Utvikling av et dypt læringssystem for identifisering av nevro-oftalmologiske tilstander på fargefundusfotografier i akuttmottaket (DEEP-VISION)

De siste årene har kunstig intelligens (AI) blitt vidt integrert i det medisinske feltet, og har særlig bidratt til forbedret pasientdiagnose. BONSAI-studien, Brain and Optic Nerve Study with AI, som teamet vårt deltar i, har med suksess demonstrert evnen til AI til å identifisere individuelle nevro-oftalmologiske eller nevrologiske patologier som påvirker synsnervene og/eller hjernen, fra et enkelt fundusbilde.

Selv om dette er et lovende fremskritt, er det fortsatt begrenset i dagens kliniske praksis. Vår store utfordring er å kunne identifisere et bredere spekter av synsnerve- og/eller hjernepatologier samtidig i samme analyse, for å forbedre pasientbehandlingen, spesielt for de som henvises til akuttmottak. Faktisk, i fravær av en presis diagnose, kan komplikasjoner være irreversible og livstruende.

Blant de mest alarmerende kliniske tegnene i akuttmottaket er papilleødem av stasis, som, ledsaget av akutt hodepine, kan indikere tilstedeværelsen av intrakraniell hypertensjon, inflammatorisk eller iskemisk patologi. Sistnevnte kan være en manifestasjon av Hortons sykdom. Teamet vårt har utviklet en AI-algoritme for å diagnostisere abnormiteter i netthinnen og synsnerven basert på retinofotografier tatt under ideelle forhold under planlagte konsultasjoner, og ikke på bilder av pasienter som presenteres for akuttmottaket. På sykehus uten oftalmologisk akuttmottak er det essensielt at legevakt (legeleger, allmennleger, nevrologer) er i stand til å vurdere fundus i fravær av øyespesialist. Selv om denne vurderingen er en del av den generelle undersøkelsen, byr den ofte på utfordringer for ikke-øyeleger. Målet med studien vår er å forbedre ytelsen til AI-algoritmen vår slik at den kan skille mellom ulike retinal- og synsnervepatologier i akuttmottaket. Vi planlegger derfor å bygge en database med fundusbilder ved å prospektivt inkludere pasienter som presenterer seg for oftalmologiske og nevrologiske akuttmottakene ved Fondation Adolphe de Rothschild Hospital. Ytelsen til den utviklede algoritmen vil bli evaluert i henhold til standardkriterier for sensitivitet, spesifisitet, area under the curve (AUC) og nøyaktighet.