rfhealthЗдравоохранение Российской ФедерацииHealth care of the Russian Federation0044-197X2412-0723Federal Scientific Center of Hygiene named after F.F. Erisman10.47470/0044-197X-2022-66-6-484-490rfhealth-1019Research ArticleПРОБЛЕМЫ СОЦИАЛЬНО ЗНАЧИМЫХ ЗАБОЛЕВАНИЙPROBLEMS OF SOCIALLY SIGNIFICANT DISEASESПрименение современных цифровых технологий в предиктивной аналитике факторов риска преждевременной смерти от социально значимых неинфекционных заболеваний (обзор литературы)The use of modern digital technologies in predictive analysis of risk factors for premature death due to socially significant non-communicable diseases (literature review)https://orcid.org/0000-0001-9296-0233БезруковаГалина АлександровнаBezrukovaGalina A.

Доктор мед. наук, доцент, гл. науч. сотр. отдела медицины труда Саратовского медицинского научного центра гигиены ФБУН «Федеральный научный центр медико-профилактических технологий управления рисками здоровью населения», 410022, Саратов.

e-mail: bezrukovagala@yandex.ru

MD, PhD, DSci., chief researcher of department of occupational medicine, Saratov Hygiene Medical Research Center of the Federal Scientific Center for Medical and Preventive Health Risk Management Technologies, Saratov, 410022, Russian Federation.

e-mail: bezrukovagala@yandex.ru

bezrukovagala@yandex.ruhttps://orcid.org/0000-0003-1463-0559НовиковаТ. А.NovikovaTamara A.noemail@neicon.ruСаратовский медицинский научный центр гигиены ФБУН «Федеральный научный центр медико-профилактических технологий управления рисками здоровью населения»РоссияSaratov Hygiene Medical Research Center of the Federal Scientific Center for Medical and Preventive Health Risk Management TechnologiesRussian Federation202212122022666484490Copyright © Безрукова Г.А., Новикова Т.А., 20222022Безрукова Г.А., Новикова Т.А.Bezrukova G.A., Novikova T.A.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.rfhealth.ru/jour/article/view/1019

Эффективность реализации Концепции предиктивной, превентивной и персонализированной медицины напрямую связана с развитием и масштабированием процесса цифровизации здравоохранения, среди которых одну из лидирующих позиций занимают технологии искусственного интеллекта (ИИ-технологии). В полной мере это относится к проблеме предиктивной аналитики факторов риска (ФР) преждевременной смерти от социально значимых неинфекционных заболеваний (НИЗ).

Целью работы являлось обобщение современного отечественного и зарубежного опыта использования ИИ-технологий и машинного обучения (МО) в предиктивном анализе ФР преждевременной смерти от социально значимых НИЗ.

Поиск публикаций проводили по базам данных РИНЦ, КиберЛенинка, eLibrary и PubMed, содержащих российские и зарубежные источники научной информации за 2011–2021 гг.

В статье кратко сообщается о глобальных ФР преждевременной смерти от НИЗ, основное место среди которых занимают болезни системы кровообращения. Рассмотрены недостатки используемых в массовых обследованиях калькуляторов для определения суммарного риска фатальных сердечно-сосудистых событий (ССС): Фрамингемского и шкалы SCORE. Показано, что индивидуальная прогностическая эффективность калькуляторов может быть повышена за счёт технологий МО, использующих при обучении большие данные о состоянии здоровья населения определённых регионов, цифровизации медицинских изображений и расширения структурированных баз спектра ФР, дающего возможность распознавать и учитывать сложные взаимосвязи между множественными, коррелированными и нелинейными ФР и исходами ССС. Даны примеры прогностической эффективности моделей МО. Особое внимание уделено ИИ-технологиям и глубокому МО в стратификации риска и исходов ССС на основании аналитики изображений глазного дна.

Заключение

Заключение. Внедрение ИИ-технологий и МО в клиническую практику открывает перспективу достижения эффективной индивидуализированной стратификации риска преждевременной смерти от хронических НИЗ и их персонифицированной факторной профилактики за счёт своевременной оптимизации модифицируемых ФР социально значимых заболеваний.

Участие авторов

Участие авторов: Безрукова Г.А. — концепция исследования, сбор и обработка материала, написание текста, составление списка литературы, редактирование; Новикова Т.А. — сбор и обработка материала, написание текста, составление списка литературы. Все соавторы — утверждение окончательного варианта статьи, ответственность за целостность всех частей статьи.

Финансирование

Финансирование. Исследование не имело спонсорской поддержки.

Конфликт интересов

Конфликт интересов. Авторы декларируют отсутствие явных и потенциальных конфликтов интересов в связи с публикацией данной статьи.

Поступила 12

Поступила 12.08.2022Принята в печать 07.09.2022Опубликована 12.12.2022

The effectiveness of the implementation of the Concept of predictive, preventive and personalized medicine is directly related to the development and scaling of the process of digitalization of healthcare with the leading position occupied by artificial intelligence technologies (AI technologies). This fully applies to the problem of predictive analysis of risk factors for premature death from socially significant non-communicable diseases (NCDs). 

The purpose of the work was to summarize the current domestic and foreign experience of using AI technologies and machine learning (ML) in predictive analysis of risk factors for premature death from socially significant non-communicable diseases. 

The search for publications was carried out in the RSCI, CyberLeninka, eLibrary, and PubMed databases containing domestic and foreign sources of scientific information. The search depth covered period from 2011 to 2021. More than 50 sources of scientific information were analyzed. 

The article briefly reports on the global risk factors (RF) of premature death due to NCDs, the main place among which is occupied by diseases of the circulatory system. The disadvantages of calculators used in mass examinations to determine the total risk of fatal cardiovascular events (CVE) are considered ¾ Framingham scale and SCORE scale. It is shown that the individual predictive efficiency of calculators can be increased due to ML technologies that use big data on the health status of the population in certain regions, digitalization of medical images, and expansion of structured databases of the RF spectrum, which makes it possible to recognize and take into account complex relationships between multiple, correlated, and nonlinear RF and CVE outcomes. Examples of the predictive effectiveness of ML models are given. Special attention is paid to AI technologies and deep ML in the stratification of CVE risk and outcomes based on the analysis of images of the fundus the eye.

Conclusion

Conclusion. The introduction of AI technologies and ML in clinical practice opens up the prospect of achieving an effective individualized stratification of the risk of premature death due to chronic NCDs and their factor of personalized prevention through timely optimization of socially significant diseases modifiable by the F.

Contribution of the authors: Bezrukova G.A. — research concept, collection and processing of material, writing the text, compilation of the list of literature, editing; Novikova T.A. — collection and processing of material, writing the text, compilation of the list of literature.All authors are responsible for the integrity of all parts of the manuscript and approval of the manuscript final version.

Acknowledgment

Acknowledgment. The study had no sponsorship.

Conflict of interest

Conflict of interest. The authors declare no conflict of interest.

Received

Received: August 12, 2022 Accepted: September 07, 2022Published: December 12, 2022

искусственный интеллект в медицине и здравоохранениипредиктивная аналитикаанализ медицинских изображенийсистемы поддержки принятия врачебных решениймашинное обучениеболезни системы кровообращениясахарный диабетобзорartificial intelligence in medicine and healthcarepredictive analyticsanalysis of medical imagesmedical decision support systemsmachine learningblood circulatory system diseasesdiabetes mellitusreviewReferencesВялков А.И., Гундаров И.А., Полесский В.А. Персонализированная профилактика в первичном звене здравоохранения: обоснование, организационно-функциональная модель, инновационные технологии. Главврач. 2017; (3): 17-34.Vyalkov A.I., Gundarov I.A., Polesskiy V.A. Personalized prevention in primary medical care: study, organizational and functional model, innovative technologies. Glavvrach. 2017; (3): 17–34. (in Russian)Сучков С.В., Абэ Х., Антонова Е.Н., Барах П., Величковский Б.Т., Галагудза М.М. и др. Персонализированная медицина как обновляемая модель национальной системы здравоохранения. Часть 1. Стратегические аспекты инфраструктуры. Российский вестник перинатологии и педиатрии. 2017; 62(3): 7-14. https://doi.org/10.21508/1027-4065-2017-62-3-7-14Suchkov S.V., Abe Kh., Antonova E.N., Barakh P., Velichkovskiy B.T., Galagudza M.M., et al. Personalized medicine as an updated model of national health-care system. Part 1. Strategic aspects of infrastructure. Rossiyskiy vestnik perinatologii i pediatrii. 2017; 62(3): 7–14. https://doi.org/10.21508/1027-4065-2017-62-3-7-14 (in Russian)Заболотная Н.В., Гатилова И.Н., Заболотный А.Т. Цифровизация здравоохранения: достижения и перспективы развития. Экономика. Информатика. 2020; 47(2): 380-9. https://doi.org/10.18413/2687-0932-2020-47-2-380-389Zabolotnaya N.V., Gatilova I.N., Zabolotnyy A.T. Digitalization of health: achievements and prospects for development. Ekonomika. Informatika. 2020; 47(2): 380–9. https://doi.org/10.18413/2687-0932-2020-47-2-380-389 (in Russian)Ahmad Z., Rahim S., Zubair M., Abdul-Ghafar J. Artificial intelligence (AI) in medicine, current applications and future role with special emphasis on its potential and promise in pathology: present and future impact, obstacles including costs and acceptance among pathologists, practical and philosophical considerations. A comprehensive review. Diagn. Pathol. 2021; 16(1): 24. https://doi.org/10.1186/s13000-021-01085-4Ahmad Z., Rahim S., Zubair M., Abdul-Ghafar J. Artificial intelligence (AI) in medicine, current applications and future role with special emphasis on its potential and promise in pathology: present and future impact, obstacles including costs and acceptance among pathologists, practical and philosophical considerations. A comprehensive review. Diagn. Pathol. 2021; 16(1): 24. https://doi.org/10.1186/s13000-021-01085-4Фершт В.М., Латкин А.П., Иванова В.Н. Современные подходы к использованию искусственного интеллекта в медицине. Территория новых возможностей. Вестник Владивостокского государственного университета экономики и сервиса. 2020; 12(1): 121-30. https://doi.org/10.24866/VVSU/2073-3984/2020-1/121-130Fersht V.M., Latkin A.P., Ivanova V.N. Modern approaches to the use of artificial intelligence in medicine. Vestnik Vladivostokskogo gosudarstvennogo universiteta ekonomiki i servisa. 2020; 12(1): 121–30. https://doi.org/10.24866/VVSU/2073-3984/2020-1/121-130 (in Russian)Куленцан А.Л., Марчук Н.А. Анализ динамики заболеваемости населения социально-значимыми болезнями в РФ. Известия высших учебных заведений. Серия: Экономика, финансы и управление производством. 2020; (3): 67-70Kulentsan A.L., Marchuk N.A. Analysis of the dynamics of population incidence of socially significant diseases in the Russian Federation. Izvestiya vysshikh uchebnykh zavedeniy. Seriya: Ekonomika, finansy i upravlenie proizvodstvom. 2020; (3): 67–70. (in Russian)WHO. World Health Statistics 2020: monitoring health for the SDGs, sustainable development goals; 2020. Available at: https://apps.who.int/iris/handle/10665/332070WHO. World Health Statistics 2020: monitoring health for the SDGs, sustainable development goals; 2020. Available at: https://apps.who.int/iris/handle/10665/332070Lin X., Xu Y., Pan X., Xu J., Ding Y., Sun X., et al. Global, regional, and national burden and trend of diabetes in 195 countries and territories: an analysis from 1990 to 2025. Sci. Rep. 2020; 10(1): 14790. https://doi.org/10.1038/s41598-020-71908-9Lin X., Xu Y., Pan X., Xu J., Ding Y., Sun X., et al. Global, regional, and national burden and trend of diabetes in 195 countries and territories: an analysis from 1990 to 2025. Sci. Rep. 2020; 10(1): 14790. https://doi.org/10.1038/s41598-020-71908-9Дедов И.И., Шестакова М.В., Викулова О.К., Железнякова А.В., Исаков М.А. Сахарный диабет в Российской Федерации: распространенность, заболеваемость, смертность, параметры углеводного обмена и структура сахароснижающей терапии по данным Федерального регистра сахарного диабета, статус 2017 г. Сахарный диабет. 2018; 21(3): 144-59. https://doi.org/10.14341/DM9686Dedov I.I., Shestakova M.V., Vikulova O.K., Zheleznyakova A.V., Isakov M.A. Diabetes mellitus in Russian Federation: prevalence, morbidity, mortality, parameters of glycaemic control and structure of hypoglycaemic therapy according to the Federal Diabetes Register, status 2017. Sakharnyy diabet. 2018; 21(3): 144–59. https://doi.org/10.14341/DM9686 (in Russian)Abbafati C., Machado D.B., Cislaghi B., Salman O.M., Karanikolos M., Mckee M., et al. Global burden of 87 risk factors in 204 countries and territories, 1990-2019: a systematic analysis for the Global Burden of Disease Study 2019. Lancet. 2020; 396(10258): 1223-49. https://doi.org/10.1016/S0140-6736(20)30752-2Abbafati C., Machado D.B., Cislaghi B., Salman O.M., Karanikolos M., Mckee M., et al. Global burden of 87 risk factors in 204 countries and territories, 1990–2019: a systematic analysis for the Global Burden of Disease Study 2019. Lancet. 2020; 396(10258): 1223–49. https://doi.org/10.1016/S0140-6736(20)30752-2Задворная О.Л., Борисов К.Н. Развитие стратегий профилактики неинфекционных заболеваний. Медицинские технологии. Оценка и выбор. 2019; (1): 43-9. https://doi.org/10.31556/2219-0678.2019.35.1.043-049Zadvornaya O.L., Borisov K.N. Development of prevention strategies for non-communicable diseases. Meditsinskie tekhnologii. Otsenka i vybor. 2019; (1): 43–9. https://doi.org/10.31556/2219-0678.2019.35.1.043-049 (in Russian)Бойцов С.А., Деев А.Д., Шальнова С.А. Смертность и факторы риска развития неинфекционных заболеваний в России: особенности, динамика, прогноз. Терапевтический архив. 2017; 89(1): 5-13. https://doi.org/10.17116/terarkh20178915-13Boytsov S.A., Deev A.D., Shal’nova S.A. Mortality and risk factors for non-communicable diseases in Russia: Specific features, trends, and prognosis. Terapevticheskiy arkhiv. 2017; 89(1): 5–13. https://doi.org/10.17116/terarkh20178915-13 (in Russian)Кобякова О.С., Куликов Е.С., Малых Р.Д., Черногорюк Г.Э., Деев И.А., Старовойтова Е.А. и др. Стратегии профилактики хронических неинфекционных заболеваний: современный взгляд на проблему. Кардиоваскулярная терапия и профилактика. 2019; 18(4): 92-8. https://doi.org/10.15829/1728-8800-2019-4-92-98Kobyakova O.S., Kulikov E.S., Malykh R.D., Chernogoryuk G.E., Deev I.A., Starovoytova E.A., et al. Strategies for the prevention of chronic non-communicable diseases: a modern look at the problem. Kardiovaskulyarnaya terapiya i profilaktika. 2019; 18(4): 92–8. https://doi.org/10.15829/1728-8800-2019-4-92-98 (in Russian)Митрофанов И.М. Интегральные показатели риска хронических невоспалительных заболеваний (ХНИЗ): используемые методы и возможные подходы. Доступно: https://conf.nsc.ru/files/conferences/ictm-2013/presentation/168009/168010/2013-06-07_MitrophanovIM.pdfMitrofanov I.M. Integral risk indicators of chronic non-inflammatory diseases (CNID): used methods and possible approaches. Available at: https://conf.nsc.ru/files/conferences/ictm-2013/presentation/168009/168010/2013-06-07_MitrophanovIM.pdf (in Russian)Куликов В.А. Фрамингемское исследование сердца: 65 лет изучения причин атеросклероза. Вестник Витебского государственного медицинского университета. 2012; 11(2): 16-24.Kulikov V.A. Framingham heart study: 65 years of studying the causes of atherosclerosis. Vestnik Vitebskogo gosudarstvennogo meditsinskogo universiteta. 2012; 11(2): 16–24. (in Russian)Goh L.G.H., Welborn T.A., Dhaliwal S.S. Independent external validation of cardiovascular disease mortality in women utilising Framingham and SCORE risk models: A mortality follow-up study. BMC Women’s Health. 2014; 14: 118. https://doi.org/10.1186/1472-6874-14-118Goh L.G.H., Welborn T.A., Dhaliwal S.S. Independent external validation of cardiovascular disease mortality in women utilising Framingham and SCORE risk models: A mortality follow-up study. BMC Women’s Health. 2014; 14: 118. https://doi.org/10.1186/1472-6874-14-118Krittanawong C., Virk H.U.H., Bangalore S., Wang Z., Johnson K.W., Pinotti R., et al. Machine learning prediction in cardiovascular diseases: A meta-analysis. Sci. Rep. 2020; 10(1): 16057. https://doi.org/10.1038/s41598-020-72685-1Krittanawong C., Virk H.U.H., Bangalore S., Wang Z., Johnson K.W., Pinotti R., et al. Machine learning prediction in cardiovascular diseases: A meta-analysis. Sci. Rep. 2020; 10(1): 16057. https://doi.org/10.1038/s41598-020-72685-1Bates D.W., Saria S., Ohno-Machado L., Shah A., Escobar G. Big data in health care: using analytics to identify and manage high-risk and high-cost patients. Health Aff. (Millwood). 2014; 33(7): 1123-31. https://doi.org/10.1377/hlthaff.2014.0041Bates D.W., Saria S., Ohno-Machado L., Shah A., Escobar G. Big data in health care: using analytics to identify and manage high-risk and high-cost patients. Health Aff. (Millwood). 2014; 33(7): 1123–31. https://doi.org/10.1377/hlthaff.2014.0041Швец Д.А., Поветкин С.В. Сравнительный обзор использования методов машинного обучения для прогнозирования сердечно-сосудистого риска. Вестник новых медицинских технологий. 2020; (5): 1-11. https://doi.org/10.24411/2075-4094-2020-16711Shvets D.A., Povetkin S.V. Comparative review of the use of machine learning methods for predicting cardiovascular risk. Vestnik novykh meditsinskikh tekhnologiy. 2020; (5): 1–11. https://doi.org/10.24411/2075-4094-2020-16711 (in Russian)Sajeev S., Champion S., Beleigoli A., Chew D., Reed R.L., Magliano D.J., et al. Predicting Australian adults at high risk of cardiovascular disease mortality using standard risk factors and machine learning.Int. J. Environ. Res. Public Health. 2021; 18(6): 3187. https://doi.org/10.3390/ijerph18063187Sajeev S., Champion S., Beleigoli A., Chew D., Reed R.L., Magliano D.J., et al. Predicting Australian adults at high risk of cardiovascular disease mortality using standard risk factors and machine learning. Int. J. Environ. Res. Public Health. 2021; 18(6): 3187. https://doi.org/10.3390/ijerph18063187Kakadiaris I.A., Vrigkas M., Yen A.A., Kuznetsova T., Budoff M., Naghavi M. Machine learning outperforms ACC/AHA CVD risk calculator in MESA. J. Am. Heart Assoc. 2018; 7(22): e009476. https://doi.org/10.1161/JAHA.118.009476Kakadiaris I.A., Vrigkas M., Yen A.A., Kuznetsova T., Budoff M., Naghavi M. Machine learning outperforms ACC/AHA CVD risk calculator in MESA. J. Am. Heart Assoc. 2018; 7(22): e009476. https://doi.org/10.1161/JAHA.118.009476Суджаева О.А. Некоторые вопросы сердечно-сосудистой профилактики с учетом новых Рекомендаций Европейского общества кардиологов. Медицинские новости. 2017; (2): 39-45Sudzhaeva O.A. Some questions of cardiovascular disease prevention taking into account new guidelines of European society of cardiology. Meditsinskie novosti. 2017; (2): 39–45. (in Russian)Takura T., Hirano Goto K., Honda A. Development of a predictive model for integrated medical and long-term care resource consumption based on health behaviour: application of healthcare big data of patients with circulatory diseases. BMC Med. 2021; 19(1): 15. https://doi.org/10.1186/s12916-020-01874-6Takura T., Hirano Goto K., Honda A. Development of a predictive model for integrated medical and long-term care resource consumption based on health behaviour: application of healthcare big data of patients with circulatory diseases. BMC Med. 2021; 19(1): 15. https://doi.org/10.1186/s12916-020-01874-6Берштейн Л.Л., Головина А.Е., Катамадзе Н.О., Бондарева Е.В., Сайганов С.А. Оценка точности прогнозирования сердечно-сосудистых событий с помощью шкалы SCORE и ультразвуковой визуализации атеросклеротической бляшки среди пациентов многопрофильного стационара Санкт-Петербурга: данные среднесрочного наблюдения. Российский кардиологический журнал. 2019; 24(5): 20-5. https://doi.org/10.15829/1560-4071-2019-5-20-25Bershteyn L.L., Golovina A.E., Katamadze N.O., Bondareva E.V., Sayganov S.A. Evaluating of the accuracy of cardiovascular events predicting using SCORE scale and ultrasound visualization of atherosclerotic plaque in patients of multi-disciplinary hospital in Saint-Petersburg: medium-term monitoring data. Rossiyskiy kardiologicheskiy zhurnal. 2019; 24(5): 20–5. https://doi.org/10.15829/1560-4071-2019-5-20-25 (in Russian)Гусев А.В., Гаврилов Д.В., Корсаков И.Н., Серова Л.М., Новицкий Р.Э., Кузнецова Т.Ю. Перспективы использования методов машинного обучения для предсказания сердечно-сосудистых заболеваний. Врач и информационные технологии. 2019; (3): 41-7.Gusev A.V., Gavrilov D.V., Korsakov I.N., Serova L.M., Novitskiy R.E., Kuznetsova T.Yu. Prospects for the use of machine learning methods for predicting cardiovascular disease. Vrach i informatsionnye tekhnologii. 2019; (3): 41–7. (in Russian)Сарычева А.А., Небиеридзе Д.В., Камышова Т.В. Можно ли улучшить приверженность к лечению артериальной гипертонии и дислипидемий у пациентов без клинических проявлений атеросклероза? Рациональная фармакотерапия в кардиологии. 2017; 13(5): 602-8. https://doi.org/10.20996/1819-6446-2017-13-5-602-608Sarycheva A.A., Nebieridze D.V., Kamyshova T.V. Is it possible to improve the adherence to treatment of hypertension and dyslipidemia in patients without clinical manifestations of atherosclerosis? Ratsional’naya farmakoterapiya v kardiologii. 2017; 13(5): 602–8. https://doi.org/10.20996/1819-6446-2017-13-5-602-608 (in Russian)Гаврилов Д.В., Серова Л.М., Корсаков И.Н., Гусев А.В., Новицкий Р.Э., Кузнецова Т.Ю. Предсказание сердечно-сосудистых событий при помощи комплексной оценки факторов риска с использованием методов машинного обучения. Врач. 2020; 31(5): 41-46. https://doi.org/10.29296/25877305-2020-05-08Gavrilov D.V., Serova L.M., Korsakov I.N., Gusev A.V., Novitskiy R.E., Kuznetsova T.Yu. Cardiovascular diseases prediction by integrated risk factors assessment by means of machine learning. Vrach. 2020; 31(5): 41–46. https://doi.org/10.29296/25877305-2020-05-08 (in Russian)Webiomed. Платформа предиктивной аналитики и управления рисками в здравоохранении на основе машинного обучения. Доступно: https://webiomed.ai/media/docs/skachat-prezentatsiiu-o-sisteme.pdfWebiomed. A platform for predictive analytics and risk management in healthcare based on machine learning. Available at: https://webiomed.ai/media/docs/skachat-prezentatsiiu-o-sisteme.pdf (in Russian)Patel B., Sengupta P. Machine learning for predicting cardiac events: what does the future hold? Exp. Rev. Cardiovasc. Ther. 2020; 18(2): 77-84. https://doi.org/10.1080/14779072.2020.1732208Patel B., Sengupta P. Machine learning for predicting cardiac events: what does the future hold? Exp. Rev. Cardiovasc. Ther. 2020; 18(2): 77–84. https://doi.org/10.1080/14779072.2020.1732208De Boever P., Louwies T., Provost E., Int Panis L., Nawrot T.S. Fundus photography as a convenient tool to study microvascular responses to cardiovascular disease risk factors in epidemiological studies. J. Vis. Exp. 2014; (92): e51904. https://doi.org/10.3791/51904De Boever P., Louwies T., Provost E., Int Panis L., Nawrot T.S. Fundus photography as a convenient tool to study microvascular responses to cardiovascular disease risk factors in epidemiological studies. J. Vis. Exp. 2014; (92): e51904. https://doi.org/10.3791/51904De Silva D.A., Manzano J.J., Woon F.P., Liu E.Y., Lee M.P., Gan H.Y., et al. Associations of retinal microvascular signs and intracranial large artery disease. Stroke. 2011; 42(3): 812-4. https://doi.org/10.1161/STROKEAHA.110.589960De Silva D.A., Manzano J.J., Woon F.P., Liu E.Y., Lee M.P., Gan H.Y., et al. Associations of retinal microvascular signs and intracranial large artery disease. Stroke. 2011; 42(3): 812–4. https://doi.org/10.1161/STROKEAHA.110.589960Serre K., Sasongko M.B. Modifiable lifestyle and environmental risk factors affecting the retinal microcirculation. Microcirculation. 2012; 19(1): 29-36. https://doi.org/10.1111/j.1549-8719.2011.00121.xSerre K., Sasongko M.B. Modifiable lifestyle and environmental risk factors affecting the retinal microcirculation. Microcirculation. 2012; 19(1): 29–36. https://doi.org/10.1111/j.1549-8719.2011.00121.xSeidelmann S.B., Claggett B., Bravo P.E., Gupta A., Farhad H., Klein B.E., et al. Retinal vessel calibers in predicting long-term cardiovascular outcomes: the atherosclerosis risk in communities study. Circulation. 2016; 134(18): 1328-38. https://doi.org/10.1161/CIRCULATIONAHA.116.023425Seidelmann S.B., Claggett B., Bravo P.E., Gupta A., Farhad H., Klein B.E., et al. Retinal vessel calibers in predicting long-term cardiovascular outcomes: the atherosclerosis risk in communities study. Circulation. 2016; 134(18): 1328–38. https://doi.org/10.1161/CIRCULATIONAHA.116.023425Guo S., Yin S., Tse G., Li G., Su L., Liu T. Association between caliber of retinal vessels and cardiovascular disease: a systematic review and meta-analysis. Curr. Atheroscler. Rep. 2020; 22(4): 16. https://doi.org/10.1007/s11883-020-0834-2Guo S., Yin S., Tse G., Li G., Su L., Liu T. Association between caliber of retinal vessels and cardiovascular disease: a systematic review and meta-analysis. Curr. Atheroscler. Rep. 2020; 22(4): 16. https://doi.org/10.1007/s11883-020-0834-2Cheung C.Y., Xu D., Cheng C.Y., Sabanayagam C., Tham Y.C., Yu M., et al. A deep-learning system for the assessment of cardiovascular disease risk via the measurement of retinal-vessel calibre. Nat. Biomed. Eng. 2021; 5(6): 498-508. https://doi.org/10.1038/s41551-020-00626-4Cheung C.Y., Xu D., Cheng C.Y., Sabanayagam C., Tham Y.C., Yu M., et al. A deep-learning system for the assessment of cardiovascular disease risk via the measurement of retinal-vessel calibre. Nat. Biomed. Eng. 2021; 5(6): 498–508. https://doi.org/10.1038/s41551-020-00626-4Poplin R., Varadarajan A.V., Blumer K., Liu Y., McConnell M.V., Corrado G.S., et al. Prediction of cardiovascular risk factors from retinal fundus photographs via deep learning. Nat. Biomed. Eng. 2018; 2(3): 158-64. https://doi.org/10.1038/s41551-018-0195-0Poplin R., Varadarajan A.V., Blumer K., Liu Y., McConnell M.V., Corrado G.S., et al. Prediction of cardiovascular risk factors from retinal fundus photographs via deep learning. Nat. Biomed. Eng. 2018; 2(3): 158–64. https://doi.org/10.1038/s41551-018-0195-0Kim Y.D., Noh K.J., Byun S.J., Lee S., Kim T., Sunwoo L., et al. Effects of hypertension, diabetes, and smoking on age and sex prediction from retinal fundus images. Sci. Rep. 2020; 10(1): 4623. https://doi.org/10.1038/s41598-020-61519-9Kim Y.D., Noh K.J., Byun S.J., Lee S., Kim T., Sunwoo L., et al. Effects of hypertension, diabetes, and smoking on age and sex prediction from retinal fundus images. Sci. Rep. 2020; 10(1): 4623. https://doi.org/10.1038/s41598-020-61519-9

The authors declare that there are no conflicts of interest present.