Bewertung des IOD nach kornealem refraktivem Eingriff basierend auf KI (AIOP-CRS-AI)

Bedeutung, Hintergrund und aktueller Stand Studien zeigen, dass die globale Durchschnittsprävalenz von Kurzsichtigkeit 22 % beträgt, wobei die Häufigkeit von Weitsichtigkeit ähnlich ist. In China liegt die Myopie-Prävalenz bei 31 %, was das Land zu einem der Länder mit den höchsten Myopieraten macht. Derzeit sind die Sicherheit und Wirksamkeit der Hornhautrefraktionschirurgie (CRS), wie LASIK und SMILE, zur Korrektur von Myopie, Hyperopie und anderen Refraktionsfehlern gut belegt. Immer mehr Patienten unterziehen sich einer CRS, um die durch Refraktionsfehler verursachten Unannehmlichkeiten zu lindern. Während LASIK lange als klassisches Verfahren galt, hat sich seit dem ersten Bericht über die Small Incision Lenticule Extraction (SMILE) zur Myopiekorrektur im Jahr 2008 diese zu einer der wichtigsten chirurgischen Techniken entwickelt. Mit dem rasanten Fortschritt der refraktiven Chirurgie ist die Minimierung postoperativer Komplikationen bei gleichzeitig hervorragenden Sehergebnissen zu einem Hauptaugenmerk der Kliniker geworden. Die postoperative Überwachung des Augeninnendrucks (IOD) ist ein entscheidender Beobachtungsindex.

Theoretisch sollte sich der IOD nach einer CRS nicht wesentlich ändern, da der Eingriff weder die Dynamik des Kammerwassers noch das intraokulare Volumen beeinflusst. Zahlreiche Studien zeigen jedoch, dass Veränderungen der Hornhautform und der biomechanischen Eigenschaften, insbesondere eine Ausdünnung der Hornhaut, zu künstlich niedrigen IOD-Messwerten mit verschiedenen Tonometer führen, insbesondere bei solchen, die von der Hornhauthöhe abhängig sind. Darüber hinaus erfordert die postoperative Behandlung oft die längerfristige Anwendung von Kortikosteroid-Augentropfen, um Entzündungen zu unterdrücken und die Wundheilung zu fördern. Eine verlängerte Anwendung von Steroiden kann den Abflusswiderstand des Kammerwassers erhöhen und so den IOD steigern, insbesondere bei Steroid-Respondern, und möglicherweise zu einem steroidinduzierten Glaukom führen. Zudem ist hohe Myopie ein bekannter Risikofaktor für primäres Offenwinkelglaukom. Daher ist es von großer Bedeutung, basierend auf den prä- und postoperativen Hornhautparametern schnell und effektiv den tatsächlichen IOD-Bereich nach einer CRS zu bestimmen, um die klinische Medikation zu leiten und auf steroidinduziertes Glaukom zu screenen.

Big Data und künstliche Intelligenz (KI) werden zunehmend in der Medizin eingesetzt. KI umfasst hauptsächlich zwei technische Zweige: maschinelles Lernen (ML) und Deep Learning. ML, eine neuartige KI-Technologie, hat in den letzten Jahren großes Interesse in medizinischen Anwendungen geweckt. Sie beinhaltet typischerweise Computersimulationen, die menschliches Lernen integrieren, Wissensstrukturen verfeinern und die Leistung kontinuierlich verbessern, um die Diagnose und intelligente Entscheidungsfindung zu unterstützen, und wird so zu einer zentralen Methode in der KI. Ähnlich wie neuronale Netzwerke werden ML-Systeme mit ausgewählten Eingabedaten unter Verwendung geeigneter Algorithmen trainiert, um entsprechende Ausgaben zu erzeugen. Sie wird heute häufig zur Lösung komplexer Probleme in Technik und Wissenschaft eingesetzt. In der Augenheilkunde hat KI/ML an Bedeutung gewonnen, insbesondere zur Unterstützung bei der Erkennung und Überwachung von Krankheiten, und zeigt Vorteile bei der Diagnose von Netzhautbildern, dem Screening auf Keratokonus und der Klassifizierung von Glaukomen. In der refraktiven Hornhautchirurgie wurde ML zur präoperativen Parameterplanung und Ergebnisoptimierung eingesetzt und zeigte gute Sicherheit, Wirksamkeit und Vorhersagbarkeit. Es wurden erste Versuche unternommen, mit KI-Entscheidungsbäumen die Sicherheit und Wirksamkeit von CRS zu bewerten.

Aufbauend auf dieser fortschrittlichen Technologie und unseren früheren Forschungsergebnissen – die darauf hindeuten, dass IOPcc und Pentacam-basierte Korrekturformeln (wobei die Shah-Korrekturmethode bevorzugt wird) relativ zuverlässige IOD-Schätzungen nach SMILE liefern – zielt diese Studie darauf ab, ein datengesteuertes Modell zu etablieren. Unter Verwendung des Shah-korrigierten IODs als Referenz zur Definition des postoperativen IOD-Status werden wir ein Modell trainieren und iterativ optimieren, indem wir alle relevanten prä- und postoperativen Parameter, die den IOD potenziell beeinflussen, einbeziehen. Das Ziel ist, den wahren IOD nach CRS vorherzusagen, um so die postoperative Nachsorge zu leiten, eine frühzeitige Erkennung von IOD-Erhöhungen zu ermöglichen und mögliche glaukomatöse Tendenzen zu identifizieren.