建立全国范围的登记系统来跟踪角膜手术和疾病的纵向临床结果

背景。 眼部疾病和全球统计数据概述 角膜疾病是世界上第五大失明原因，大约 450 万人因角膜透明度丧失而患有中度至重度视力障碍。 与其他导致失明的主要原因相比，角膜疾病主要影响年轻人，因此具有更长的伤残调整生命年。 由于社会经济和政治因素等一系列问题，每 70 名角膜失明患者中只有 1 人最终接受角膜移植。 因此，美国每年完成的角膜移植手术数量约为 50,000 例。

跟踪角膜移植后的长期结果在美国，目前没有跟踪角膜移植后供体或受体纵向结果的登记处或数据库。 尽管角膜移植是美国最常见的移植之一，但包括肾脏、肝脏、心脏、肺和胰腺在内的其他器官移植均已建立登记。 澳大利亚是自 1985 年以来建立角膜移植登记的少数国家之一，该登记为确定影响角膜移植存活的积极和消极预后因素提供了宝贵的见解。 为了获得最佳的受试者结果，理想情况下应调整临床实践以选择最佳的手术类型（即 根据真实世界的结果数据，为每位患者进行穿透性角膜移植术 [PKP]、内皮角膜移植术 [EK]、前板层角膜移植术 [ALK] 或人工角膜）。

开发和利用人工智能治疗角膜疾病机器学习在开发医疗应用人工智能系统方面发挥着越来越重要的作用，是处理超大型数据集的强大手段。 各种算法可以比人类更有效、更准确地整合许多值。 成像研究特别丰富，使其非常适合机器学习。

对各种成像研究进行准确的人工智能/机器学习算法评估可以提高体检的精确度，通过更早、更准确地检测异常并更好地预测未来结果来改善患者的治疗结果。 此外，支持人工智能/机器学习的患者数据远程收集为患者、提供者和更广泛的卫生系统监测疾病、手术或治疗结果带来了巨大的潜在好处。 通过家庭或社区监测，健康患者可以节省频繁前往诊所的时间和金钱。 对于那些发现问题的人，可以在潜在的眼部疾病或术后并发症变得更严重并需要干预或手术之前尽早发现它们，从而改善患者的治疗效果并节省卫生系统资源。

目标。 主要目标：在美国建立第一个全国性角膜登记处，其中包括与疾病状态、供体组织信息、受体数据、手术过程和长期临床结果相关的信息。 最终，这种前瞻性数据收集将使我们能够确定成功角膜移植的预后因素，并创建一种算法来根据现实世界的结果指导临床实践。

第二：收集并创建去识别化成像研究数据库（包括但不限于光学相干地形图（OCT）、体内共焦生物显微镜、镜面生物显微镜和角膜地形图），最终开发基于人工智能（AI）的诊断和角膜疾病患病率、进展和手术结果的预后算法。

学习规划。 设计前瞻性和观察性。

研究规模 最初的研究对象招募将在美国多个中心进行试点。 将招募所有符合条件的受试者，并在研究的初始阶段招募同意的受试者。

数据收集 美国的角膜外科医生将获得角膜移植前后的角膜图像。 这些去识别化的图像以及临床信息（捐赠者和接受者特征、手术信息以及随后的纵向结果）将被输入注册表。

角膜移植登记的数据元素 对于接受角膜移植的受试者，将收集以下元素并将其输入安全的电子数据库。 本研究的成像数据源是常规临床护理过程中产生的角膜地形图 OCT、镜面生物显微镜和体内共焦生物显微镜图像的副本。 登记处将收到任何格式的图像副本，包括电子数据传输和 CD。 来自不同提供者和护理站点的 OCT 图像的质量和细节可能有所不同。 抽象过程会将数据映射到单个内聚数据模式。

数据来源 所有 OCT 和角膜地形图图像均已去识别化，没有受试者健康信息。 仅收集原始图像进行分析，并编译 OCT 图像以创建在线注册表。

数据收集和存储 OCT 图像将由医疗保健提供者通过安全、加密的成像请求平台提交，并根据需要由人员跟进。 成像文档上传到研究的服务器，并对所有受试者数据和受保护的健康信息 (PHI) 进行去识别化处理。

数据抽象 具有 OCT 图像评估专业知识的研究人员将审查提交的所有图像以检测模式。 这些模式最终将用于训练 AI/ML 算法以收集测量数据。

数据安全本研究将遵守健康保险流通与责任法案 (HIPAA) 安全标准。 此外，研究团队还拥有一套全面的安全策略，包括风险管理策略、事件响应协议、访问控制、加密标准和研究人员培训，以保护所有提交的受试者图像。

提议的算法开发。 所提出的机器学习方法的描述 该算法有机会成为所有自动 OCT 图像分类器和数据收集器中最通用的算法。 有了足够的数据，它也可以是最准确的。 该算法将使用本研究中的各种 OCT 数据进行训练和优化。

数据管理。 图像的保留 与研究相关的图像和文件将按照相关国家或地方卫生当局要求的时间保留，以较长者为准。 在此期限之后，根据当地法规，这些文件可能会被销毁。

数据质量保证政策 研究团队利用技术和人类专业知识，通过一系列措施确保从 OCT 图像中提取的数据的准确性。 图像收集平台旨在使用保守阈值标记不规则性和低置信度图像。

研究团队接受了培训计划，并且必须通过严格的数据质量测试，然后才能承担全部影像筛查职责。 所有图像均由至少两名审阅者进行筛选，标准程序中未描述的困难场景将根据政策升级至高级团队负责人。 记录、审查升级并从中学习的程序可创建反馈循环，从而提高运营效率并减少人为错误。

研究团队将维护所有数据转换的日志，并定期进行内部数据质量审核。 在整个提交和审核过程中，将持续监控和分析数据质量。

访问注册表。 基于角色的访问控制 (RBAC) 将实施 RBAC 以根据用户的角色定义不同的访问级别。 角色将被明确定义并对应于特定的职责和权限。

身份验证 将采用包括双因素身份验证 (2FA) 在内的强大身份验证机制，以确保只有授权用户才能访问映像注册表。 在授予访问权限之前，将使用授权工作流程，由研究人员审查和批准用户访问请求。 研究人员将定期审查和管理用户帐户，确保只有具有合法访问需求的活跃用户在注册表中拥有帐户。

访问授予/撤销 用户的访问权和权限将根据角色和职责共享，并且将授予用户执行其任务所需的最低权限。 如果用户更改角色或不再需要访问权限，撤销访问权限将得到简化。 研究团队将实施日志机制来记录用户活动和访问尝试。 研究团队将审查日志以检测和调查任何可疑或未经授权的活动。

根据要求，某些监管机构（即 CMS、FDA 等）或其他第三方机构的审计员可能会被授予临时访问注册表的权限以进行审计。

事件报告 与未经授权的访问相关的安全事件或违规行为将得到及时处理，以减轻安全事件的影响并防止再次发生。

撤回成像数据 首席研究员或 IRB 有权出于医疗、安全或行政原因随时删除成像数据。 将遵循适当的程序以确保从研究中安全撤回每张图像。

图像去识别化。

为了确保 OCT 数据的安全和道德处理，将实施全面的图像去识别流程。 此过程旨在系统地删除或更改每个图像及其相关元数据中的可识别信息，同时保留图像的临床和研究价值。 以下步骤概述了该去识别化过程的关键方面：

删除直接标识​​符

• 所有用于个人识别的直接标识符，例如受试者姓名、医疗记录和登记号以及出生日期，都将被彻底搜索并从每个图像的像素数据中删除。
• 同时，这些直接标识符也将从图像元数据中找出并删除，但医疗记录编号除外，它将通过加密哈希函数进行不可逆的转换。

像素级匿名化

● 如果需要，包含可识别特征（例如面部细节或独特标记）的特定图像区域将进行遮蔽或模糊处理。 这些缺乏诊断特征的区域将被掩盖，而那些具有诊断特征的区域将被模糊。

质量控制

• 将执行严格的质量检查，以确保匿名过程不会损害图像的临床价值。
• 训练有素的专业人员将审查去识别化图像的子集，以验证关键诊断特征是否准确保留。

加密

• 原始图像和去识别化图像都会被加密，以确保其在存储和传输过程中的安全性。
• 所有数据都将存储在访问受控的安全环境中，遵守监管要求和行业最佳实践。

文档

• 将保留去识别化过程的详细记录，包括所采取的步骤、涉及的人员以及遇到的任何挑战的综合说明。
• 该文件可作为重要的审计线索，提供透明度并帮助证明遵守数据保护法规。