Kunstig intelligens fremmer tidlig oppdagelse og behandling av nærsynthet

Kunstig intelligens fremmer tidlig oppdagelse og behandling av nærsynthet

Den økende forekomsten av nærsynthet er et globalt helseproblem, med høy nærsynthet som øker risikoen for synsskader. Dette krever bruk av kunstig intelligens (AI) for tidlig diagnose, forebygging og behandling av nærsynthet. Vel, aBarneundersøkelseGjennomgang fremhever potensielle anvendelser av AI i tidlig identifisering, risikovurdering og forebygging av nærsynthet. Den viser videre utfordringene og den nåværende utviklingsstatusen til AI-teknologi innen nærsynthet.

Nærsynthet eller nærsynthet påvirker to milliarder mennesker over hele verden. Ukorrigert nærsynthet kan påvirke synet, forstyrre utdanning, karriereutsikter og livskvalitet. Innen 2050 er det anslått at nesten halvparten av verdens befolkning vil bli nærsynt. Høy nærsynthet er ofte forbundet med komplikasjoner som kan føre til synshemming, som påvirker pasientenes livskvalitet og øker den globale medisinske og økonomiske byrden. Derfor er tidlig diagnose av nærsynthet viktig for å forhindre synshemming hos pasienter med nærsynthet.

Kunstig intelligens (AI) har åpnet nye grenser innen det medisinske feltet og kan være en løsning for dette globale helseselskapet. Undergruppene til AI, som avanserte teknologier, som maskinlæring (ML) og dyp læring (DL), kan bidra til å analysere data for å diagnostisere sykdommer og forutsi risikofaktorer, biomarkører og utfall.

I en ny litteraturgjennomgang har Dr. Li Li, Dr. Jifeng Yu og Dr. Nan Liu, alle fra Oftalmologiavdelingen, Capital Medical University, Kina, oppsummert applikasjonene og utfordringene til AI i nærsynthet, inkludert deteksjon, risikofaktorvurdering og prediksjonsmodeller. Denne studien ble publisert i Journal ofBarneundersøkelse18. mars 2025.

Interessant nok kan AI-modeller trenes med ML/DL for å oppdage nærsynthet fra fundusbilder og optisk koherenstomografibilder. Ved å mate en modell med et stort sett fundusbilder fra nærsynte pasienter, kan AI læres å oppdage små endringer i farge og mønster i netthinnen som er assosiert med nærsynthet. Dette gjør at modellen kan diagnostisere fremtidige pasienter fra fundusbildene deres.

I tillegg kan selvovervåkende enheter som SVOne, en håndholdt enhet som bruker en bølgefrontsensor for å måle øyedefekter, oppdage refraktive defekter i øynene ved hjelp av AI-algoritmer. Enheten kan få tilgang til en online database med bilder som AI kan bruke som referanser for å diagnostisere nærsynthet. I tillegg kan AI trenes til å oppdage atferdsendringer assosiert med innsettende nærsynthet. Slik påvisning er spesielt nyttig for tidlig påvisning av nærsynthet hos barn, som ofte ellers ignoreres. For eksempel bruker Vivior Monitor ML-algoritmer for å oppdage endringer i visuell atferd, for eksempel:

I tillegg kan ML-metoder som vektormaskin, logistisk regresjon og Xgboost brukes for å identifisere risikofaktorer for nærsynthet."En XGBOOST-basert modell kan skaffe store mengder longitudinelle data, slik at den kan lære utfallene og tilhørende risikofaktorer for nærsynthet hos mange pasienter. Dette gjør igjen at modellen kan vurdere risikofaktorene til nye pasienter basert på deres genetikk, familiehistorie, miljø og fysiologiske parametere."Forklarer Dr. Li Li.

Å forutsi progresjon og utfall av nærsynthet kan hjelpe leger med å skreddersy sin kliniske tilnærming. I stor skala kan det forme klinisk praksis og politikk som bidrar til å kontrollere nærsynthet. Ved å mate en AI-modell med store mengder biometriske data, brytningsdata, behandlingsresponser og øyebilder fra mange nærsynthetspasienter, kan AI læres å forutsi myopiutfall hos nye pasienter.

Til tross for det store potensialet til AI i nærsynthet, må flere utfordringer overvinnes. For det første er det viktig å sikre at datasettet som brukes til å trene en AI-modell er nøyaktig og av høy kvalitet. Bias, falske negativer/positiver og dårlig datakvalitet kan påvirke modellens diagnostiske og prediktive nøyaktighet negativt. For det andre er de fleste AI-modeller trent ved hjelp av data fra store sykehus, som kanskje ikke er representative for pasienter som går til mindre klinikker. Dette skaper et avvik mellom reelle og treningspopulasjoner. For det tredje er en AI-modell ikke en utdannet lege og gir kanskje ikke et klinisk grunnlag for diagnosen, noe som kan føre til at diagnosen blir avvist av medisinsk fagpersonell. Til slutt, med så store mengder pasientdata, er det viktig å se AI-modeller sikre personvernet til pasientenes journaler.

"Mens studien vår fremhever de bemerkelsesverdigeFremskritt i den kliniske anvendelsen av AI i nærsynthet krever ytterligere studier for å overvinne de teknologiske utfordringene. FraVed å bygge datasett av høy kvalitet, forbedre modellens evne til å behandle multimodale bildedata og forbedre interaksjonsevnen til menneskelige datamaskiner, kan AI-modellene forbedres ytterligere for utbredt klinisk bruk.«Konkluderer Dr. Jifeng Yu.

Kilder: