To provide updated estimates on the global prevalence and number of people with diabetic retinopathy (DR) through 2045.The International Diabetes Federation (IDF) estimated the global population with diabetes mellitus (DM) to be 463 million in 2019 and 700 million in 2045. Diabetic retinopathy remains a common complication of DM and a leading cause of preventable blindness in the adult working population.We conducted a systematic review using PubMed, Medline, Web of Science, and Scopus for population-based studies published up to March 2020. Random effect meta-analysis with logit transformation was performed to estimate global and regional prevalence of DR, vision-threatening DR (VTDR), and clinically significant macular edema (CSME). Projections of DR, VTDR, and CSME burden were based on population data from the IDF Atlas 2019.We included 59 population-based studies. Among individuals with diabetes, global prevalence was 22.27% (95% confidence interval [CI], 19.73%-25.03%) for DR, 6.17% (95% CI, 5.43%-6.98%) for VTDR, and 4.07% (95% CI, 3.42%-4.82%) for CSME. In 2020, the number of adults worldwide with DR, VTDR, and CSME was estimated to be 103.12 million, 28.54 million, and 18.83 million, respectively; by 2045, the numbers are projected to increase to 160.50 million, 44.82 million, and 28.61 million, respectively. Diabetic retinopathy prevalence was highest in Africa (35.90%) and North American and the Caribbean (33.30%) and was lowest in South and Central America (13.37%). In meta-regression models adjusting for habitation type, response rate, study year, and DR diagnostic method, Hispanics (odds ratio [OR], 2.92; 95% CI, 1.22-6.98) and Middle Easterners (OR, 2.44; 95% CI, 1.51-3.94) with diabetes were more likely to have DR compared with Asians.The global DR burden is expected to remain high through 2045, disproportionately affecting countries in the Middle East and North Africa and the Western Pacific. These updated estimates may guide DR screening, treatment, and public health care strategies.

Introduction: Cardiovascular disease (CVD) remains the leading cause of mortality globally, necessitating improved risk stratification and preventive strategies. Reti-CVD, a deep learning model, predicts CVD risk by analyzing retinal images to detect subtle vascular changes indicative of coronary artery calcium presence. This study evaluates the efficacy of statin therapy in individuals identified as high-risk by Reti-CVD using propensity score matching and survival analysis. Hypothesis: Individuals with high Reti-CVD scores will benefit significantly from statin therapy, resulting in a reduced incidence of cardiovascular events compared to those not receiving statins. Methods: Data from the UK Biobank were utilized to perform 1:1 propensity score matching, comparing statin users and non-users. Matching was based on age, gender, race, BMI, systolic blood pressure, diastolic blood pressure, medication use for blood pressure, diabetes status, smoking status, alcohol consumption, and socioeconomic status. Within a cohort identified as high-risk by a deep learning model, survival analysis of a mean follow-up period of 9.83 years for CVD outcomes was conducted, with the hazard ratio calculated for statin users versus non-users. Results: In the unmatched cohort, significant differences were observed in several variables including age and gender between statin users (n=3,008) and non-users (n=42,373) as shown in Table 1. Post-matching, the cohort comprised 3,008 statin users and 3,008 non-users, with standardized mean differences significantly reduced for most variables. For the high Reti-CVD cohort, the hazard ratio for CVD outcomes in the statin group was 0.76 (95% CI: 0.50-1.14), indicating a 24% reduction in the risk of cardiovascular events compared to non-users. In comparison, the low to medium Reti-CVD cohort had a hazard ratio of 1.22 (95% CI: 0.90-1.68). Discussion: Findings suggest that individuals with high Reti-CVD scores likely benefit from statin therapy, as indicated by a trend towards reduced cardiovascular events. Reti-CVD shows potential in refining risk stratification for guiding statin therapy decisions. The integration of deep learning models like Reti-CVD in clinical practice could provide targeted interventions for high-risk populations.

To evaluate the 6-year physiological rates-of-change in ganglion cell inner plexiform layer (GCIPL) and retinal nerve fibre layer (RNFL) thickness measured with optical coherence tomography.