讓基金和SCI論文成為臨床工作副產品
關鍵詞：MG；AI；遠端醫療；Muscle & Nerve
人工智慧（AI）正以超出我們想象的速度進化，並迅速成為臨床工作的重要支撐。
但所有應用於臨床的手段，都需要首先經過嚴謹的臨床科研驗證才行。所以AI臨床科研專案也在臨床迅速展開。
我們也據此陸續推出一系列AI臨床科研的典型課題，作為供各位同仁相互借鑑的模板。
本期介紹的是基於AI的遠端檢查。
重症肌無力（MG）是一種罕見且臨床表現異質性較大的自身免疫性疾病，其臨床試驗和日常診療中對病情評估的一致性和準確性要求極高。近年來，隨著遠端醫療技術的發展，MG的遠端評估逐漸被應用於臨床試驗和日常護理中。然而，目前對於遠端醫療評估中影響檢查準確性的因素尚缺乏系統性研究【1】。
Marc Garbey等研究學者在學術期刊 Muscle & Nerve上發表了題為 A Quantitative Study of Factors Influencing Myasthenia Gravis Telehealth Examination Score的研究【2】。
本研究成功開發了一種用於評估遠端醫療影片檢查的技術，發現儘管總體MG核心檢查（MG-CE）評分在不同檢查者之間具有一致性，但個體指標存在顯著變異性，最高可達MG-CE評分範圍的25%。
此外，MG日常生活活動（MG-ADL）的依從性也存在較大差異。這些變異主要歸因於檢查者的指令差異、影片記錄的侷限性以及患者的疾病嚴重程度。進一步完善該技術有望提高檢查者培訓效果，並減少臨床試驗結果測量中的變異性。
（如需原文，請加微信healsana獲取，備註20250307MN）
主要研究結果
本研究納入了51名MG患者的影片記錄，這些患者均完成了兩次基於遠端醫療的檢查，包括MG-CE和MG-ADL。旨在透過量化分析，評估遠端醫療環境下標準化MG檢查的侷限性，並探索影響檢查結果的因素，以最佳化遠端醫療在MG管理中的應用。
🔷 評分分佈：
除言語障礙（count-to-50）外，大多數患者的MG-CE評分在兩次檢查中分佈廣泛，但舌抵頰和坐立測試的評分可重複性較低，提示這些檢查可能在遠端醫療環境中不夠可靠。
🔷 檢查者整體屬性：
研究發現，不同檢查者的評分可重複性存在差異，平均變異範圍為20%至27%。檢查者的經驗對評分可重複性影響較小，而檢查流程的時長與評分可重複性無顯著相關性。
🔷 MG-ADL評估：
MG-ADL的依從性與檢查者完成培訓後的年限或評分可重複性表現無關。檢查時長在不同檢查者之間存在顯著差異，可能與患者的疲勞程度和恢復時間有關。
🔷 MG-CE具體檢查專案：
對於眼部和肢體檢查，感興趣區域（ROI）的畫素數量因患者與攝像頭的距離而異。研究發現，畫素解析度對眼瞼下垂（ptosis）評分的可重複性影響較小，但對複視（diplopia）評分的可重複性有顯著影響。此外，檢查者對檢查指令的依從性越好，評分可重複性越高，但這一結果不夠穩健。
編者按：
臨床意義和科研啟發：
本研究透過量化分析，揭示了遠端醫療環境下MG檢查中存在的問題，如評分變異性較大、檢查者指令差異以及影片記錄侷限性等。
這些發現提示我們在遠端醫療應用中需要進一步最佳化檢查流程和培訓檢查者，以提高檢查結果的一致性和準確性。
未來的研究可以進一步完善AI技術，開發標準化的遠端醫療檢查協議，並探索如何將這些技術應用於臨床試驗和日常護理中，以提高MG患者的管理效率和質量。
此外，研究還提示我們關注遠端醫療檢查中患者的疾病嚴重程度對檢查結果的影響，為個性化醫療提供依據。
期待更多類似高質量研究，給患者帶來更優的臨床診療策略。