Artificiell intelligens främjar tidig upptäckt och hantering av närsynthet

Artificiell intelligens främjar tidig upptäckt och hantering av närsynthet

Den ökande prevalensen av närsynthet är ett globalt hälsoproblem, där hög närsynthet ökar risken för synskador. Detta kräver användning av artificiell intelligens (AI) för tidig diagnos, förebyggande och behandling av närsynthet. Tja, aBarnundersökningGranskningen belyser potentiella tillämpningar av AI vid tidig identifiering, riskbedömning och förebyggande av närsynthet. Den visar ytterligare utmaningarna och den nuvarande utvecklingsstatusen för AI-teknik inom området närsynthet.

Närsynthet eller närsynthet drabbar två miljarder människor världen över. Okorrigerad närsynthet kan påverka synen, störa utbildningen, karriärutsikterna och livskvaliteten. År 2050 beräknas nästan hälften av världens befolkning bli närsynt. Hög närsynthet är ofta förknippad med komplikationer som kan leda till synnedsättning, påverka patienternas livskvalitet och öka den globala medicinska och ekonomiska bördan. Därför är tidig diagnos av närsynthet viktig för att förhindra synnedsättning hos patienter med närsynthet.

Artificiell intelligens (AI) har öppnat nya gränser inom det medicinska området och kan vara en lösning för detta globala hälsovårdsföretag. Undergrupperna av AI, såsom avancerad teknologi, såsom maskininlärning (ML) och djupinlärning (DL), kan hjälpa till att analysera data för att diagnostisera sjukdomar och förutsäga riskfaktorer, biomarkörer och resultat.

I en ny litteraturgenomgång sammanfattade Dr Li Li, Dr Jifeng Yu och Dr Nan Liu, alla från avdelningen för oftalmologi, Capital Medical University, Kina, tillämpningarna och utmaningarna med AI i närsynthet, inklusive upptäckt, riskfaktorbedömning och prediktionsmodeller. Denna studie publicerades i Journal ofBarnundersökningden 18 mars 2025.

Intressant nog kan AI-modeller tränas med ML/DL för att upptäcka närsynthet från ögonbottenfoton och optisk koherenstomografibilder. Genom att mata en modell med en stor uppsättning ögonbottenbilder från närsynta patienter kan AI läras att upptäcka små förändringar i färg och mönster i näthinnan som är associerade med närsynthet. Detta gör att modellen kan diagnostisera framtida patienter från deras ögonbottenfoton.

Dessutom kan självövervakningsenheter som SVOne, en handhållen enhet som använder en vågfrontssensor för att mäta ögondefekter, upptäcka brytningsdefekter i ögonen med hjälp av AI-algoritmer. Enheten kan komma åt en onlinedatabas med bilder som AI kan använda som referenser för att diagnostisera närsynthet. Dessutom kan AI tränas för att upptäcka beteendeförändringar associerade med närsynthet. Sådan upptäckt är särskilt användbar för tidig upptäckt av närsynthet hos barn, som annars ofta ignoreras. Till exempel använder Vivior Monitor ML-algoritmer för att upptäcka förändringar i visuellt beteende, såsom:

Dessutom kan ML-metoder som vektormaskin, logistisk regression och Xgboost användas för att identifiera riskfaktorer för närsynthet."En XGBOOST-baserad modell kan erhålla stora mängder longitudinella data, vilket gör att den kan lära sig resultaten och associerade riskfaktorer för närsynthet hos många patienter. Detta gör i sin tur att modellen kan bedöma riskfaktorerna för nya patienter baserat på deras genetik, familjehistoria, miljö och fysiologiska parametrar."Förklarar Dr Li Li.

Att förutsäga myopiprogression och utfall kan hjälpa läkare att skräddarsy sin kliniska metod. I stor skala kan det forma klinisk praxis och policyskapande som hjälper till att kontrollera närsynthet. Genom att mata en AI-modell med stora mängder biometriska data, brytningsdata, behandlingssvar och ögonbilder från många myopipatienter kan AI läras att förutsäga närsynthetsutfall hos nya patienter.

Trots den stora potentialen hos AI i närsynthet måste flera utmaningar övervinnas. För det första är det viktigt att säkerställa att datamängden som används för att träna en AI-modell är korrekt och av hög kvalitet. Bias, falska negativa/positiva och dålig datakvalitet kan negativt påverka modellens diagnostiska och prediktiva noggrannhet. För det andra är de flesta AI-modeller tränade med hjälp av data från stora sjukhus, vilket kanske inte är representativt för patienter som går till mindre kliniker. Detta skapar en diskrepans mellan verkliga och träningspopulationer. För det tredje är en AI-modell inte en utbildad läkare och kanske inte ger en klinisk grund för dess diagnos, vilket kan leda till att diagnosen avvisas av medicinsk personal. Slutligen, med så stora mängder patientdata är det viktigt att se AI-modeller säkerställa integriteten för patienternas journaler.

"Medan vår studie lyfter fram de anmärkningsvärdaFramsteg i den kliniska tillämpningen av AI vid närsynthet kräver ytterligare studier för att övervinna de tekniska utmaningarna. FrånGenom att bygga högkvalitativa datamängder, förbättra modellens förmåga att bearbeta multimodala bilddata och förbättra interaktionsförmågan hos mänskliga datorer, kan AI-modellerna förbättras ytterligare för omfattande klinisk tillämpning.”Slutar Dr Jifeng Yu.

Källor: