Udvikling af et dybt læringssystem til identifikation af neuro-oftalmologiske tilstande på farvefundusfotografier i akutmodtagelsen (DEEP-VISION)

I de senere år er kunstig intelligens (AI) blevet bredt integreret i det medicinske område, hvilket især har bidraget til forbedret patientdiagnostik. BONSAI-studiet, Brain and Optic Nerve Study with AI, som vores team deltager i, har med succes demonstreret AIs evne til at identificere individuelle neuro-ophthalmologiske eller neurologiske patologier, der påvirker synsnerverne og/eller hjernen, ud fra et simpelt fundusbillede.

Selvom dette er et lovende fremskridt, er det fortsat begrænset i den nuværende kliniske praksis. Vores store udfordring er at være i stand til at identificere en bredere vifte af synsnerve- og/eller hjernepatologier samtidigt i samme analyse for at forbedre patienthåndteringen, især for dem, der henvises til akutmodtagelser. I mangel af en præcis diagnose kan komplikationer være irreversible og livstruende.

Blandt de mest alarmerende kliniske tegn i akutafdelingen er papilleødem af stasis, som ledsaget af akut hovedpine kan indikere tilstedeværelsen af ​​intrakraniel hypertension, inflammatorisk eller iskæmisk patologi. Sidstnævnte kan være en manifestation af Hortons sygdom. Vores team har udviklet en AI-algoritme til at diagnosticere abnormiteter i nethinden og optisk nerve baseret på retinofotografier taget under ideelle forhold under planlagte konsultationer og ikke på billeder af patienter, der præsenterer sig på skadestuen. På hospitaler uden oftalmologiske akutmodtagelser er det væsentligt, at akutlæger (akutlæger, praktiserende læger, neurologer) er i stand til at vurdere fundus i fravær af en øjenlæge. Selv om denne vurdering er en del af den generelle undersøgelse, giver den ofte udfordringer for ikke-øjenlæger. Målet med vores undersøgelse er at forbedre ydeevnen af ​​vores AI-algoritme, så den kan skelne mellem forskellige retinale og optiske nervepatologier i akutmodtagelsen. Vi planlægger derfor at opbygge en database med fundusbilleder ved prospektivt at inkludere patienter, der præsenterer sig for oftalmologiske og neurologiske akutafdelinger på Fondation Adolphe de Rothschild Hospital. Ydeevnen af ​​den udviklede algoritme vil blive evalueret i henhold til standardkriterier for sensitivitet, specificitet, area under the curve (AUC) og nøjagtighed.