Kunstig intelligens fremmer tidlig opdagelse og håndtering af nærsynethed

Kunstig intelligens fremmer tidlig opdagelse og håndtering af nærsynethed

Den stigende forekomst af nærsynethed er et globalt sundhedsproblem, hvor høj nærsynethed øger risikoen for synsskader. Dette kræver brug af kunstig intelligens (AI) til tidlig diagnose, forebyggelse og behandling af nærsynethed. Nå, aPædiatrisk undersøgelseGennemgang fremhæver potentielle anvendelser af AI til tidlig identifikation, risikovurdering og forebyggelse af nærsynethed. Det viser yderligere udfordringerne og den aktuelle udviklingsstatus for AI-teknologi inden for nærsynethed.

Nærsynethed eller nærsynethed påvirker to milliarder mennesker verden over. Ukorrigeret nærsynethed kan påvirke synet, forstyrre uddannelse, karrieremuligheder og livskvalitet. I 2050 anslås det, at næsten halvdelen af ​​verdens befolkning vil blive nærsynet. Høj nærsynethed er ofte forbundet med komplikationer, der kan føre til synsnedsættelse, som påvirker patienternes livskvalitet og øger den globale medicinske og økonomiske byrde. Derfor er tidlig diagnose af nærsynethed vigtig for at forebygge synsnedsættelse hos patienter med nærsynethed.

Kunstig intelligens (AI) har åbnet nye grænser på det medicinske område og kan være en løsning for denne globale sundhedsvirksomhed. Undergrupperne af AI, såsom avancerede teknologier, såsom machine learning (ML) og deep learning (DL), kan hjælpe med at analysere data for at diagnosticere sygdomme og forudsige risikofaktorer, biomarkører og resultater.

I en ny litteraturgennemgang opsummerede Dr. Li Li, Dr. Jifeng Yu og Dr. Nan Liu, alle fra Oftalmologisk Afdeling, Capital Medical University, Kina, anvendelserne og udfordringerne ved AI i nærsynethed, herunder påvisning, risikofaktorvurdering og forudsigelsesmodeller. Denne undersøgelse blev offentliggjort i Journal ofPædiatrisk undersøgelseden 18. marts 2025.

Interessant nok kan AI-modeller trænes med ML/DL til at detektere nærsynethed fra fundusfotos og optisk kohærens tomografibilleder. Ved at fodre en model med et stort sæt fundusbilleder fra nærsynede patienter, kan AI læres at detektere små ændringer i farve og mønster i nethinden, der er forbundet med nærsynethed. Dette giver modellen mulighed for at diagnosticere fremtidige patienter ud fra deres fundusbilleder.

Derudover kan selvmonitorerende enheder såsom SVOne, en håndholdt enhed, der bruger en bølgefrontsensor til at måle øjendefekter, registrere brydningsdefekter i øjnene ved hjælp af AI-algoritmer. Enheden kan få adgang til en online database med billeder, som AI kan bruge som referencer til at diagnosticere nærsynethed. Derudover kan AI trænes til at detektere adfærdsændringer forbundet med nærsynethed. Sådan påvisning er især nyttig til tidlig påvisning af nærsynethed hos børn, som ofte ellers ignoreres. For eksempel bruger Vivior Monitor ML-algoritmer til at registrere ændringer i visuel adfærd, såsom:

Derudover kan ML-metoder som vektormaskine, logistisk regression og Xgboost bruges til at identificere risikofaktorer for nærsynethed."En XGBOOST-baseret model kan opnå store mængder longitudinelle data, hvilket gør det muligt for den at lære resultaterne og de tilknyttede risikofaktorer for nærsynethed hos adskillige patienter. Dette giver igen modellen mulighed for at vurdere risikofaktorerne for nye patienter baseret på deres genetik, familiehistorie, miljø og fysiologiske parametre."Forklarer Dr. Li Li.

Forudsigelse af progression og udfald af nærsynethed kan hjælpe læger med at skræddersy deres kliniske tilgang. I stor skala kan det forme klinisk praksis og politikudformning, der hjælper med at kontrollere nærsynethed. Ved at fodre en AI-model med store mængder biometriske data, brydningsdata, behandlingsresponser og øjenbilleder fra adskillige nærsynethedspatienter, kan AI læres at forudsige myopiudfald hos nye patienter.

På trods af AIs store potentiale i nærsynethed, skal flere udfordringer overvindes. For det første er det vigtigt at sikre, at det datasæt, der bruges til at træne en AI-model, er nøjagtigt og af høj kvalitet. Bias, falske negativer/positiver og dårlig datakvalitet kan påvirke modellens diagnostiske og forudsigelige nøjagtighed negativt. For det andet trænes de fleste AI-modeller ved hjælp af data fra store hospitaler, som måske ikke er repræsentative for patienter, der går til mindre klinikker. Dette skaber en uoverensstemmelse mellem reelle og træningspopulationer. For det tredje er en kunstig intelligens-model ikke en uddannet læge og giver muligvis ikke et klinisk grundlag for dens diagnose, hvilket kan resultere i, at diagnosen afvises af læger. Endelig, med så store mængder patientdata, er det vigtigt at se AI-modeller sikre privatlivets fred for patienternes journaler.

“Mens vores undersøgelse fremhæver de bemærkelsesværdigeFremskridt i den kliniske anvendelse af AI i nærsynethed kræver yderligere undersøgelser for at overvinde de teknologiske udfordringer. FraVed at bygge datasæt af høj kvalitet, forbedre modellens evne til at behandle multimodale billeddata og forbedre interaktionsevnen for menneskelige computere, kan AI-modellerne forbedres yderligere til udbredt klinisk brug.“Afslutter Dr. Jifeng Yu.

Kilder: