Umjetna inteligencija promiče rano otkrivanje i upravljanje kratkovidnošću

Umjetna inteligencija promiče rano otkrivanje i upravljanje kratkovidnošću

Sve veća prevalencija kratkovidnosti globalni je zdravstveni problem, pri čemu visoka kratkovidnost povećava rizik od oštećenja vida. To zahtijeva korištenje umjetne inteligencije (AI) za ranu dijagnozu, prevenciju i liječenje miopije. Pa, aPedijatrijski pregledPregled naglašava potencijalne primjene umjetne inteligencije u ranoj identifikaciji, procjeni rizika i prevenciji kratkovidnosti. Nadalje pokazuje izazove i trenutni status razvoja AI tehnologije u području kratkovidnosti.

Miopija ili kratkovidnost pogađa dvije milijarde ljudi diljem svijeta. Nekorigirana kratkovidnost može utjecati na vid, poremetiti obrazovanje, izglede za karijeru i kvalitetu života. Procjenjuje se da će do 2050. gotovo polovica svjetske populacije postati kratkovidna. Visoka kratkovidnost često je povezana s komplikacijama koje mogu dovesti do oštećenja vida, utječući na kvalitetu života pacijenata i povećavajući globalni medicinski i ekonomski teret. Stoga je rana dijagnoza miopije važna za prevenciju oštećenja vida kod bolesnika s miopijom.

Umjetna inteligencija (AI) otvorila je nove granice u području medicine i može biti rješenje za ovu globalnu zdravstvenu tvrtku. Podskupine umjetne inteligencije, poput naprednih tehnologija, poput strojnog učenja (ML) i dubokog učenja (DL), mogu pomoći u analizi podataka za dijagnosticiranje bolesti i predviđanje čimbenika rizika, biomarkera i ishoda.

U novom pregledu literature, dr. Li Li, dr. Jifeng Yu i dr. Nan Liu, svi s Odsjeka za oftalmologiju, Capital Medical University, Kina, saželi su primjene i izazove umjetne inteligencije u kratkovidnosti, uključujući detekciju, procjenu faktora rizika i modele predviđanja. Ova studija objavljena je u Journal ofPedijatrijski pregled18. ožujka 2025.

Zanimljivo je da se AI modeli mogu uvježbati s ML/DL za otkrivanje kratkovidnosti iz fotografija fundusa i slika optičke koherentne tomografije. Unoseći modelu veliki niz slika fundusa kratkovidnih pacijenata, AI se može naučiti da detektira sitne promjene u boji i uzorku na mrežnici koje su povezane s kratkovidnošću. To omogućuje modelu dijagnosticiranje budućih pacijenata na temelju njihovih fotografija fundusa.

Dodatno, uređaji za samonadzor kao što je SVOne, ručni uređaj koji koristi senzor valne fronte za mjerenje defekata oka, mogu otkriti defekte refrakcije u očima pomoću AI algoritama. Uređaj može pristupiti online bazi podataka slika koje AI može koristiti kao reference za dijagnosticiranje kratkovidnosti. Dodatno, umjetna inteligencija se može uvježbati da otkrije promjene u ponašanju povezane s pojavom kratkovidnosti. Takva je detekcija osobito korisna za rano otkrivanje kratkovidnosti kod djece, koja se inače često zanemaruje. Na primjer, Vivior Monitor koristi ML algoritme za otkrivanje promjena u vizualnom ponašanju, kao što su:

Osim toga, metode ML kao što su vektorski stroj, logistička regresija i Xgboost mogu se koristiti za prepoznavanje čimbenika rizika za kratkovidnost."Model temeljen na XGBOOST-u može prikupiti velike količine longitudinalnih podataka, omogućujući mu da nauči ishode i povezane čimbenike rizika kratkovidnosti kod brojnih pacijenata. To zauzvrat omogućuje modelu procjenu čimbenika rizika novih pacijenata na temelju njihove genetike, obiteljske povijesti, okoliša i fizioloških parametara."Objašnjava dr. Li Li.

Predviđanje progresije miopije i ishoda može pomoći liječnicima da prilagode svoj klinički pristup. U velikoj mjeri može oblikovati kliničku praksu i donošenje politika koje pomažu u kontroli kratkovidnosti. Dostavljanjem AI modelu velike količine biometrijskih podataka, podataka o refrakciji, odgovora na liječenje i slika očiju brojnih pacijenata s miopijom, AI se može naučiti da predvidi ishode kratkovidnosti kod novih pacijenata.

Unatoč velikom potencijalu umjetne inteligencije u kratkovidnosti, potrebno je prevladati nekoliko izazova. Prvo, važno je osigurati da je skup podataka koji se koristi za obuku AI modela točan i visoke kvalitete. Pristranost, lažno negativni/pozitivni rezultati i loša kvaliteta podataka mogu negativno utjecati na dijagnostičku i prediktivnu točnost modela. Drugo, većina AI modela obučava se pomoću podataka iz velikih bolnica, koji možda nisu reprezentativni za pacijente koji idu u manje klinike. To stvara neslaganje između stvarne populacije i populacije koja trenira. Treće, AI model nije obučeni liječnik i možda neće pružiti kliničku osnovu za svoju dijagnozu, što može rezultirati odbacivanjem dijagnoze od strane medicinskih stručnjaka. Konačno, s tako velikim količinama podataka o pacijentima, važno je vidjeti kako AI modeli osiguravaju privatnost medicinskih kartona pacijenata.

“Iako naša studija ističe one značajneNapredak u kliničkoj primjeni umjetne inteligencije u kratkovidnosti zahtijeva daljnje studije kako bi se prevladali tehnološki izazovi. IzIzgradnjom skupova podataka visoke kvalitete, poboljšanjem sposobnosti modela za obradu multimodalnih slikovnih podataka i poboljšanjem sposobnosti interakcije ljudskih računala, AI modeli mogu se dodatno poboljšati za široku kliničku primjenu.“Zaključuje dr. Jifeng Yu.

Izvori: