Vurdering av IOP etter hornhinnerefraktiv kirurgi basert på AI (AIOP-CRS-AI)

Betydning, bakgrunn og nåværende status Studier viser at den globale gjennomsnittlige forekomsten av myopi er 22 %, med hyperopi-insidens som er tilsvarende. I Kina er forekomsten av myopi 31 %, noe som gjør landet til et av landene med høyest myopirate. For tiden er sikkerheten og effekten av korneal refraktiv kirurgi (CRS), som LASIK og SMILE, for korrigering av myopi, hyperopi og andre refraktive feil, godt etablert. Et økende antall pasienter gjennomgår CRS for å lindre ulempene forårsaket av refraktive feil. Mens LASIK lenge har blitt ansett som en klassisk prosedyre, har SMILE (Small Incision Lenticule Extraction), siden den første rapporten om bruk for myopikorreksjon i 2008, utviklet seg til en av de mest populære kirurgiske teknikkene. Med den raske utviklingen av refraktiv kirurgi, har minimering av postoperative komplikasjoner samtidig som man opprettholder utmerkede visuelle resultater blitt et hovedfokus for klinikere. Postoperativ overvåking av intraokulært trykk (IOP) er en viktig observasjonsindikator.

Teoretisk sett bør IOP ikke endre seg vesentlig etter CRS, siden operasjonen ikke påvirker aqueous humor-dynamikk eller intraokulært volum. Imidlertid indikerer mange studier at endringer i korneal form og biomekaniske egenskaper, spesielt korneal tynning, fører til kunstig lave IOP-avlesninger med ulike tonometre, spesielt de som er avhengige av hornhinne-tykkelse. Videre krever postoperativ behandling ofte langvarig bruk av kortikosteroid-øyedråper for å dempe betennelse og fremme sårheling. Langvarig steroidbruk kan øke motstanden mot kammervannsavløp, noe som øker IOP, særlig hos steroidresponderende, og kan potensielt føre til steroid-indusert glaukom. I tillegg er høy myopi en kjent risikofaktor for primær åpenvinklet glaukom. Derfor er det, basert på preoperative og postoperative korneale parameterendringer, av stor betydning å raskt og effektivt bestemme det faktiske IOP-området etter CRS for å veilede klinisk medisinering og screening for steroid-indusert glaukom.

Big Data og kunstig intelligens (AI) blir i økende grad anvendt i medisin. AI inkluderer hovedsakelig to tekniske grener: maskinlæring (ML) og dyp læring. ML, en ny AI-teknologi, har fått betydelig interesse for medisinske anvendelser de siste årene. Det innebærer vanligvis datasimuleringer som integrerer menneskelig læring, forbedrer kunnskapsstrukturer og kontinuerlig forbedrer ytelsen for å bistå diagnose og intelligent beslutningstaking, og blir en sentral metode i AI. I likhet med nevrale nettverksprosesser, trenes ML-systemer på utvalgte inputdata ved hjelp av egnede algoritmer for å produsere tilsvarende resultater. Det brukes nå mye for å løse komplekse problemer innen ingeniørfag og vitenskap. Innerfor oftalmologi har AI/ML fått oppmerksomhet for å bistå med oppdagelse og overvåking av sykdommer, og har vist fordeler innen fundus-bildediagnose, screening for keratokonus og klassifisering av glaukom. Ved korneal refraktiv kirurgi har ML blitt anvendt til preoperativ parameterdesign og resultatoptimalisering, og viste god sikkerhet, effekt og forutsigbarhet. Foreløpige forsøk er gjort for å bruke AI-beslutningstrær for å evaluere sikkerheten og effekten av CRS.

Basert på denne avanserte teknologien og våre tidligere forskningsfunn – som antyder at IOPcc og Pentacam-avledede korreksjonsformler (med Shahs korreksjonsmetode som foretrukket) gir relativt pålitelige IOP-estimater etter SMILE – har denne studien som mål å etablere en datadrevet modell. Ved å bruke Shah-korrigert IOP som referanse for å definere postoperativ IOP-status, vil vi trene og iterativt optimalisere en modell ved å inkludere alle relevante pre- og postoperative parametere som potensielt påvirker IOP. Målet er å forutsi sanne IOP etter CRS, og dermed veilede postoperativ oppfølging, legge til rette for tidlig oppdagelse av IOP-forhøyelse og identifisere potensielle glaukomatøse tendenser.