To review the impact of increased digital device usage arising from lockdown measures instituted during the COVID-19 pandemic on myopia and to make recommendations for mitigating potential detrimental effects on myopia control.Perspective.We reviewed studies focused on digital device usage, near work, and outdoor time in relation to myopia onset and progression. Public health policies on myopia control, recommendations on screen time, and information pertaining to the impact of COVID-19 on increased digital device use were presented. Recommendations to minimize the impact of the pandemic on myopia onset and progression in children were made.Increased digital screen time, near work, and limited outdoor activities were found to be associated with the onset and progression of myopia, and could potentially be aggravated during and beyond the COVID-19 pandemic outbreak period. While school closures may be short-lived, increased access to, adoption of, and dependence on digital devices could have a long-term negative impact on childhood development. Raising awareness among parents, children, and government agencies is key to mitigating myopigenic behaviors that may become entrenched during this period.While it is important to adopt critical measures to slow or halt the spread of COVID-19, close collaboration between parents, schools, and ministries is necessary to assess and mitigate the long-term collateral impact of COVID-19 on myopia control policies.

Background:

 Increasing evidence for cardiovascular mortality among patients with psoriasis and psoriatic arthritis (PsA) has accumulated, together with evidence for increased prevalence of risk factors for cardiovascular disease (CVD). 

Objectives:

 To describe cardiovascular morbidity in PsA, determine its prevalence and identify risk factors for its development. 

Methods:

 At the University of Toronto, patients were followed up prospectively according to a standard protocol, including disease-related features and comorbidities. Patients with CVD, including myocardial infarction (MI), angina, hypertension and cerebrovascular accident (CVA), were identified. The prevalence of CVD morbidities in these patients was compared with data from the Canadian Community Health Survey through standardised prevalence ratios (SPRs). Cox relative risk regression analysis was used to analyse risk factors. 

Results:

 At the time of analysis, 648 patients were registered in the database. After clinic entry, 122 developed hypertension, 38 had an MI and 5, 21 and 11 had CVA, angina and congestive heart failure (CHF), respectively. 155 patients had at least one of these conditions. The SPRs for MI (2.57; 95% CI 1.73 to 3.80), angina (1.97; 95% CI 1.24 to 3.12) and hypertension (1.90; 95% CI 1.59 to 2.27) were statistically significant, whereas the SPRs for CHF (1.19; 95% CI 0.50 to 2.86) and CVA (0.91; 95% CI 0.34 to 2.43) were not. Factors associated with CVD included diabetes, hyperlipidaemia and high Psoriasis Area and Severity Index scores. 

Conclusion:

 Patients with PsA are at increased risk of cardiovascular morbidities compared with the general population. In addition to known risk factors for CVD, severe psoriasis is an important predictor in patients with PsA.

The increasing prevalence of myopia worldwide presents a significant public health challenge. A key strategy to combat myopia is with early detection and prediction in children as such examination allows for effective intervention using readily accessible imaging technique. To this end, we introduced DeepMyopia, an artificial intelligence (AI)-enabled decision support system to detect and predict myopia onset and facilitate targeted interventions for children at risk using routine retinal fundus images. Based on deep learning architecture, DeepMyopia had been trained and internally validated on a large cohort of retinal fundus images (n = 1,638,315) and then externally tested on datasets from seven sites in China (n = 22,060). Our results demonstrated robustness of DeepMyopia, with AUCs of 0.908, 0.813, and 0.810 for 1-, 2-, and 3-year myopia onset prediction with the internal test set, and AUCs of 0.796, 0.808, and 0.767 with the external test set. DeepMyopia also effectively stratified children into low- and high-risk groups (p < 0.001) in both test sets. In an emulated randomized controlled trial (eRCT) on the Shanghai outdoor cohort (n = 3303) where DeepMyopia showed effectiveness in myopia prevention compared to NonCyc-based model, with an adjusted relative reduction (ARR) of −17.8%, 95% CI: −29.4%, −6.4%. DeepMyopia-assisted interventions attained quality-adjusted life years (QALYs) of 0.75 (95% CI: 0.53, 1.04) per person and avoided blindness years of 13.54 (95% CI: 9.57, 18.83) per 1 million persons compared to natural lifestyle with no active intervention. Our findings demonstrated DeepMyopia as a reliable and efficient AI-based decision support system for intervention guidance for children.

Importance Myopic maculopathy (MM) is a major cause of vision impairment globally. Artificial intelligence (AI) and deep learning (DL) algorithms for detecting MM from fundus images could potentially improve diagnosis and assist screening in a variety of health care settings. Objectives To evaluate DL algorithms for MM classification and segmentation and compare their performance with that of ophthalmologists. Design, Setting, and Participants The Myopic Maculopathy Analysis Challenge (MMAC) was an international competition to develop automated solutions for 3 tasks: (1) MM classification, (2) segmentation of MM plus lesions, and (3) spherical equivalent (SE) prediction. Participants were provided 3 subdatasets containing 2306, 294, and 2003 fundus images, respectively, with which to build algorithms. A group of 5 ophthalmologists evaluated the same test sets for tasks 1 and 2 to ascertain performance. Results from model ensembles, which combined outcomes from multiple algorithms submitted by MMAC participants, were compared with each individual submitted algorithm. This study was conducted from March 1, 2023, to March 30, 2024, and data were analyzed from January 15, 2024, to March 30, 2024. Exposure DL algorithms submitted as part of the MMAC competition or ophthalmologist interpretation. Main Outcomes and Measures MM classification was evaluated by quadratic-weighted κ (QWK), F1 score, sensitivity, and specificity. MM plus lesions segmentation was evaluated by dice similarity coefficient (DSC), and SE prediction was evaluated by R 2 and mean absolute error (MAE). Results The 3 tasks were completed by 7, 4, and 4 teams, respectively. MM classification algorithms achieved a QWK range of 0.866 to 0.901, an F1 score range of 0.675 to 0.781, a sensitivity range of 0.667 to 0.778, and a specificity range of 0.931 to 0.945. MM plus lesions segmentation algorithms achieved a DSC range of 0.664 to 0.687 for lacquer cracks (LC), 0.579 to 0.673 for choroidal neovascularization, and 0.768 to 0.841 for Fuchs spot (FS). SE prediction algorithms achieved an R 2 range of 0.791 to 0.874 and an MAE range of 0.708 to 0.943. Model ensemble results achieved the best performance compared to each submitted algorithms, and the model ensemble outperformed ophthalmologists at MM classification in sensitivity (0.801; 95% CI, 0.764-0.840 vs 0.727; 95% CI, 0.684-0.768; P = .006) and specificity (0.946; 95% CI, 0.939-0.954 vs 0.933; 95% CI, 0.925-0.941; P = .009), LC segmentation (DSC, 0.698; 95% CI, 0.649-0.745 vs DSC, 0.570; 95% CI, 0.515-0.625; P &amp;lt; .001), and FS segmentation (DSC, 0.863; 95% CI, 0.831-0.888 vs DSC, 0.790; 95% CI, 0.742-0.830; P &amp;lt; .001). Conclusions and Relevance In this diagnostic study, 15 AI models for MM classification and segmentation on a public dataset made available for the MMAC competition were validated and evaluated, with some models achieving better diagnostic performance than ophthalmologists.

Abstract Background Myopia affects 1.4 billion individuals worldwide. Notably, there is increasing evidence that choroidal thickness plays an important role in myopia and risk of developing myopia-related conditions. With the advancements in artificial intelligence (AI), choroidal thickness segmentation can now be automated, offering inherent advantages such as better repeatability, reduced grader variability, and less reliance for manpower. Hence, we aimed to evaluate the agreement between AI-automated and manual segmented measurements of subfoveal choroidal thickness (SFCT) using two swept-source optical coherence tomography (OCT) systems. Methods Subjects aged ≥ 16 years, with myopia of ≥ 0.50 diopters in both eyes, were recruited from the Prospective Myopia Cohort Study in Singapore (PROMYSE). OCT scans were acquired using Triton DRI-OCT and PLEX Elite 9000. OCT images were segmented both automatically with an established SA-Net architecture and manually using a standard technique with adjudication by two independent graders. SFCT was subsequently determined based on the segmentation. The Bland–Altman plot and intraclass correlation coefficient (ICC) were used to evaluate the agreement. Results A total of 229 subjects (456 eyes) with mean [± standard deviation (SD)] age of 34.1 (10.4) years were included. The overall SFCT (mean ± SD) based on manual segmentation was 216.9 ± 82.7 µm with Triton DRI-OCT and 239.3 ± 84.3 µm with PLEX Elite 9000. ICC values demonstrated excellent agreement between AI-automated and manual segmented SFCT measurements (PLEX Elite 9000: ICC = 0.937, 95% CI: 0.922 to 0.949, P < 0.001; Triton DRI-OCT: ICC = 0.887, 95% CI: 0.608 to 0.950, P < 0.001). For PLEX Elite 9000, manual segmented measurements were generally thicker when compared to AI-automated segmented measurements, with a fixed bias of 6.3 µm (95% CI: 3.8 to 8.9, P < 0.001) and proportional bias of 0.120 ( P < 0.001). On the other hand, manual segmented measurements were comparatively thinner than AI-automated segmented measurements for Triton DRI-OCT, with a fixed bias of − 26.7 µm (95% CI: − 29.7 to − 23.7, P < 0.001) and proportional bias of − 0.090 ( P < 0.001). Conclusion We observed an excellent agreement in choroidal segmentation measurements when comparing manual with AI-automated techniques, using images from two SS-OCT systems. Given its edge over manual segmentation, automated segmentation may potentially emerge as the primary method of choroidal thickness measurement in the future.

Purpose: To investigate the aqueous proteomics and metabolomics in low-energy and high-energy femtosecond laser-assisted cataract surgery (FLACS). Methods: In this prospective observational study, 72 patients were randomized to 3 groups: low-energy FLACS, high-energy FLACS, and conventional phacoemulsification (controls). Aqueous was collected after femtosecond laser treatment or at the beginning of surgery (controls). Proteomic analysis was conducted using a data-independent acquisition method, whereas aqueous metabolomics were analyzed with liquid chromatography-tandem mass spectrometry. Bioinformatics analyses were performed to integrate the results of proteomics and metabolomics. Results: Compared with low-energy FLACS, significantly elevated aqueous hemoglobin subunit beta, G protein subunit beta, carbonic anhydrase 1, and asymmetric dimethylarginine were observed in high-energy FLACS, suggesting significantly greater oxidative stress, inflammation, immunity, metabolism, and mitochondrial fatty acids oxidation. Compared with controls, significantly increased aqueous proteins and metabolites related to immune and inflammation (beta-crystallin B1, hemoglobin subunit beta, putrescine, and spermine) and oxidative stress (heat shock proteins, peroxiredoxins, and long-chain acylcarnitines) were observed in FLACS. Joint pathway analysis revealed nicotinate/nicotinamide metabolism and riboflavin metabolism were significantly overexpressed in high-energy FLACS compared with low-energy FLACS, whereas the pentose phosphate pathway and glycolysis were the most significant pathways when comparing FLACS with controls. Conclusions: FLACS induced higher immunological and inflammatory responses, oxidative stress reactions, and mitochondrial fatty acid oxidative stress compared with controls. These differential effects were more pronounced when a higher laser energy was used.