Background: The demand for telesurgery is rapidly increasing. Augmented reality (AR) remote surgery is a promising alternative, fulfilling a worldwide need in fracture surgery. However, previous AR endoscopic and Google Glass remotes remain unsuitable for fracture surgery, and the application of remote fracture surgery has not been reported. The authors aimed to evaluate the safety and clinical effectiveness of a new AR remote in fracture surgery. Materials and methods: This retrospective non-inferiority cohort study was conducted at three centres. Between 1 January 2018 and 31 March 2022, 800 patients who underwent fracture surgery were eligible for participation. The study enroled 551 patients with fractures (132 patellae, 128 elbows, 126 tibial plateaus, and 165 ankles) divided into an AR group (specialists used AR to remotely guide junior doctors to perform surgeries) and a traditional non-remote group (specialists performed the surgery themselves). Results: Among 364 patients (182 per group) matched by propensity score, seven (3.8%) in the AR group and six (3%) in the non-remote group developed complications. The 0.005 risk difference (95% CI: −0.033 to 0.044) was below the pre-defined non-inferiority margin of a 10% absolute increase. A similar distribution in the individual components of all complications was found between the groups. Hierarchical analysis following propensity score matching revealed no statistical difference between the two groups regarding functional results at 1-year follow-up, operative time, amount of bleeding, number of fluoroscopies, and injury surgery interval. A Likert scale questionnaire showed positive results (median scores: 4–5) for safety, efficiency, and education. Conclusion: This study is the first to report that AR remote surgery can be as safe and effective as that performed by a specialist in person for fracture surgery, even without the physical presence of a specialist, and is associated with improving the skills and increasing the confidence of junior surgeons. This technique is promising for remote fracture surgery and other open surgeries, offering a new strategy to address inadequate medical care in remote areas.

Abstract Objective Diabetic macular edema (DME) is the leading cause of visual impairment in patients with diabetes mellitus (DM). The goal of early detection has not yet achieved due to a lack of fast and convenient methods. Therefore, we aim to develop and validate a prediction model to identify DME in patients with type 2 diabetes mellitus (T2DM) using easily accessible systemic variables, which can be applied to an ophthalmologist-independent scenario. Methods In this four-center, observational study, a total of 1994 T2DM patients who underwent routine diabetic retinopathy screening were enrolled, and their information on ophthalmic and systemic conditions was collected. Forward stepwise multivariable logistic regression was performed to identify risk factors of DME. Machine learning and MLR (multivariable logistic regression) were both used to establish prediction models. The prediction models were trained with 1300 patients and prospectively validated with 104 patients from Guangdong Provincial People’s Hospital (GDPH). A total of 175 patients from Zhujiang Hospital (ZJH), 115 patients from the First Affiliated Hospital of Kunming Medical University (FAHKMU), and 100 patients from People’s Hospital of JiangMen (PHJM) were used as external validation sets. Area under the receiver operating characteristic curve (AUC), accuracy (ACC), sensitivity, and specificity were used to evaluate the performance in DME prediction. Results The risk of DME was significantly associated with duration of DM, diastolic blood pressure, hematocrit, glycosylated hemoglobin, and urine albumin-to-creatinine ratio stage. The MLR model using these five risk factors was selected as the final prediction model due to its better performance than the machine learning models using all variables. The AUC, ACC, sensitivity, and specificity were 0.80, 0.69, 0.80, and 0.67 in the internal validation, and 0.82, 0.54, 1.00, and 0.48 in prospective validation, respectively. In external validation, the AUC, ACC, sensitivity and specificity were 0.84, 0.68, 0.90 and 0.60 in ZJH, 0.89, 0.77, 1.00 and 0.72 in FAHKMU, and 0.80, 0.67, 0.75, and 0.65 in PHJM, respectively. Conclusion The MLR model is a simple, rapid, and reliable tool for early detection of DME in individuals with T2DM without the needs of specialized ophthalmologic examinations.