Nature Medicine

在护理领域，糖尿病视网膜病变(Diabetic Retinopathy, DR)的仍然是一个重要的公共卫生挑战。全球有超过5亿人患有糖尿病，其中80%生活在低收入和中等收入国家(LMICs)。这种日益增加的患病率在这些资源有限的地区带来了巨大的公共卫生挑战。LMICs中，医疗资源不足和缺乏经过培训的初级保健医生(Primary Care Physicians, PCPs)是主要障碍，导致糖尿病的普遍漏诊、初级糖尿病不善以及不充分或不适当的专科转诊。这不仅影响个人健康结果，还带来了更广泛的社会经济后果。

糖尿病视网膜病变是糖尿病最常见的并发症，影响30-40%的糖尿病患者，是劳动力人群失明的主要原因。DR的存在还预示着其他并发症的高风险，例如肾脏、心脏和大脑。因此，定期进行DR筛查被普遍推荐为初级糖尿病护理的重要组成部分。然而，由于基础设施、人力和可持续的成本效益筛查项目的匮乏，DR筛查在LMICs中常被忽视。

为了应对这些挑战，近年来出现了多种数字技术，包括远程医疗、人工智能(AI)辅助血糖监测与预测、基于眼底图像的深度学习模型以及低成本的便携式眼底相机。然而，这些解决方案通常侧重于增强糖尿病管理或提供DR筛查，但很少结合这两方面的内容。此外，这些技术的使用还需要具备相关技能的PCPs，而在资源有限的环境中，训练有素的PCPs数量较少。

为了弥补这一空缺，7月19日Nature Medicine的报道 Integrated image-based deep learning and language models for primary diabetes care ，开发了一种集成图像与语言的系统（DeepDR-LLM），该系统结合了大语言模型(Large Language Model, LLM)和基于图像的深度学习(Deep Learning, DL)模型（DeepDR-Transformer），旨在为PCPs提供个性化的糖尿病管理建议。在回顾性评估中，LLM模块在英语测试中表现与PCPs和内分泌学住院医师相当，在中文测试中表现优于PCPs且与内分泌学住院医师相当。在识别需转诊的DR方面，PCPs在未使用辅助工具的情况下，准确率为81.0%，而在使用DeepDR-Transformer辅助下，准确率提升至92.3%。

此外，研究人员还进行了单中心的真实世界前瞻性研究，部署了DeepDR-LLM系统。结果显示，在未使用辅助工具的PCP组(n=397)和使用PCP+DeepDR-LLM辅助工具组(n=372)中，新糖尿病患者在使用辅助工具组中表现出更好的自我管理行为(P 0.05)。对于需转诊的DR患者，使用辅助工具组更有可能遵循转诊建议(P 0.01)。此外，DeepDR-LLM的部署提高了管理建议的质量和同理心水平。鉴于其多方面的表现，DeepDR-LLM有望成为增强初级糖尿病护理和DR筛查的数字解决方案。

DeepDR-LLM系统在糖尿病初级护理中的应用，特别是在资源有限的环境中，能够显著改善患者的健康管理行为，并为医生提供有效的辅助工具，最终提升整体医疗质量。