及計算指示該受試者展現近視之風險的一近視風險度量、或指示一近視程度的一嚴重性度量中之一或多者;及促成該近視風險度量或該嚴重性度量中之該一或多者的輸出,其中該近視風險度量或該嚴重性度量之各者包含定量數值分量,該定量數值分量可係一百分比。
該人口統計資訊可係該受試者的年齡、該受試者的性別、該受試者的族裔、及/或該受試者之近視家長的數目。
該行為資訊可係該受試者每天在外面所花費的時間、及/或該受試者每天在近距離用眼工作所花費的時間。
根據另一實施例,該方法進一步包括下列步驟:經由該介面,接收可測量診斷資訊,該可測量診斷資訊指示與該受試者相關聯的屈光不正、或該受試者之眼睛軸長中之一或多者,其中該預測及計算步驟係至少部分地基於該可測量診斷資訊。
該發生率因子可係至少基於下列公式化關係:發生率因子= BI x G x α x E x β
MP,其中BI係基線發生率因子,G係性別加權因子,E係族裔加權因子,MP係該受試者之近視家長的數目,且α及β係基於證據的加權因子。
替代地,該發生率因子可係至少基於下式:發生率因子= BI x (1+G x 0.15) x E x 1.6
MP-1,其中BI係基線發生率因子,G係性別加權因子,E係族裔加權因子,MP係該受試者之近視家長的數目。
BI可係0.04;G對於女性可係1,對於男性可係0;及/或E對於亞洲人可係2.5,對於西班牙人可係2,且對於其他人可係1。
在又另一替代實施例中,該發生率因子可係至少基於下式:發生率因子= BI x (1 + G x 0.15) x E x 1.6
MP-1x 0.5
OT-1x 1.1
NT-1,其中BI係基線發生率因子,G係性別加權因子,E係族裔加權因子,MP係該受試者之近視家長的數目,OT係該受試者每天在室外所花費的時間(時數),且NT係該受試者每天在近距離用眼工作所花費的時間(時數)。
BI可係0.04;G對於女性可係1,對於男性可係0;及/或E對於亞洲人可係2.5,對於西班牙人可係2,且對於其他人可係0。
該加深因子可指示該受試者直到該受試者18歲之年齡歲數期間展現高度近視(至少-5D)的機率。
在一實施例中,亞洲族裔之受試者的加深因子係至少基於下式:加深因子=發生率因子x 10
2.1-0.293 x Ax (0.9 + 0.1 x MP
1.5) x (0.98 + 0.02 x G),其中A係該受試者的年齡歲數,G係性別加權因子,且MP係該受試者之近視家長的數目。G對於女性可係1,對於男性可係0。
在另一實施例中,非亞洲族裔之受試者的加深因子係至少基於下式:加深因子=發生率因子x 10
1.37-0.293 x Ax (0.9 + 0.1 x MP
1.5) x (0.98 + 0.02 x G),其中A係該受試者的年齡歲數,G係性別加權因子,且MP係該受試者之近視家長的數目。G對於女性可係1,對於男性可係0。
該近視嚴重性度量可係一預估近視程度。
該風險度量可係一嚴重性度量,且該近視嚴重性度量可係一預估近視程度。
本文亦提供一種經組態以實施本文所述之方法的裝置及/或系統。
本文揭示用於評估近視風險的系統及方法,諸如電腦實施方法。相對於幾個較大的一般風險類別(諸如「低」、「中」、及「高」),本揭露之系統及方法提供一定量近視風險度量作為一輸出,該輸出係一數值。近視風險度量係基於受試者的固定因子、行為因子、及可任選地可測量診斷因子,其等係以獨特方式利用群體資料來評估,如將在下文進一步詳細地描述。可測量診斷因子係被視為可任選的,因為本系統及方法對不同設定及不同目標使用者具有適用性,且在不同設定及不同目標使用者中係有用的。第一設定可係家庭設定,其中在診斷測量係不可得及/或先前未獲得該等診斷測量時,家長對於獲取兒童近視風險評估感到有興趣。第二設定可係眼科醫師辦公室或類似者,其中可獲得診斷測量,或者儲存或保存過去測量以用於隨時存取。
本文中將描述本發明之系統及方法,首先大致上係關於一種計算系統,在該計算系統上其可連同可提供作為輸入資料的各種受試者特定資訊、及隨後所利用之群體資料、及施加至該群體資料的(多個)公式及加權而一起實施,以產生指示該受試者之近視風險的一定量數值。
如所提及,本文所述之系統及方法可實施在電腦系統上,其中可將受試者特定的資訊提供作為輸入。所提供的受試者輸入將包括人口統計或固定變數的輸入資訊、行為輸入資訊、及可任選地可測量診斷輸入資訊。人口統計或固定變數的資訊係指可跨群體變化但相對於一給定個體而係固定的因子,諸如年齡、性別、族裔、及受試者之近視家長的數目。行為變數資訊相對於一給定受試者而係不固定的,但可視所欲情況而修改。此行為資訊可包括受試者每天在外面所花費的時間、及受試者每天在近距離用眼工作所花費的時間。可測量診斷資訊係特定受試者的可測量特徵,且可包括與受試者相關聯的屈光不正或該受試者之眼睛軸長。
人口統計資訊、行為資訊、及可任選地可測量診斷資訊可結合群體資料使用,以計算更精確的近視風險度量。如下文將進一步描述,藉由根據一預定發生率公式將由該受試者輸入的人口統計資訊、行為資訊、及可任選地可測量診斷資訊加權,來針對該受試者判定發生率因子,其中該加權及該預定發生率公式係自與一群體相關聯的發生率資料導出。受試者的加深因子亦係自人口統計資訊、行為資訊、及可任選地可測量診斷資訊所判定,其中該加權及該預定加深公式係自與一群體相關聯的加深資料導出,且其中該加深公式係發生率因子之函數。發生率因子及加深因子接著係用以產生一定量近視風險度量,諸如一數值。近視風險度量可包括嚴重性度量,其可指示預估之近視嚴重性的程度(例如-2D、-4D、-6D、-7D、-8D等)。
圖1描繪用於預測近視風險(例如,近視發生率、近視加深等)的一例示性電腦實施系統100,該例示性電腦實施系統可包括任何熟知類型的計算裝置,諸如個人電腦、膝上型電腦、平板電腦、智慧型裝置、智慧型手機、伺服器、或用於接收輸入資料、用於執行資料分析(諸如本文所述之方法步驟中之一或多者)、及用於輸出資料的任何其他類似的計算裝置(或其組合)。輸入資料及輸出資料可經儲存或存在至少一資料庫130中。輸入資料及/或輸出資料可由下列者存取:安裝在電腦系統100(例如眼科醫師(ECP)辦公室中、或個體或受試者家中的電腦)上的一軟體應用程式170;一智慧型裝置121上之可下載的軟體應用程式(app);或可經由網路99由電腦存取的一安全網站125或網路鏈路。輸入資料及/或輸出資料可被顯示在電腦或智慧型裝置的圖形使用者介面上。
具體而言,計算系統100包括一或多個硬體處理器152A、152B、一記憶體154(例如用於儲存作業系統及應用程式指令)、一網路介面156、一顯示裝置158、一輸入裝置159、及計算裝置常見的任何其他特徵。計算系統100可經組態以透過公用或私人通訊網路99與一網站125、或基於網路或基於雲端的伺服器120通訊。另外,如示為系統100之部分,與擷取自臨床醫師測量的個體之屈光變化相關且包括相關聯之近視控制治療的歷史資料經獲得並儲存在附接或遠端之記憶體儲存裝置(例如資料庫130)中。
在圖1中所描繪的實施例中,處理器152A、152B可包括例如微控制器、現場可程式化閘陣列(FPGA)、或經組態以執行各種操作的任何其他處理器,且可經組態以執行如下文所述之指令。此等指令可例如經儲存為記憶體儲存裝置154中之程式化模組。
記憶體154可包括例如呈揮發性記憶體形式的非暫時性電腦可讀取媒體(諸如隨機存取記憶體(RAM)及/或快取記憶體或其他者),或者其他可移除/不可移除、揮發性/非揮發性儲存媒體。僅以非限制性實例來說,記憶體154可包括可攜式電腦碟片、硬碟、隨機存取記憶體(RAM)、唯讀記憶體(ROM)、可抹除式可程式化唯讀記憶體(EPROM或快閃記憶體)、可攜式光碟唯讀記憶體(CD-ROM)、光學儲存裝置、磁性儲存裝置、或以上任何合適的組合。
網路介面156經組態以傳輸資料或資訊至網站伺服器120,及自該網站伺服器接收資料或資訊,例如經由有線連接或無線連接。例如,網路介面156可利用無線技術及通訊協定,諸如藍牙®、WIFI(例如802.11a/b/g/n)、蜂巢式網路(例如CDMA、GSM、M2M、及3G/4G/4G LTE)、近場通訊系統、衛星通訊、經由區域網路(LAN)、經由廣域網路(WAN)、或允許計算裝置100傳輸資訊至伺服器120或自該伺服器接收資訊之任何其他形式的通訊。
顯示器158可例如包括電腦監視器、電視、智慧型電視、整合成個人計算裝置之顯示螢幕,諸如例如平板電腦、智慧型手機、智慧手錶、虛擬實境頭戴裝置、智慧型可戴式裝置、或用於顯示資訊給使用者之任何其他機構。在一些態樣中,顯示器158可包括液晶顯示器(LCD)、電子紙/電子墨水顯示器、有機LED (OLED)顯示器、或其他類似的顯示技術,且可係觸敏式並且亦可作用為輸入裝置。
輸入裝置159可包括例如鍵盤、滑鼠、觸敏顯示器、小鍵盤、麥克風、或其他類似的輸入裝置、或可單獨或一起使用以提供使用者與電腦系統100互動之能力的任何其他輸入裝置。
關於用於計算近視風險度量之電腦系統100的能力,系統100包括:記憶體160,其經組態以儲存可任選地可包括關於目前個體的過去屈光變化/屈光不正之資料的資料,例如,在經界定的時間期間(例如過去一年)內自臨床醫師接收之資料。在一實施例中,此資料可經儲存在區域記憶體160中(亦即對電腦或行動裝置系統100係區域的),或以其他方式可通過網路自遠端伺服器120擷取。關於目前個體的過去屈光變化之資料可經由遠端網路連接存取,以用於輸入至系統100之區域附接的記憶體儲存裝置160。
在一實施例中,計算系統100提供採用儲存在裝置記憶體154中之程式化處理模組的技術平台,該裝置記憶體可經由(多個)處理器152A、152B運行,以提供該系統用於預測近視風險(例如,計算近視風險度量諸如包含數值分量的近視風險度量的能力。
在一實施例中,儲存在記憶體154中的程式模組可包括作業系統軟體170及軟體應用程式模組175以用於運行本文中之方法,其可包括相關聯之機制,諸如用於指定各種軟體模組如何互動之API(應用程式設計介面)、網路服務等,其等經採用以控制用以實行預測近視風險的操作。儲存在裝置記憶體154中的一程式模組180可包括用於判定代表目前個體在過去時間期間(例如一年)中之屈光變化之一值(「RECIPY」)的「RECIPY」計算器190。自該個體之此RECIPY屈光變化速率值,儲存在裝置記憶體154中之另一程式模組190可包括提供各種資料及處理一演算法之指令的程式碼,該演算法係由處理器運行以預測針對該個體之軸長值的變化(「ΔAL」)。基於針對該個體之軸長(「ΔAL」)值的預測變化,可叫用一進一步模組195以向臨床醫師、該個體、或任何使用者輸出近視風險度量,諸如包含數值分量的近視風險度量。
圖2描繪根據一實施例之經採用以用於評估近視風險的方法,其可經由圖1的系統100實施。在200處,可經由一介面(亦即,圖3的22、17、或24)接收第一資訊。第一資訊可係固定或人口統計資訊(本文中可互換使用),其指示:例如,受試者的年齡、受試者的性別、受試者的族裔、及受試者之近視家長的數目。
在202處,可經由一介面接收第二資訊。第二資訊可包括行為資訊,諸如受試者每天在外面所花費的時間,及受試者每天在近距離用眼工作所花費的時間。
在204處,可經由該介面可任選地接收第三資訊。第三資訊可包含可測量診斷資訊,諸如與受試者相關聯的屈光不正、或受試者之眼睛軸長。
在206處,根據一預定發生率公式,藉由將在步驟200、202、及可任選地204中所接收的資訊加權,來判定受試者的發生率因子。預定發生率公式及加權係自與一群體相關聯的資料導出。
在一實例中,發生率因子係至少基於下列發生率公式:發生率因子= BI × (1 + G × 0.15) × E × 1.6
MP–1,其中BI係基線發生率因子,G係性別加權因子,E係族裔加權因子,且MP係受試者之近視家長的數目。BI可係0.04。G對於女性可係1,對於男性可係0。E對於亞洲人可係2.5,對於西班牙人可係2,對於其他人可係1。可導出並使用其他權重(值)。
在另一實例中,發生率因子係至少基於下列發生率公式:發生率因子= BI × (1 + G × 0.15) × E × 1.6
MP–1× 0.5
OT–1× 1.1
NT–1,其中BI係基線發生率因子,G係性別加權因子,E係族裔加權因子,MP係受試者之近視家長的數目,OT係受試者每天在外面所花費的時間(時數),且NT係該受試者每天在近距離用眼工作所花費的時間(小時)。BI可係0.04。G對於女性可係1,對於男性可係0。E對於亞洲人可係2.5,對於西班牙人可係2,對於其他人可係1。可導出並使用其他權重(值)。
在208處,藉由根據一預定加深公式及將在步驟200、202、及可任選地204中所接收的資訊加權,來針對受試者判定加深因子。加深因子可指示受試者直到受試者18歲之年齡歲數期間展現高度近視(至少-5D)的機率。
亞洲族裔之受試者的加深因子可係至少基於下式:加深因子=發生率因子× 10
2.1 –0.293 × A× (0.9 + 0.1 × MP
1.5) × (0.98 + 0.02 × G),其中A係受試者的年齡歲數,G係性別加權因子,且MP係受試者之近視家長的數目。G對於女性可係1,對於男性可係0。可導出並使用其他權重(值)。
非亞洲族裔之受試者的加深因子可係至少基於下式:加深因子=發生率因子× 10
1.37 –0.293 × A× (0.9 + 0.1 × MP
1.5) × (0.98 + 0.02 × G),其中A係受試者的年齡歲數,G係性別加權因子,且MP係受試者之近視家長的數目。G對於女性可係1,對於男性可係0。可導出並使用其他權重(值)。
在210處,藉由處理器並基於發生率因子及加深因子,預測及計算指示受試者展現近視之風險的近視風險度量。
在212處,將作為一數值分量的近視風險度量提供作為一輸出。
裝置及/或系統可經組態以實施圖2中所描繪的方法。
現參照圖3,其描繪用於實行本發明之至少一實施例之代表性硬體環境。此示意圖繪示根據本發明之至少一實施例的資訊處理/電腦系統之硬體組態。該系統包含至少一處理器或中央處理單元(CPU) 10。CPU 10係與系統匯流排12互連至各種裝置,諸如隨機存取記憶體(RAM) 14、唯讀記憶體(ROM) 16、及輸入/輸出(I/O)配接器18。I/O配接器18可連接至周邊裝置,諸如磁碟單元11及帶驅動機13、或該系統可讀取之其他程式儲存裝置。該系統可讀取在程式儲存裝置上的本發明指令並遵循此等指令以執行本發明之至少一實施例的方法。該系統進一步包括使用者介面配接器19,該使用者介面配接器將鍵盤15、滑鼠17、揚聲器24、麥克風22、及/或其他使用者介面裝置(諸如觸控螢幕裝置(未圖示))連接至匯流排12以收集使用者輸入。額外地,通訊配接器20將匯流排12連接至資料處理網路25,且顯示配接器21將匯流排12連接至顯示裝置23,該顯示裝置可例如體現成輸出裝置(諸如監視器、印表機、或發送器)。
群體資料
在上文描述的系統及方法中,風險模型的一分量係群體資料的整合,其將在下文進一步詳細地描述。本揭露提供利用此類群體資料的模型,以提供更精確的定性近視風險度量。
固定變數
如先前所提,固定變數係可跨群體變化但相對於一給定受試者而係固定者。本揭露之一或多個模型(例如,公式)可係基於可對一受試者(諸如18歲之年齡以下的兒童)之近視的發生率及/或加深具有影響的固定變數。此類固定風險因子可包含年齡、族裔、及近視家長的數目。
年齡
本揭露之模型可係基於依據年齡而變動之近視的年度發生率的基線估計。作為一說明性實例,來自族裔與屈光不正之合作縱貫性評估(Collaborative Longitudinal Evaluation of Ethnicity and Refractive Error, CLEERE)研究的資料,其係包括良好大小之群體及族裔多樣性的基於美國的研究。
在1989年至2009年之間,總計4,927位5至16歲之年齡的兒童參與CLEERE研究。在最後一次研究訪問時,總計61.1%的樣本係至少13歲。在4,927位兒童中,進入研究之未近視的4,290位兒童有1,006 (22%)位變成近視(基於至少-0.50 D的球面等效)。圖4顯示觀察到近視之最年輕年齡的先前技術實例資料。在9與13歲之間,每年約發生15%的案例。該資料係用以基於4,290位受試者來計算近視的年度發生率。在9與13歲之間,發生率係約3.5至4%。此範圍外的資料應謹慎處理,因為研究起始時的平均年齡係8.5歲,且研究結束時的平均年齡係12.6歲。此外,在研究起始時,有637位兒童係至少-0.50 D近視,意味著在6與8歲之年齡之間,每年有約150位兒童可能變成近視。
表1顯示基於年齡的發生率。
表1
年齡(歲) | (n = 1,006) | 發生率 |
7 | 25 | 0.58% |
8 | 80 | 1.86% |
9 | 150 | 3.50% |
10 | 175 | 4.08% |
11 | 161 | 3.75% |
12 | 157 | 3.66% |
13 | 142 | 3.31% |
14 | 91 | 2.12% |
15 | 23 | 0.54% |
16 | 2 | 0.05% |
整體印象係:每年有相當恆定數目的兒童變成近視,且此數目接近4%。
近視發生的年齡相依性可由來自亞洲的研究得知。在新加坡近視風險因子群組研究(Singapore Cohort Study of the Risk Factors for Myopia, SCORM)中,對981位7至9歲的兒童進行追蹤為期3年。在這些兒童中,在基線時未近視的569位兒童具有3年的追蹤資料。以3年累積發生率而言,7歲係47.7%(95% CI:42.2至53.3),8歲係38.4%(95% CI:31.4至45.4),且9歲係32.4%(95% CI:21.8至43.1)。差異並不顯著(p = 0.057)。
一項在中國廣州的較大群組研究招募4,741位1年級(平均年齡= 7.3歲)或7年級(平均年齡= 13.2歲)的兒童。較年輕之小學群組經追蹤達五年,及較年長之國中群組。圖5顯示基於無睫狀肌麻痺下驗光之小學及國中群組中之近視及高度近視的年度發生率的先前技術實例資料。在研究起始時,較年輕群組中有1,607人係非近視。五年後,1,172人(72.9%)已發展出近視。在該兩個群組中,近視的發生率係每年20%至30%。注意:此等發生率估計係基於前一年倖存的非近視者,因此發生率隨年齡增加而減少,請觀察第一行中的分子。
招募了10,000位5至15歲之印度學童的群組,且一年後再次檢驗。其中有9,616位兒童完成追蹤(97.3%),近視的發生率係3.4%。圖6顯示近視之年齡別發生率的先前技術實例圖,其指示發生率係隨年齡而相對恆定的。
雪梨青少年血管與眼睛研究(Sydney Adolescent Vascular and Eye Study)在初始檢驗的6年後,檢驗863位平均年齡為6.7歲的兒童。在初始檢驗的4.5年後,檢驗1,196位平均年齡為12.7歲之較年長兒童的群組。近視的年度發生率在較年輕群組中係2.2%,且在較年長群組中係4.1%。
族裔
本揭露之模型可係基於依據族裔而變動之近視年度發生率的基線估計。作為一實例,一系統性文獻回顧(systematic review)識別出143份具有兒童期近視盛行率估計之基於群體的調查,其代表42個國家及374,349位受試者。東亞人顯示出最高盛行率,在15歲之年齡達到69%(在新加坡華人中佔86%)。非洲中的黑人具有最低盛行率;在15歲下係5.5%。在過去十年內,近視盛行率的時間趨勢在白人中係小的,在東亞人中增加23%,而南亞人增加較弱。
來自不同國家的以上資料顯示年度發生率的劇烈變化:在澳洲及印度係從2%變成4%,在新加坡及中國係從10%變成30%。此等可部分地歸因於生活方式及教育差異,因此重新審視前述的CLEERE研究係有用的。
在進入研究之未近視的4,290位兒童中,有1,006位(22%)變成近視(基於至少-0.50 D的球面等效)。近視的新案例發生在35%的亞洲人、30%的西班牙人、21%的美洲原住民、22%的非裔美洲人、及17%的白人。表2顯示具有加入數年的累積發生率及年度發生率之重建邏輯模型資料。年度發生率在亞洲兒童中係最高的,但仍遠低於在東亞進行之研究的值。西班牙人的發生率亦係高於白人。表中資料有一個奇特的特徵:年度發生率係高於該論文其他報告的年度發生率。
表2顯示:各族裔/種族群組的近視發生率
族裔 | 保持非近視者 | 新的近視案例 | 起始時年齡(歲數) | 結束時年齡(歲數) | 追蹤年數 | 累積發生率 | 年度發生率 |
美洲原住民 | 361 | 96 | 9.35 | 13.39 | 4.04 | 21.0% | 5.20% |
亞洲人 | 369 | 202 | 8.06 | 11.59 | 3.53 | 35.4% | 10.02% |
非裔美洲人 | 548 | 155 | 9.17 | 13.34 | 4.17 | 22.1% | 5.29% |
西班牙人 | 655 | 276 | 8.76 | 12.7 | 3.94 | 29.6% | 7.52% |
白人 | 1,321 | 267 | 8.05 | 12.38 | 4.33 | 16.8% | 3.88% |
其他 | 29 | 10 | 8.33 | 12.16 | 3.83 | 25.6% | 6.69% |
總計 | 3,283 | 1,006 | 8.62 | 12.59 | 3.97 | 23.5% | 5.90% |
多族裔群體中之近視發生率的研究係罕見的,但在雪梨研究中,與歐洲血統者(較年輕者係1.3%,較年長者係2.9%)相比,東亞族裔兒童具有較高的近視年度發生率(較年輕者係6.9%,較年長者係7.3%)。近視發生率的研究顯示更高的值,如上文所論述。
家長病史
本揭露之模型可係基於依據遺傳學(諸如家長病史)而變動之近視年度發生率的基線估計。明確的是,家長的近視病史增加兒童近視的風險。該機制是否係遺傳性的、是否歸因於共同環境、或兩者之組合係不明確的。圖7至圖9顯示與家長病史相關的先前技術資料。
奧林達縱貫性近視研究(The Orinda Longitudinal Study of Myopia)分析來自514位非近視三年級兒童(平均年齡8.6歲)的資料,以預測直到八年級的近視。其中有111位(21.6%)變成近視。在單變數及多變數模型中,家長的近視病史係重要的預測子。在兩個多變數模型中,一位近視家長係與發展出近視的機會增加兩倍相關聯,兩位近視家長係與增加五倍相關聯。
後續的論文使用來自CLEERE研究之較大且更多樣化的群組,以判定將兒童一年級的屈光不正及家長的近視病史作為在二年級與八年級之間發生近視的預測子的效用。在1,854位非近視的一年級生中,有334位在8年級已變成近視。比較具有一位近視家長的受試者與不具有者的風險比(hazard ratio, HR)係1.48(95% CI,1.09至1.99,p = 0.01)。相較於沒有近視家長的兒童,具有兩位近視家長的兒童具有增加之最終近視的風險比(HR 2.38;95% CI;1.66至3.41;P < 0.0001)。注意:此論文中的比率係低於先前研究中者,且針對相同資料集在後續論文中被大量複製。整體而言,近視發生時的年齡在近視家長的數目上係非常類似的,但無近視家長的亞洲兒童比至少一位近視家長的亞洲兒童晚發展出近視。
對於661位在北愛爾蘭之12至13歲白人兒童的橫斷性研究發現家長近視的更強烈影響。相較於不具有近視家長的兒童,具有一或兩位近視家長的兒童各別係2.91倍(95% CI,1.54至5.52)及7.79倍(95% CI,2.93至20.67)更可能患有近視。在針對其他因子進行調整之後,家長近視的影響仍然存在。作者後續的縱貫性研究中並未探索家長近視的影響。
另一橫斷性研究分析來自北京之4,677位隨機選擇的學生(平均年齡16.9歲;範圍:16至18歲)。近視盛行率(在較差的眼睛中≤ –1.00 D)係80.7%。在多個邏輯迴歸分析中,較高的近視盛行率係與一位近視家長(OR = 2.28;95%CI:1.80至2.87)及兩位近視家長(OR = 4.02;95%CI:2.42至6.66)相關聯。
可修改風險因子
本揭露之一或多個模型(例如,公式)可係基於可對一受試者(諸如18歲之年齡以下的兒童)之近視的發生率及/或加深具有影響的可修改風險因子(例如,行為風險因子)。此類固定的風險因子可包含例如每天室外活動的時間、及每天近距離用眼工作的時間。
室外活動
本揭露之模型可係基於依據受試者在室外活動所花費的時間而變動之近視年度發生率的基線估計。美國、澳洲、新加坡、英國、及台灣的數個研究已指出室外活動與近視之間的穩健關係。圖10至圖11顯示與可修改風險因子相關的先前技術資料。
奧林達縱貫性近視研究(The Orinda Longitudinal Study of Myopia)分析來自514位非近視三年級兒童(平均年齡8.6歲)的資料,以預測直到八年級的近視。其中有111位(21.6%)變成近視。在兩個多變數模型中,較高量的室外活動(每週小時數)係與發展出近視的機會變小相關聯。無論近視家長的數目多寡,該影響皆存在。各週每小時0.91的勝算比對應於各週每小時約0.5。換言之,每日各額外從事一小時的室外活動將近視發生的風險減半。邏輯模型中的一顯著相互作用顯示基於兒童之近視家長的數目的每週運動及室外活動時數的差異影響。
來自隨機取樣之雪梨學童(1,965位6歲兒童,及2,367位12歲兒童)的橫斷性研究提出類似的發現。在12歲學生中,較高程度的室外活動係與更多遠視屈光及更低近視盛行率相關聯。該研究顯示室外活動對近視存在的影響,但近距離用眼工作的影響較不明顯。
在初始檢驗的6年後,後續的雪梨青少年血管與眼睛研究(Sydney Adolescent Vascular and Eye Study)檢驗863位幼兒(平均年齡6.7歲)。在初始檢驗的4.5年後,檢驗1,196位較年長兒童(平均年齡12.7歲)的群組。相較於保持非近視者,患有近視的兒童在室外花費較少時間(在較年輕群組中分別係16.3對21.0小時,P<0.0001;在較年長群組中分別係17.2對19.6小時,P .0.001)。在較年輕群組中,與每週花費>23小時的室外活動者相比,每週具有<16小時之室外活動的兒童較可能發展出近視(勝算比2.84;95% CI 1.56至5.17)。同樣地,在較年長群組中,與每週花費>22.5小時的室外活動者相比,每週具有<13.5小時之室外活動的兒童較可能發展出近視(勝算比2.35;95% CI 1.30至4.27)。
對於1,249位青少年新加坡兒童的橫斷性研究證實室外活動與近視之間的關係。在調整年齡、性別、族裔、學校類型、每週閱讀書籍、身高、家長近視、家長教育、及智商之後,每天的總室外活動時數係與近視顯著相關聯(勝算比0.90,95% CI 0.84至0.96)。總運動亦係與近視顯著負相關聯(p = 0.008),但室內運動除外(p =0.16)。
雅芳親子長期研究計劃(Avon Longitudinal Study of Parents and Children, ALSPAC)對7、10、11、12、及15歲的參與者(N = 4,837至7,747)進行評估。11歲時的體能活動係使用加速度計客觀地測量,穿戴為期1週。室外所花費的時間係經由在兒童年齡為8至9歲時所配發的家長問卷所評估,該問卷詢問:「在(週末)
/(上學日)時,您的孩子(夏季)
/(冬季)每天平均花費多少時間在室外」。作者選擇展示與所關注結果具有最強關聯性的一變數:夏天週末於室外所花費的時間,其中「高」量係每天3小時以上,且低量係少於3小時。在室外所花費的時間及體能活動兩者皆與近視發生相關聯,其中室外活動具有較大的影響。對於11歲的非近視兒童而言,針對在室外所花費之高量對低量的時間而言,近視發生的風險比係0.66(95% CI 0.47至0.93)。
最後,台北的近視調查研究(Myopia Investigation Study in Taipei)係一全市性之基於群體的群組研究,其招募11,590位2年級學童(~8歲)。在基線非近視參與者中,第一年追蹤期間檢驗6,794位,其中識別出1,856位(25.2%)已發展出近視。保護因子包括郊區居住地(HR:0.91;95% CI:0.83至1.00),且每個平日放學後在室外花費至少30分鐘可保護對抗近視(HR:0.90;95% CI:0.82至0.99)。
過去十年來,已存在評估額外室外活動對近視發生率的影響的數個隨機臨床試驗。第一此類試驗將7至11歲的台灣兒童隨機分至:一介入組(n = 333),其中鼓勵兒童在下課時間去外面從事室外活動;或一控制組(n = 238),其中在下課時間沒有此類計畫。在1年之後,介入組中之近視發生率係顯著低於控制組中之近視發生率(8.4%對17.6%;P<0.001)。總每日下課時間係80分鐘(在上午及下午均為10、20、及10分鐘),且總每週下課時間大約係6.7小時(平均每天約1小時)。
相同的群組呈報第二臨床試驗,其中鼓勵介入組每週去室外達至多11小時。在16所學校中,總計693位學生完成完整1年的計畫:介入組中有267位,控制組中有426位。在基線時的620位非近視兒童中,介入組中之近視發生率係小於控制組中之近視發生率(14.47%對17.40%;勝算比,0.65;95% CI,0.42至1.01)。較小的影響可由數個因子所解釋。在該初始隨機分組之後,該16所隨機選擇之學校中有一半退出該計畫。此外,台灣已將一國家近視預防計畫引進學校,該計畫的目標是每天在室外兩個小時,多於介入組。其亦具有目標為每週於學校運動150分鐘的計畫。
在中國廣州進行1年級兒童(平均年齡6.6歲)的類似隨機臨床試驗。針對六所介入組學校(n = 952),各上學日添加額外40分鐘的室外活動,並鼓勵家長讓他們的孩子在放學後從事室外活動。六所控制組學校中的兒童(n = 951)繼續他們平常的活動模式。3年近視發生率在介入組中係30.4%(853位非近視參與者中佔259位),且在控制組中係39.5%(726位非近視參與者中佔287位)(差異= –9.1%;95% CI,–14.1%至–4.1%)。
可測量風險因子
本揭露之一或多個模型(例如,公式)可係基於可對一受試者(諸如18歲之年齡以下的兒童)之近視的發生率及/或加深具有影響的可測量風險因子。此類可測量風險因子可包括例如屈光不正或受試者之眼睛軸長。
屈光不正
CLEERE研究判定將兒童一年級的屈光不正及家長的近視病史作為在二年級與八年級之間發生近視的預測子的效用。基於先前的成果,將兒童分成高風險及低風險近視群組。在一年級生中,非近視兒童中的高近視風險係定義成在更為遠視徑線(hyperopic meridian)中的+0.75 D或更小。在1,854位非近視的一年級生中,有334位在8年級已變成近視。整體而言,21.3%的一年級生落入高風險群組中。圖12顯示依據風險群組而變動之針對無、一位、及兩位近視家長的倖存機率曲線。圖9顯示近視發生率的風險比(HR)。給定為高風險類別之近視發生率的風險比係7.56(95% CI,5.94至9.63)。注意:此係實質上高於與具有兩位近視家長相關聯的風險。針對亞洲人及白人的模型估計係類似於該群組整體的模型估計。
後續論文分析來自1年級直到8年級(基線,6歲直到11歲)之4,512位族裔多樣之非近視兒童的較大樣本。圖13顯示發展出近視之風險因子的單變數分析。亦進行多變數分析。自2年級直到8年級(7歲直到13歲),總計414位兒童變成近視。在所評估的13個因子中,有10個係與近視發生的風險相關聯(P < .05),且有8個保留其在多變數模型中的關聯性:在基線時的球面等效屈光不正、家長近視、軸長、角膜焦度(corneal power)、晶狀體焦度(crystalline lens power)、調節性聚合力對調節力的比(ratio of accommodative convergence to accommodation)(AC/A比)、水平/垂直散光量值、及視覺活動。輕度遠視/重度近視的基線屈光不正一致地在多變數模型中係與近視發生的風險相關聯(勝算比自0.02至0.13,P < .001),而近距離用眼工作、室外的時間、及具有近視家長則未與其相關聯。作者總結出可使用簡單的單一屈光不正的測量來預測非近視兒童未來的近視。預防近視的未來試驗應將具有低遠視的兒童選定為處於風險的兒童。
中國的研究支持遠視緩衝的重要性。一項中國廣州的群組研究招募1,975位1年級學生(平均年齡7.2歲)及2,670位7年級學生(平均年齡13.2歲)。較年輕群組經追蹤達五年,且較年長群組經追蹤達二年。基線近視盛行率在1年級學生中係12.0%(n = 1969位中之237位),且在7年級學生中係67.4%(n = 2663位中之1795位)。近視的年度發生率在兩個群組中係20%至30%。在該研究所呈現之資料的提取係顯示於圖14中,其展現在基線時增加遠視程度的保護效果。
一項在上海的類似群組研究招募1,856位1年級直到3年級的學生(平均年齡7.1、8.1及9.2歲,其中有1,567位在基線時係非近視,且有1,385位在兩年後再次受到檢驗)。只有家長近視(而非近距離用眼工作時間、近距離用眼工作、室外活動時間、或上補習班)係與近視發生率相關聯。基線屈光不正與近視發生率之間的關係係顯示於圖15中。2年近視發生率的最佳預測子係+0.50 D或更小的球面等效,其中靈敏性係85%,且特異性係71%。若特異性設定在≥80%,則0.37 D或更小的球面等效係最佳預測子,其中靈敏性係75%。
高度近視風險
一或多個模型(例如,公式)可係用以提供近視風險因子。作為一實例,可針對各年齡(例如,在18歲年齡之前)的發生來預測高度近視(至少–5 D)的機率。本揭露之模型可係基於風險因子,諸如發生的年齡及族裔。雖然小於8歲之近視發生係較不常見的,但兒童加深至高度近視的風險較大。針對443位患有近視之中國兒童的研究發現,在7或8歲發生近視者中,有54%於成年期發展出高度近視。相比之下,只有19%之在10歲年齡時發生者發展出高度近視。圖16顯示高度近視風險的資料。新加坡兒童的早期研究僅研究直到11歲的受試者,但87%之發展出高度近視者係在7歲或更年輕時的年齡發生。
德倫特屈光不正與近視(Drentse Refractive Error and Myopia, DREAM)研究使用來自荷蘭之一眼鏡行的回溯性(retrospective)資料,報告2,555位近視者的加深資料。具有至少1年之區間的處方的受試者係包括在該分析中。在10歲年齡之前具有第一處方者顯示具有–4.48 D之中位數球面等效的最快加深(IQR:–5.37至–3.42 D)。圖17A至圖17C繪示依據年齡而變動之發展出高度近視的風險。在10歲時至少-3 D的所有兒童在變成年人時皆係高度近視(至少–6 D)。10歲時在–1.50與–3.00 D之間的兒童具有46.0%的高度近視風險,且在–1.50與–1.50 D之間的兒童具有32.6%的風險。此等值係針對25歲之年齡。在18歲時高度近視的對應百分比係71.7%、21.4%、及5.5%。
圖18顯示依據亞洲及歐洲近視者的發生年齡而變動之高度近視風險的比較。由於亞洲人眼睛中有更高的年度加深,故高度近視風險非常不同。歐洲近視者的資料看起來往左移位約2.5歲。
圖19顯示依據歐洲近視者的發生年齡而變動之25歲及18歲時高度近視風險的比較。對於10歲年齡之前的近視發生而言,近視的風險在18與25歲之間增加約30%。
本文描述近視風險計算器的實例模型。作為一實例,可計算年度發生率,其自兒童目前年齡+1直到18歲被視為係恆定的。例如:
年度發生率=基線發生率×(1 +性別× 0.15)×族裔× 1.6
# 近視家長 – 1
其中:
基線發生率 = 0.04或4%
對於女性,性別 = 1,對於男性係0
對於亞洲人,族裔 = 2.5,對於西班牙人係2,對於其他人係1
注意:按年齡針對各歲數計算
若近距離用眼工作時數及室外活動的資料係可得的,則:
年度發生率=基線發生率×(1 +性別× 0.15)×族裔× 1.6
# 近視家長 – 1× 0.5
室外 –1× 1.1
近距離用眼工作 –1
其中:
室外=每天在室外所花費的時數(若未知,則= 1)
近距離用眼工作=每天在近距離用眼工作所花費的時數(若未知,則= 1)
可計算累積發生率,其自兒童目前年齡直到18歲被視為係恆定的。
累積發生率可係等於:前一年累積發生率+年度發生率×(1 –前一年累積發生率)
可針對在各年齡的發生來預測高度近視(至少–6 D)的機率:
若族裔=亞洲人,則
高度近視機率=年度發生率× 10
2.1 –0.293 × 年齡×(0.9 + 0.1 × #近視家長
1.5)×(0.98 + 0.02 ×性別)
若族裔≠亞洲人,則
高度近視機率=年度發生率× 10
1.37 –0.293 × 年齡×(0.9 + 0.1 × #近視家長
1.5)×(0.98 + 0.02 ×性別)
兩者的高度近視機率不會超過年度發生率:
若高度近視機率>年度發生率,則高度近視機率>年度發生率
可判定高度近視(至少–5 D)的累積機率。作為一實例,高度近視的總機率=各年齡之上述機率的總和
若>0.99,則= 0.99
可判定至少–5 D之近視的累積機率。
至少–5 D的總機率=高度近視的總機率× 1.4
若>0.99,則= 0.99。
10:處理器或中央處理單元(CPU)
11:磁碟單元
12:系統匯流排
13:帶驅動機
14:隨機存取記憶體(RAM)
15:鍵盤
16:唯讀記憶體(ROM)
17:滑鼠
18:輸入/輸出(I/O)配接器
19:使用者介面配接器
20:通訊配接器
21:顯示配接器
22:麥克風
23:顯示裝置
24:揚聲器
25:資料處理網路
99:網路
100:例示性電腦實施系統、電腦
120:伺服器
121:智慧型裝置
125:安全網站
130:資料庫
152A:硬體處理器
152B:硬體處理器
154:記憶體
156:網路介面
158:顯示裝置
159:輸入裝置
160:記憶體
170:軟體應用程式
175:軟體應用程式模組
180:程式模組
190:「RECIPY」計算器;程式模組
195:進一步模組
200:步驟
202:步驟
204:步驟
206:步驟
208:步驟
210:步驟
212:步驟
下列圖式大致上係以舉例方式而非限制方式顯示本揭露中所論述之各種實例。在圖式中:
〔圖1〕描繪用於評估個體之近視風險的電腦實施系統。
〔圖2〕描繪根據一實施例之用於評估近視風險的方法。
〔圖3〕顯示用於實行本發明之至少一實施例之代表性硬體環境。
〔圖4〕顯示觀察到近視之最年輕年齡的先前技術實例資料。
〔圖5〕顯示基於無睫狀肌麻痺下驗光之小學及國中群組中之近視及高度近視的年度發生率的先前技術實例資料。
〔圖6〕顯示近視之年齡別發生率的先前技術實例圖,其指示發生率係隨年齡而相對恆定的。
〔圖7〕顯示顯示包括來自針對其他變數所調整之AUC模型的所有顯著變數的結果的先前技術邏輯模型。
〔圖8〕顯示家長病史資料的先前技術曲線圖。
〔圖9〕顯示與模型化之針對近視發展的風險比相關的先前技術資料。
〔圖10〕顯示與室外活動相關的先前技術資料圖。
〔圖11〕顯示與室外活動及近距離用眼工作相關的先前技術資料圖。
〔圖12〕顯示依據風險群組而變動之針對無、一位、及兩位近視家長的倖存機率曲線。
〔圖13〕顯示近視發生率的風險比(HR)。
〔圖14〕顯示先前技術研究中所呈現之資料的提取。
〔圖15〕顯示繪示基線屈光不正與近視發生率之間的關係的資料。
〔圖16〕顯示與成年期高度近視風險相關的先前技術資料,其係藉由性別及近視發生時的年齡所分層。
〔圖17A〕、〔圖17B〕、及〔圖17C〕顯示繪示依據年齡而變動之發展出高度近視的風險的先前技術資料。
〔圖18〕顯示依據亞洲及歐洲近視者的發生年齡而變動之高度近視風險的比較。
〔圖19〕顯示依據歐洲近視者的發生年齡而變動之25歲及18歲時高度近視風險的比較。
Claims (49)
- 一種電腦實施之方法,該方法包含: 經由一介面,接收人口統計資訊,該人口統計資訊指示一受試者的年齡、該受試者的性別、該受試者的族裔、及該受試者之近視家長的數目; 經由該介面,接收行為資訊,該行為資訊指示該受試者每天在外面所花費的時間、及該受試者每天在近距離用眼工作(nearwork)所花費的時間; 藉由根據一預定發生率公式將該人口統計資訊及該行為資訊加權,來判定該受試者的一發生率因子,其中該預定發生率公式及該加權係自與一群體相關聯的發生率資料導出; 根據一預定加深(progression)公式,藉由將該人口統計資訊及該行為資訊加權,來判定該受試者的一加深因子,其中該預定加深公式及該加權係自與一群體相關聯的加深資料導出,且其中該預定加深公式係該發生率因子之函數; 藉由一處理器並基於該發生率因子及該加深因子,預測及計算指示該受試者展現近視之風險的一近視風險度量;及 促成該近視風險度量的輸出,該近視風險度量包含定量數值分量。
- 如請求項1所述之方法,其中該發生率因子係至少基於下列公式化關係: 發生率因子= BI × G × α × E × β MP, 其中BI係基線發生率因子,G係性別加權因子,E係族裔加權因子,MP係該受試者之近視家長的數目,且α及β係基於證據的加權因子。
- 如請求項1所述之方法,其中該發生率因子係至少基於下式: 發生率因子= BI × (1 + G × 0.15) × E × 1.6 MP–1, 其中BI係基線發生率因子,G係性別加權因子,E係族裔加權因子,且MP係該受試者之近視家長的數目。
- 如請求項3所述之方法,其中BI係0.04。
- 如請求項3所述之方法,其中G對於女性係1,對於男性係0。
- 如請求項3所述之方法,其中E對於亞洲人係2.5,對於西班牙人係2,對於其他人係1。
- 如請求項1所述之方法,其中該發生率因子係至少基於下式: 發生率因子= BI × (1 + G × 0.15) × E × 1.6 MP–1× 0.5 OT–1× 1.1 NT–1其中BI係基線發生率因子,G係性別加權因子,E係族裔加權因子,MP係該受試者之近視家長的數目,OT係該受試者每天在外面所花費的時間(時數),且NT係該受試者每天在近距離用眼工作所花費的時間(時數)。
- 如請求項7所述之方法,其中BI係0.04。
- 如請求項7所述之方法,其中G對於女性係1,對於男性係0。
- 如請求項7所述之方法,其中E對於亞洲人係2.5,對於西班牙人係2,對於其他人係1。
- 如請求項1所述之方法,其中該加深因子指示該受試者展現高度近視的機率,其中高度近視係至少-4D或至少-6D中之一者。
- 如請求項1所述之方法,其中亞洲族裔之一受試者的該加深因子係至少基於下式: 加深因子=發生率因子× 10 2.1 –0.293 × A× (0.9 + 0.1 × MP 1.5) × (0.98 + 0.02 × G), 其中A係該受試者的年齡歲數,G係性別加權因子,且MP係該受試者之近視家長的數目。
- 如請求項12所述之方法,其中G對於女性係1,對於男性係0。
- 如請求項1所述之方法,其中非亞洲族裔之一受試者的該加深因子係至少基於下式: 加深因子=發生率因子× 10 1.37 –0.293 × A× (0.9 + 0.1 × MP 1.5) × (0.98 + 0.02 × G), 其中A係該受試者的年齡歲數,G係性別加權因子,且MP係該受試者之近視家長的數目。
- 如請求項14所述之方法,其中G對於女性係1,對於男性係0。
- 如請求項1所述之方法,其進一步包含:接收診斷資訊,該診斷資訊指示與該受試者相關聯的屈光不正、或該受試者之眼睛軸長指示該受試者係非近視中之一或多者,其中該發生率因子或該加深因子中之一或多者係至少基於該診斷資訊而判定。
- 如請求項1所述之方法,其中該風險度量包含一嚴重性度量。
- 如請求項17所述之方法,其中該嚴重性度量包含一預估近視程度。
- 如請求項1所述之方法,其中該定量數值分量係一百分比。
- 一種裝置,其經組態以實施如請求項1所述之方法。
- 一種系統,其經組態以實施如請求項1所述之方法。
- 一種電腦實施之方法,該方法包含: 經由一介面,接收一受試者的人口統計資訊; 經由該介面,接收該受試者的行為資訊; 基於該人口統計資訊及該行為資訊或該第二資訊中之一或多者,藉由根據一預定發生率公式將該人口統計資訊及該行為資訊加權,來判定該受試者的一發生率因子,其中該預定發生率公式及該加權係自與一群體相關聯的發生率資料導出; 基於該人口統計資訊或該行為資訊中之一或多者,藉由根據一預定加深公式將該人口統計資訊及該行為資訊加權,來判定該受試者的一加深因子,其中該預定加深公式及該加權係自與一群體相關聯的加深資料導出,且其中該預定加深公式係該發生率因子之函數; 藉由一處理器並基於該發生率因子及該加深因子,預測及計算指示該受試者展現近視之風險的一近視風險度量、或指示一近視程度的一嚴重性度量中之一或多者;及 促成該近視風險度量或該嚴重性度量中之該一或多者的輸出,其中該近視風險度量或該嚴重性度量之各者包含定量數值分量。
- 如請求項22所述之方法,其中該第一資訊包含該受試者的年齡。
- 如請求項22所述之方法,其中該第一資訊包含該受試者的性別。
- 如請求項22所述之方法,其中該第一資訊包含該受試者的族裔。
- 如請求項22所述之方法,其中該第一資訊包含該受試者之近視家長的數目。
- 如請求項22所述之方法,其中該第二資訊包含該受試者每天在外面所花費的時間。
- 如請求項22所述之方法,其中該第二資訊包含該受試者每天在近距離用眼工作所花費的時間。
- 如請求項22所述之方法,其進一步包含:經由該介面,接收可測量診斷資訊,該可測量診斷資訊指示與該受試者相關聯的屈光不正、或該受試者之眼睛軸長中之一或多者,其中該預測及計算指示該受試者展現近視之風險的一近視風險度量係至少基於該第三資訊。
- 如請求項22所述之方法,其中該發生率因子係至少基於下列公式化關係: 發生率因子= BI × G × α × E × β MP, 其中BI係基線發生率因子,G係性別加權因子,E係族裔加權因子,MP係該受試者之近視家長的數目,且α及β係基於證據的加權因子。
- 如請求項22所述之方法,其中該發生率因子係至少基於下式: 發生率因子= BI × (1 + G × 0.15) × E × 1.6 MP–1, 其中BI係基線發生率因子,G係性別加權因子,E係族裔加權因子,且MP係該受試者之近視家長的數目。
- 如請求項31所述之方法,其中BI係0.04。
- 如請求項31所述之方法,其中G對於女性係1,對於男性係0。
- 如請求項31所述之方法,其中E對於亞洲人係2.5,對於西班牙人係2,對於其他人係1。
- 如請求項22所述之方法,其中該發生率因子係至少基於下式: 發生率因子= BI × (1 + G × 0.15) × E × 1.6 MP–1× 0.5 OT–1× 1.1 NT–1其中BI係基線發生率因子,G係性別加權因子,E係族裔加權因子,MP係該受試者之近視家長的數目,OT係該受試者每天在外面所花費的時間(時數),且NT係該受試者每天在近距離用眼工作所花費的時間(時數)。
- 如請求項35所述之方法,其中BI係0.04。
- 如請求項35所述之方法,其中G對於女性係1,對於男性係0。
- 如請求項35所述之方法,其中E對於亞洲人係2.5,對於西班牙人係2,對於其他人係1。
- 如請求項22所述之方法,其中該加深因子指示該受試者直到該受試者18歲之年齡歲數期間展現高度近視(至少-6D)的機率。
- 如請求項22所述之方法,其中亞洲族裔之一受試者的該加深因子係至少基於下式: 加深因子=發生率因子× 10 2.1 –0.293 × A× (0.9 + 0.1 × MP 1.5) × (0.98 + 0.02 × G), 其中A係該受試者的年齡歲數,G係性別加權因子,且MP係該受試者之近視家長的數目。
- 如請求項40所述之方法,其中G對於女性係1,對於男性係0。
- 如請求項22所述之方法,其中非亞洲族裔之一受試者的該加深因子係至少基於下式: 加深因子=發生率因子× 10 1.37 –0.293 × A× (0.9 + 0.1 × MP 1.5) × (0.98 + 0.02 × G), 其中A係該受試者的年齡歲數,G係性別加權因子,且MP係該受試者之近視家長的數目。
- 如請求項42所述之方法,其中G對於女性係1,對於男性係0。
- 如請求項22所述之方法,其中該近視嚴重性度量包含一預估近視程度。
- 如請求項22所述之方法,其中該風險度量包含一嚴重性度量。
- 如請求項45所述之方法,其中該近視嚴重性度量包含一預估近視程度。
- 如請求項22所述之方法,其中該定量數值分量係一百分比。
- 一種裝置,其經組態以實施如請求項22所述之方法。
- 一種系統,其經組態以實施如請求項22所述之方法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US17/466,132 US20230081566A1 (en) | 2021-09-03 | 2021-09-03 | Systems and methods for predicting myopia risk |
US17/466,132 | 2021-09-03 |
Publications (1)
Publication Number | Publication Date |
---|---|
TW202318443A true TW202318443A (zh) | 2023-05-01 |
Family
ID=85410906
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW111133313A TW202318443A (zh) | 2021-09-03 | 2022-09-02 | 用於預測近視風險之系統及方法 |
Country Status (6)
Country | Link |
---|---|
US (1) | US20230081566A1 (zh) |
KR (1) | KR20240058903A (zh) |
AU (1) | AU2022337079A1 (zh) |
CA (1) | CA3230735A1 (zh) |
TW (1) | TW202318443A (zh) |
WO (1) | WO2023031800A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117671908A (zh) * | 2023-12-06 | 2024-03-08 | 广州视域光学科技股份有限公司 | 基于行为监测的近视防控系统及其防控方法 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090307180A1 (en) * | 2008-03-19 | 2009-12-10 | Brandon Colby | Genetic analysis |
WO2016191277A1 (en) * | 2015-05-22 | 2016-12-01 | Indiana University Research & Technology Corporation | Methods and systems for patient specific identification and assessment of ocular disease risk factors and treatment efficacy |
US10042181B2 (en) * | 2016-01-27 | 2018-08-07 | Johnson & Johnson Vision Care, Inc. | Ametropia treatment tracking methods and system |
US10912456B2 (en) * | 2016-01-27 | 2021-02-09 | Johnson & Johnson Vision Care, Inc. | Ametropia treatment tracking methods and system |
EP3321831B1 (de) * | 2016-11-14 | 2019-06-26 | Carl Zeiss Vision International GmbH | Vorrichtung zum ermitteln von prognostizierten subjektiven refraktionsdaten oder prognostizierten subjektiven korrektionsdaten und computerprogramm |
AU2016265973A1 (en) * | 2016-11-28 | 2018-06-14 | Big Picture Medical Pty Ltd | System and method for identifying a medical condition |
KR101945459B1 (ko) * | 2017-07-07 | 2019-02-07 | (의)삼성의료재단 | 안구 건조 위험도를 측정하는 장치, 방법 및 그 방법을 실행하기 위한 컴퓨터 프로그램 |
WO2020083382A1 (en) * | 2018-10-26 | 2020-04-30 | Ai Technologies Inc. | Accurate prediction and treatment of myopic progression by artificial intelligence |
JP2022512505A (ja) * | 2018-12-21 | 2022-02-04 | エシロール・アンテルナシオナル | 視力関連パラメータの経時的な進展を予測するための方法及び装置 |
EP3760102B1 (en) * | 2019-07-04 | 2023-11-08 | Vivior AG | Technique for determining a risk indicator for myopia |
GB201918993D0 (en) * | 2019-12-20 | 2020-02-05 | Univ Dublin Technological | A system and method of determining the ocular biometric status of a patient |
-
2021
- 2021-09-03 US US17/466,132 patent/US20230081566A1/en active Pending
-
2022
- 2022-08-30 KR KR1020247011035A patent/KR20240058903A/ko unknown
- 2022-08-30 AU AU2022337079A patent/AU2022337079A1/en active Pending
- 2022-08-30 CA CA3230735A patent/CA3230735A1/en active Pending
- 2022-08-30 WO PCT/IB2022/058132 patent/WO2023031800A1/en active Application Filing
- 2022-09-02 TW TW111133313A patent/TW202318443A/zh unknown
Also Published As
Publication number | Publication date |
---|---|
CA3230735A1 (en) | 2023-03-09 |
KR20240058903A (ko) | 2024-05-07 |
AU2022337079A1 (en) | 2024-04-18 |
WO2023031800A1 (en) | 2023-03-09 |
US20230081566A1 (en) | 2023-03-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108836626B (zh) | 屈光异常治疗追踪方法和系统 | |
US20210121057A1 (en) | Ametropia treatment tracking methods and system | |
Shah et al. | Time outdoors at specific ages during early childhood and the risk of incident myopia | |
Guo et al. | One‐year results of the variation of orthokeratology lens treatment zone (VOLTZ) study: a prospective randomised clinical trial | |
Finger et al. | The impact of the severity of vision loss on vision-related quality of life in India: an evaluation of the IND-VFQ-33 | |
Lawrenson et al. | Interventions for myopia control in children: a living systematic review and network meta‐analysis | |
CN107028586B (zh) | 屈光异常治疗追踪方法和系统 | |
Gwiazda et al. | Factors associated with high myopia after 7 years of follow-up in the Correction of Myopia Evaluation Trial (COMET) Cohort | |
Li et al. | Population‐based survey of refractive error among school‐aged children in rural northern China: the Heilongjiang eye study | |
Casson et al. | Exceptionally low prevalence of refractive error and visual impairment in schoolchildren from Lao People's Democratic Republic | |
Fedtke et al. | Association between multifocal soft contact lens decentration and visual performance | |
TW202318443A (zh) | 用於預測近視風險之系統及方法 | |
Prousali et al. | The role of accommodative function in myopic development: A review. | |
Fedtke et al. | Visual performance with multifocal soft contact lenses in non-presbyopic myopic eyes during an adaptation period | |
Kuang et al. | Seven-year incidence of uncorrected refractive error among an elderly Chinese population in Shihpai, Taiwan: The Shihpai Eye Study | |
Malinowski et al. | A clinical study of the impact of soft contact lenses on the progression of myopia in young patients | |
Moore et al. | The refractive error and vision impairment estimation with spectacle data study | |
WO2023077411A1 (en) | Devices and methods for determining data related to a progression of refractive values of a person | |
Huang et al. | Development and validation of a simple nomogram for predicting rapid myopia progression in children with orthokeratology management | |
Li et al. | Study of myopia progression and risk factors in Hubei children aged 7–10 years using machine learning: a longitudinal cohort | |
CN118159182A (zh) | 用于预测近视风险的系统和方法 | |
Kho et al. | Effects of relative negative spherical aberration in single vision contact lens visual performance | |
Hong et al. | Photorefraction screening plus atropine treatment for myopia is cost-effective: a proof-of-concept Markov analysis | |
Duan et al. | Group-based trajectory modeling to identify factors influencing the development of myopia in patients receiving Orthokeratology | |
Ilhan et al. | Compatibility of spectacles with their prescriptions in central Anatolia |